Оптимизация самоорганизации клеток: вычислительная система извлекает генетические правила

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

Учёные давно исследуют этот чрезвычайно сложный процесс для создания искусственных органов или понимания роста рака. Однако точное программирование отдельных клеток для достижения желаемого коллективного результата часто является процессом проб и ошибок.

Прикладные физики из Гарварда рассматривают контроль клеточной организации и морфогенеза как проблему оптимизации, которую можно решить с помощью мощных новых инструментов машинного обучения. В новом исследовании, опубликованном в Nature Computational Science, учёные из Школы инженерии и прикладных наук им. Джона А. Полсона (SEAS) создали вычислительную систему, которая может извлекать правила, которым должны следовать клетки по мере роста, чтобы у целого возникла коллективная функция.

Компьютер изучает эти «правила» в форме генетических сетей, которые направляют поведение клетки, влияя на множество способов химической сигнализации клеток друг другу или на физические силы, заставляющие их слипаться или отталкиваться.

В настоящее время это доказательство концепции. Новые методы можно комбинировать с экспериментами, чтобы позволить учёным понимать и контролировать развитие организмов с клеточного уровня.

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

Автоматическое дифференцирование

Поиск правил, которым должны следовать клетки, стал возможен благодаря вычислительной технике, называемой автоматическим дифференцированием. Этот метод, лежащий в основе обучения моделей глубокого обучения в искусственном интеллекте, состоит из алгоритмов, предназначенных для эффективного вычисления высокосложных функций. Автоматическое дифференцирование позволяет компьютеру определить точный эффект, который небольшое изменение в любой части генной сети окажет на поведение всего клеточного коллектива.

В последние несколько лет команда Бреннера применяет такие алгоритмы к задачам, выходящим за рамки нейронных сетей, включая проектирование самоорганизующихся коллоидных материалов, улучшение симуляций гидродинамики или инженерию определённых типов белков.

Дешпанде заявила, что принципы из статьи могут помочь направлять последующие эксперименты на физических системах клеток. «Как только у вас есть модель, которая может предсказать, что произойдёт при определённой комбинации взаимодействующих клеток, генов или молекул, можем ли мы затем инвертировать эту модель и сказать: "Мы хотим, чтобы эти клетки собрались вместе и сделали вот эту конкретную вещь. Как нам запрограммировать их на это?"»

Моттес отметил, что, позволяя масштабировать основанные на физике модели системной биологии, автоматическое дифференцирование предлагает многообещающий путь к достижению прогностического контроля, необходимого в далёком будущем для инженерии роста органов — «святого Грааля» вычислительной биоинженерии.

«Если у вас есть модель, достаточно прогностическая и достаточно откалиброванная на экспериментальных данных, надежда заключается в том, что вы сможете просто сказать, например: "Я хочу сфероид с такими-то характеристиками. Как мне запрограммировать мои клетки, чтобы достичь этого?"» — сказал Моттес.