AIHere

Model IRIS z MIT odtwarza sygnały kształtujące komórki zarodka

Badacze z MIT i Whitehead Institute stworzyli IRIS, sieć neuronową, która na podstawie aktywności genów wnioskuje, jakie sygnały chemiczne otrzymała komórka w trakcie rozwoju.

Redakcja AIHere· 2 min czytania🇺🇸 Stany Zjednoczone
Ilustracja komórek zarodkowych połączonych kolorowymi liniami sygnałowymi, z siecią neuronową interpretującą te połączenia.
Zdjęcie: Vitalii Kyryk / Wikimedia Commons, CC BY-SA 4.0

Zespół kierowany przez profesor biologii z MIT Pulin Li oraz doktoranta Nicholasa Hutchinsa opracował IRIS, model uczenia maszynowego, który potrafi określić, jakie sygnały otrzymały komórki rozwijającego się zarodka. Otwarta publikacja badania ukazała się w czasopiśmie Nature Methods 8 września 2026 roku. Li jest także członkinią Whitehead Institute for Biomedical Research.

Komórki macierzyste w zarodku specjalizują się w komórki mózgu, wątroby czy mięśni częściowo dzięki chemicznym wiadomościom wymienianym z sąsiadami. Przekazywane są one przez wieloetapowe szlaki sygnałowe, które włączają lub wyłączają określone geny. Ponieważ naukowcy przez długi czas uważali, że szlaki te działają bardzo różnie w zależności od typu komórki, ich zmapowanie wymagało testowania każdego szlaku w każdym typie komórki, co było powolne i żmudne.

Spójny odcisk palca dla każdego szlaku

Badacze odkryli, że każdy szlak sygnałowy pozostawia charakterystyczny wzorzec w aktywności genów i że wzorzec ten pozostaje stały w różnych typach komórek. IRIS, sieć neuronowa, odczytuje ogólną ekspresję genów komórki i szacuje, które szlaki były aktywne w określonych momentach, także w typach komórek, na których nigdy nie był trenowany. Li porównała to do asystentów głosowych, trenowanych głównie w języku angielskim, które mimo to potrafią rozpoznawać inne języki, i nazwała to uczeniem transferowym.

Model trenowano na danych eksperymentalnych, które śledziły, jak tysiące ludzkich embrionalnych komórek macierzystych reagowało na kilkadziesiąt kombinacji sześciu głównych szlaków sygnałowych na kilku etapach rozwoju. Zespół przetestował go następnie na pojedynczych komórkach z zarodków myszy podczas gastrulacji, gdy komórki szybko różnicują się na odmienne przeznaczenia. IRIS trafnie przewidział, kiedy i gdzie szlaki się włączały w komórkach zmierzających w stronę tkanki serca, jelit, mięśni i rdzenia kręgowego.

Potwierdzenie w rozwoju płuc

Na pytanie, jakie sygnały są potrzebne do wytworzenia typu komórki kluczowego dla rozwoju płuc, IRIS przewidział, że aktywacja określonego szlaku popchnie komórki w stronę tożsamości płucnej, a eksperymenty na zarodkach myszy to potwierdziły. „IRIS pomaga nam odczytać język, którym komórki się ze sobą porozumiewają” – powiedział Hutchins.

Badacze twierdzą, że to podejście może przyspieszyć inżynierię komórek macierzystych w medycynie regeneracyjnej oraz udoskonalić organoidy, czyli miniaturowe trójwymiarowe modele narządów wykorzystywane do badania chorób i testowania leków. Lepsza hodowana w laboratorium tkanka płuc mogłaby wspierać badania nad astmą, rakiem płuc i włóknieniem płuc, pomagać w ocenie potencjalnych terapii i ostatecznie kierować leczeniem, które naprawia uszkodzoną tkankę.

#AI w biologii#komórki macierzyste#MIT#uczenie maszynowe#organoidy

Komentarze

Zachowuj szacunek. Komentarze są sprawdzane automatycznie; spam, obelgi i dane osobowe są usuwane. Pytania mogą otrzymać odpowiedź od AI.

Nie ma jeszcze komentarzy. Rozpocznij dyskusję lub zadaj pytanie.

Powiązane