מודלים גנרטיביים של דינמיקת תאים: מ-Neural ODEs ועד flow matching

צפייה בתאים משתנים עם הזמן

כל איבר בגופנו בנוי מתאים שהתחילו דומים באופן מובהק ואז בהדרגה אימצו תפקידים שונים. ביולוגים היו רוצים לצפות בכל אחד מהתאים האלה משתנה בזמן אמת, אך שיטות המדידה הקיימות הורסות את התאים שהן קוראות. מאמר סקירה זה חוקר איך סוג חדש של כלי בינה מלאכותית, הנקרא Neural Ordinary Differential Equations, יכול לסייע בשחזור הסיפורים המוסתרים של שינוי מתוך תמונות סטטיות — עם פוטנציאל לשפר את הבנתנו על התפתחות, מחלות ואופן פעולת טיפולים.

מצילום סטילס לסרטים חיים

טכנולוגיות רצף תא יחיד מודרניות יכולות למדוד את הפעילות של אלפי גנים בתאים בודדים, וליצור טבלאות נתונים ענקיות. כל שורה מקבילה לתא, וכל עמודה לגֵן. אבל כל תא נמדד רק פעם אחת, ולכן המדענים מקבלים אוסף צילומים סטטיים במקום סרט שמראה איך כל תא משתנה עם הזמן. גישות מוקדמות ניסו לסדר את הסטילס בסדר סביר באמצעות "פסודו-זמן", ולמקם תאים לאורך מסלולי התפתחות על פי הדמיון בפטרני הפעילות הגנטית שלהם. זה חשף נתיבים רחבים של דיפרנציאציה אך התקשו כאשר תאים הסתעפו לגורלות מרובים או הלכו בעקבות מסלולים מורכבים ומעגליים.

תיאור שינוי תא כמחול תנועה בנוף

כדי להתקדם מעבר לסדרות פשוטות, חוקרים מתארים תאים כנקודות הנעות בנוף: המיקום מקודד את מצב הפעילות הגנטית הנוכחי, ו"התנע" משקף כיצד אותו מצב משתנה. כלים קלאסיים כמו RNA velocity מעריכים לאן תא פנימי הולך על ידי השוואת צורות שונות של RNA בתוכו. אחרים משחזרים שדות וקטוריים — מפות של חיצים שמראים, בכל נקודה במרחב הזה, את כיוון התנועה הסביר. שיטות אלה החלו לחשוף כיצד רשתות גנים דוחפות תאים לעבר גורלות ספציפיים, וכיצד אזורים לא יציבים בנוף עשויים לסמן החלטות קרובות. עם זאת, רבות מהמודלים האלה עושות הפשטות חזקות לגבי אינטראקציות גנטיות ולעיתים אינן יכולות לייצר מסלולים רציפים שמתאימים לנתוני אוכלוסייה בנקודות זמן מרובות.

Neural ODEs: למידת כללי השינוי

Neural ODEs מציעות דרך גמישה ללמוד את הכללים הבסיסיים המנחים את התנועה התאית בנוף זה. במקום להכתיב נוסחאות מראש, רשת נוירונים לומדת פונקציה שאומרת, עבור כל מצב תאי, כיצד אותו מצב ישתנה בהמשך. מפענח משוואות דיפרנציאליות רגילות (ODE solver) עוקב אז אחר מסלולים מלאים לאורך הזמן. מסגרת זו הותאמה לכמה משימות בתא יחיד: הסקת מסלולי התפתחות, הדגשת אירועי הסתעפות, זיהוי מצבים לא יציבים או "מוכנים", ואפילו שחזור רשתות בקרה גנטיות — יחסי סיבה ותוצאה בין גנים שמפעילים או מדכאים זה את זה. על ידי עידוד הפונקציות המלומדות להיות פשוטות ודלילות, כמה שיטות יכולות להציע דיאגרמות רגולטוריות קומפקטיות שקל יותר לפרש ולבדוק בניסויים.

זרמים גנרטיביים: התאמת אוכלוסיות לאורך זמן

קו עבודה נוסף מתייחס לבעיה ברמת האוכלוסייה במקום לעקוב אחרי תאים פרטניים. כאן המטרה היא ללמוד כיצד התפלגות מצבי התאים כולה בזמן אחד מתמירה להתפלגות בזמן מאוחר יותר. טכניקות מהובלה מיטבית, שפותחו במקור כדי למצוא את הדרך הזולה ביותר להזיז מסה מצורה אחת לאחרת, שולבו עם Neural ODEs ומודלים "זרם" קשורים. זרמים נורמליזבלים רציפים ושיטות חדשות ויעילות יותר של "flow matching" לומדות ישירות שדות וקטוריים שמזיזים אוכלוסיית תאים אחת לאחרת, מבלי להריץ סימולציות יקרות חוזרות במהלך האימון. גישות אלה יכולות להתמודד עם דגימה לא סדירה, מדידות רועשות ואפילו דינמיקה סטוכסטית (חלקית-אקראית), והן מציעות מודלים גנרטיביים שיכולים לדמות אוכלוסיות עתידיות ריאליסטיות או לשחזר מצבים סבירים מן העבר.

הזדמנויות ושאלות פתוחות

למרות ההבטחה שלהן, מודלים אלה מתמודדים עם אתגרים חשובים. להבחין בין סיבה ותוצאה אמיתית לבין מתאם בלבד ברשתות גנטיות קשה, במיוחד כאשר גורמים משפיעים אינם נצפים. החוקרים דוחפים גם את Neural ODEs ללכת מעבר להתאמת הנתונים הנראים למטרה של למידת חוקים כלליים שיכולים לחזות תגובות לתנאים חדשים, כמו השבתת גנים או טיפולי תרופות. טיפול ברעש, באקראיות ובשכבות נתונים חופפות רבות — למשל שילוב פעילות גנים עם מיקום מרחבי או שכבות מולקולריות אחרות — נשאר תחום מחקר פעיל. יחד עם זאת, אותן רעיונות כבר מוחלות מחוץ לגנומי, לדוגמה על דינמיקת לב, התנהגות תרופות בגוף, ונתוני סדרות זמן רפואיות.

מדוע זה חשוב לבריאות ומחלה

לקורא שאינו מומחה, המסר המרכזי הוא ש-Neural ODEs ומודלים של flow-matching מאפשרים למדענים להפוך מדידות תאים סטטיות לסיפורים דינמיים. במקום לדעת רק איך תאים נראים בכמה שלבים מבודדים, כלים אלה מסייעים להסקה כיצד תאים צפויים לנוע בנוף ההתפתחותי שלהם, אילו מעגלים גנטיים מדרבנים את המעברים הללו, ואיך התערבויות עשויות להסיט אותם. בטווח הארוך, מודלים כאלה עשויים לאפשר ניסויים במחשב שחוזים כיצד ניתן לדחוף תאי גזע לסוג רצוי, כיצד אוכלוסיית תאי גידול תתפתח תחת טיפול, או כיצד טיפולים מורכבים משפיעים על מערכות תאים שלמות — ובכך לקרב אותנו להבנה מנגנונית וניבוית של החיים ברמת תא יחיד.

ציטוט: 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

מילות מפתח: דינמיקת תא יחיד, Neural ODEs, דיפרנציאציה של תאים, מודלים גנרטיביים, הובלה מיטבית