Оптимизация самоорганизации клеток: вычислительная система извлекает генетические правила

от

Один из самых фундаментальных процессов в биологии — спонтанная организация клеток в кластеры, которые делятся и в итоге формируют структуры — будь то органы, крылья или конечности.

Учёные давно изучают этот чрезвычайно сложный процесс, чтобы создавать искусственные органы или понять механизмы роста опухолей, но точное проектирование отдельных клеток для достижения желаемого коллективного результата часто представляет собой процесс методом проб и ошибок.

Гарвардские физики-прикладники рассматривают контроль клеточной организации и морфогенеза как задачу оптимизации, которую можно решить с помощью мощных новых инструментов машинного обучения. В новом исследовании, опубликованном в журнале Nature Computational Science, учёные из Школы инженерии и прикладных наук имени Джона А. Полсона (SEAS) создали вычислительную систему, которая может извлекать правила, которым клетки должны следовать в процессе роста, чтобы возникала коллективная функция целого организма.

Компьютер «выучивает» эти «правила» в виде генетических сетей, которые определяют поведение клетки, влияя на множество способов, с помощью которых клетки химически сигнализируют друг другу, или на физические силы, которые заставляют их слипаться или разделяться.

В настоящее время это доказательство концепции, но новые методы можно будет сочетать с экспериментами, чтобы учёные могли понять и контролировать развитие организмов на клеточном уровне.

Исследование проводилось под руководством аспирантки Рамьи Дешпанде и постдокторанта Франческо Моттеса. Старшим автором был Майкл Бреннер, профессор прикладной математики и прикладной физики в SEAS.

Поиск правил, которым должны следовать клетки, стал возможен благодаря вычислительному методу, называемому автоматической дифференциацией. Этот метод, который лежит в основе обучения моделей глубокого обучения в искусственном интеллекте, состоит из алгоритмов, предназначенных для эффективного вычисления сложных функций. Автоматическая дифференциация позволяет компьютеру определять точный эффект, который небольшое изменение в любой части генной сети окажет на поведение всего коллектива клеток.

В течение последних нескольких лет команда Бреннера применяла такие алгоритмы для решения задач, выходящих за рамки нейронных сетей, включая проектирование самособирающихся коллоидных материалов, улучшение моделирования гидродинамики или разработку определённых типов белков.

Дешпанде сказала, что принципы, изложенные в статье, могут помочь в проведении последующих экспериментов с физическими системами клеток. «Как только у вас появится модель, которая может предсказать, что произойдёт, когда у вас будет определённая комбинация клеток, генов или молекул, которые взаимодействуют, мы можем инвертировать эту модель и сказать: „Мы хотим, чтобы эти клетки собрались вместе и сделали это конкретное дело. Как мы можем запрограммировать их для этого?“»

Моттес сказал, что, позволяя масштабировать модели системной биологии, основанные на физике, автоматическая дифференциация открывает многообещающий путь к достижению прогнозирующего контроля, необходимого для того, чтобы в отдалённом будущем спроектировать рост органов — святой Грааль вычислительной биоинженерии.

«Если у вас есть модель, которая достаточно точна и откалибрована на экспериментальных данных, мы надеемся, что вы сможете просто сказать, например: „Я хочу сфероид с такими характеристиками. Как мне сконструировать свои клетки, чтобы достичь этого?“» — сказал Моттес.

Предоставлено Гарвардским университетом.

Источник

Другие новости по теме

Другие новости на сайте