Generative Modelle zellulärer Dynamik: von Neural ODEs bis Flow Matching

Zellen beim Wandel beobachten

Jedes Organ in unserem Körper besteht aus Zellen, die einst fast gleich aussahen und sich dann schrittweise unterschiedliche Rollen aneigneten. Biologen würden gern jede dieser Zellen in Echtzeit sehen, doch die heutigen Messverfahren zerstören die Zellen, die sie erfassen. Dieser Übersichtsartikel untersucht, wie ein neuer Typ künstlicher Intelligenz, sogenannte Neural Ordinary Differential Equations, dabei helfen kann, diese verborgenen Veränderungsgeschichten aus statischen Schnappschüssen zu rekonstruieren — mit Potenzial, unser Verständnis von Entwicklung, Krankheit und Wirkmechanismen von Therapien zu verbessern.

Von Momentaufnahmen zu lebendigen Filmen

Moderne Einzelzell-Sequenzierungstechnologien messen die Aktivität von Tausenden Genen in einzelnen Zellen und erzeugen riesige Zahlenmatrizen. Jede Zeile entspricht einer Zelle, jede Spalte einem Gen. Da jede Zelle jedoch nur einmal gemessen wird, haben Wissenschaftler eher eine Sammlung Standbilder als einen Film davon, wie sich eine einzelne Zelle über die Zeit verändert. Frühe Ansätze versuchten, diese Schnappschüsse mithilfe von „Pseudotime“ in eine plausible Reihenfolge zu bringen, indem Zellen entlang Entwicklungswegen nach Ähnlichkeit in ihren Genaktivitätsmustern angeordnet wurden. Das half, grobe Pfade der Zelldifferenzierung zu erkennen, stieß aber an Grenzen, wenn Zellen in mehrere Schicksale verzweigten oder komplexe, schlaufenartige Verläufe folgten.

Veränderung von Zellen als Bewegung in einer Landschaft beschreiben

Um über einfache Ordnungen hinauszukommen, beschreiben Forscher Zellen als Punkte, die sich durch eine Landschaft bewegen: Die Position kodiert den aktuellen Zustand der Genaktivität, und „Impuls“ spiegelt wider, wie sich dieser Zustand verändert. Klassische Werkzeuge wie RNA-Velocity schätzen, wohin sich eine Zelle als Nächstes bewegt, indem sie verschiedene RNA-Formen innerhalb der Zelle vergleichen. Andere rekonstruieren Vektorfelder — Karten von Pfeilen, die an jedem Punkt im Raum die wahrscheinliche Bewegungsrichtung anzeigen. Diese Methoden begannen zu zeigen, wie Gen-Netzwerke Zellen zu bestimmten Schicksalen treiben und wie instabile Bereiche in der Landschaft bevorstehende Entscheidungen signalisieren können. Viele dieser Modelle treffen jedoch starke Vereinfachungen über Genwechselwirkungen und können häufig keine vollständig kontinuierlichen Pfade erzeugen, die Populationsdaten zu mehreren Zeitpunkten konsistent abbilden.

Neural ODEs: Die Regeln der Veränderung lernen

Neural ODEs bieten eine flexible Möglichkeit, die zugrunde liegenden Regeln zu lernen, die die zelluläre Bewegung in dieser Landschaft bestimmen. Anstatt Formeln vorzugeben, lernt ein neuronales Netzwerk eine Funktion, die für jeden Zellzustand angibt, wie sich dieser Zustand als Nächstes verändern wird. Ein ODE-Solver verfolgt dann vollständige Trajektorien über die Zeit. Dieser Rahmen wurde an verschiedene Einzelzellaufgaben angepasst: Entwicklungspfade zu erschließen, Verzweigungsereignisse hervorzuheben, instabile oder „geprimte“ Zustände zu identifizieren und sogar Genregulationsnetzwerke — die Ursache-Wirkungs-Beziehungen zwischen Genen, die einander an- oder abschalten — wiederherzustellen. Indem man die gelernten Regeln zu Einfachheit und Sparsamkeit zwingt, können einige Methoden kompakte Regulationsdiagramme vorschlagen, die leichter interpretierbar sind und experimentell getestet werden können.

Generative Flows: Populationen über die Zeit abgleichen

Ein anderer Forschungszweig betrachtet das Problem auf Populationsebene statt einzelne Zellen zu verfolgen. Hier ist das Ziel, zu lernen, wie sich die gesamte Verteilung von Zellzuständen zu einem früheren Zeitpunkt in die Verteilung zu einem späteren Zeitpunkt verwandelt. Techniken aus dem optimalen Transport, die ursprünglich entwickelt wurden, um die kostengünstigste Verschiebung von Masse zwischen Formen zu finden, wurden mit Neural ODEs und verwandten „Flow“-Modellen kombiniert. Kontinuierliche Normalizing Flows und die neueren, effizienteren „Flow Matching“-Methoden lernen direkt Vektorfelder, die eine Zellpopulation in eine andere überführen, ohne während des Trainings teure Simulationen wiederholen zu müssen. Diese Ansätze können unregelmäßige Stichproben, verrauschte Messungen und sogar stochastische (teilweise zufällige) Dynamiken behandeln und bieten generative Modelle, die realistische zukünftige Populationen simulieren oder wahrscheinliche frühere Zustände rekonstruieren können.

Chancen und offene Fragen

Trotz ihres Potenzials stehen diese Modelle vor wichtigen Herausforderungen. Echte Ursache-Wirkung von bloßer Korrelation in Gennetzwerken zu unterscheiden ist schwierig, besonders wenn einige einflussreiche Faktoren nicht beobachtet werden. Forscher treiben Neural ODEs außerdem dahin, über das bloße Anpassen an beobachtete Daten hinauszugehen und tatsächlich allgemeine Gesetze zu lernen, die auf neue Bedingungen vorhersagbar reagieren, etwa Gen-Knockouts oder Medikamentenbehandlungen. Mit Rauschen, Zufälligkeit und vielen überlappenden Datentypen umzugehen — etwa die Kombination von Genaktivität mit räumlicher Lage oder anderen molekularen Ebenen — bleibt ein aktives Forschungsfeld. Gleichwohl werden dieselben Ideen bereits über die Genomik hinaus angewandt, zum Beispiel auf Herzdynamik, Wirkstoffverhalten im Körper und medizinische Zeitreihendaten.

Warum das für Gesundheit und Krankheit wichtig ist

Für Nicht-Fachleute ist die Kernbotschaft, dass Neural ODEs und Flow-Matching-Modelle es Wissenschaftlern ermöglichen, statische Zellmessungen in dynamische Geschichten zu verwandeln. Anstatt nur zu wissen, wie Zellen in einigen isolierten Stadien aussehen, helfen diese Werkzeuge abzuleiten, wie Zellen wahrscheinlich durch ihre Entwicklungslandschaft wandern, welche Schalter in ihren Gen-Schaltkreisen diese Bewegungen antreiben und wie Eingriffe sie umleiten könnten. Langfristig könnten solche Modelle In-silico-Experimente ermöglichen, die vorhersagen, wie eine Stammzelle in einen gewünschten Typ gelenkt werden kann, wie sich die Zellpopulation eines Tumors unter Behandlung entwickelt oder wie komplexe Therapien ganze zelluläre Ökosysteme beeinflussen — und uns so einer mechanistischen, prognostischen Auffassung des Lebens auf Einzelzellebene näherbringen.

Zitation: Richter, T., Wang, W., Palma, A. et al. Generative models of cell dynamics: from Neural ODEs to flow matching. Commun Biol 9, 352 (2026). https://doi.org/10.1038/s42003-026-09758-w

Schlüsselwörter: Einzelzell-Dynamik, neuronale ODEs, Zelldifferenzierung, generative Modelle, optimaler Transport