Modelli generativi della dinamica cellulare: dalle Neural ODE ai metodi di flow matching

Osservare le cellule mentre cambiano nel tempo

Ogni organo del nostro corpo è costruito da cellule che all’inizio apparivano quasi identiche e poi, gradualmente, hanno assunto ruoli diversi. I biologi vorrebbero osservare ogni singola cellula cambiare in tempo reale, ma gli attuali metodi di misura distruggono le cellule che misurano. Questo articolo di sintesi esplora come un nuovo tipo di strumento di intelligenza artificiale, chiamato Neural Ordinary Differential Equations, possa aiutare a ricostruire queste storie nascoste di cambiamento a partire da istantanee statiche—migliorando potenzialmente la nostra comprensione dello sviluppo, delle malattie e del funzionamento dei trattamenti.

Dalle istantanee a film in vita

Le moderne tecnologie di sequenziamento a singola cellula possono misurare l’attività di migliaia di geni in singole cellule, producendo grandi tabelle di numeri. Ogni riga corrisponde a una cellula, ogni colonna a un gene. Ma ogni cellula viene misurata una sola volta, quindi gli scienziati si ritrovano con una collezione di fotografie invece che con un film che mostri come una data cellula cambia nel tempo. I primi approcci cercavano di mettere queste istantanee in un ordine plausibile usando il “pseudotempo”, disponendo le cellule lungo percorsi di sviluppo in base a quanto erano simili i loro profili di attività genica. Questo ha aiutato a rivelare rotte generali di differenziazione cellulare ma faticava quando le cellule si ramificavano in più destini o seguivano percorsi complessi e ad anello.

Descrivere il cambiamento cellulare come movimento in un paesaggio

Per andare oltre semplici ordinamenti, i ricercatori descrivono le cellule come punti che si muovono in un paesaggio: la posizione codifica lo stato corrente di attività genica e la “quantità di moto” riflette come quello stato sta cambiando. Strumenti classici come RNA velocity stimano dove una cellula si dirige confrontando diverse forme di RNA al suo interno. Altri ricostruiscono campi vettoriali—mappe di frecce che mostrano, in ogni punto di questo spazio, la probabile direzione del moto. Questi metodi hanno iniziato a rivelare come le reti geniche spingano le cellule verso destini specifici e come regioni instabili nel paesaggio possano segnalare decisioni imminenti. Tuttavia, molti di questi modelli fanno semplificazioni forti su come i geni interagiscono e spesso non riescono a generare percorsi pienamente continui che corrispondano ai dati di popolazione in più istanti temporali.

Neural ODE: apprendere le regole del cambiamento

Le Neural ODE offrono un modo flessibile per apprendere le regole sottostanti che governano il moto cellulare in questo paesaggio. Invece di prescrivere formule a priori, una rete neurale impara una funzione che dice, per ogni stato cellulare, come quello stato cambierà nel prossimo istante. Un risolutore di ODE traccia poi le traiettorie complete nel tempo. Questo quadro è stato adattato a diversi compiti per dati a singola cellula: inferire percorsi di sviluppo, evidenziare eventi di ramificazione, identificare stati instabili o “primed” e persino ricostruire reti regolatorie geniche—le relazioni causa-effetto tra geni che si attivano o disattivano a vicenda. Incentivando le regole apprese a essere semplici e sparse, alcuni metodi possono proporre diagrammi regolatori compatti, più facili da interpretare e verificare sperimentalmente.

Flow generativi: mettere in corrispondenza le popolazioni nel tempo

Un altro filone di lavoro affronta il problema a livello di popolazione anziché tracciare singole cellule. Qui l’obiettivo è apprendere come l’intera distribuzione degli stati cellulari a un tempo si trasforma nella distribuzione a un tempo successivo. Tecniche derivate dal trasporto ottimale, sviluppate originariamente per trovare il modo più economico di spostare massa da una forma a un’altra, sono state combinate con Neural ODE e modelli correlati di “flow”. Continuous normalizing flows e i più recenti e più efficiente metodi di “flow matching” apprendono direttamente campi vettoriali che muovono una popolazione cellulare in un’altra, senza dover rieseguire costose simulazioni durante l’addestramento. Questi approcci possono gestire campionamenti irregolari, misurazioni rumorose e dinamiche anche stocastiche (in parte casuali), offrendo modelli generativi in grado di simulare popolazioni future realistiche o ricostruire probabili stati passati.

Opportunità e questioni aperte

Nonostante le promesse, questi modelli affrontano sfide importanti. Distingueré la vera causalità dalla mera correlazione nelle reti geniche è difficile, specialmente quando alcuni fattori influenti non sono osservati. I ricercatori stanno anche spingendo le Neural ODE a andare oltre l’adattamento ai dati osservati verso l’apprendimento di leggi generali in grado di prevedere risposte a nuove condizioni, come knockout genici o trattamenti farmacologici. Gestire rumore, casualità e molteplici tipi di dati sovrapposti—per esempio combinare l’attività genica con la posizione spaziale o altri strati molecolari—rimane un’area di ricerca attiva. Eppure, le stesse idee sono già applicate oltre la genomica, per esempio alla dinamica cardiaca, al comportamento dei farmaci nell’organismo e alle serie temporali mediche.

Perché è importante per salute e malattia

Per chi non è specialista, il messaggio chiave è che le Neural ODE e i modelli di flow-matching permettono agli scienziati di trasformare misure cellulari statiche in storie dinamiche. Invece di sapere solo come appaiono le cellule in poche fasi isolate, questi strumenti aiutano a inferire come le cellule probabilmente si muoveranno nel loro paesaggio di sviluppo, quali interruttori nei loro circuiti genici guidano quei movimenti e come interventi potrebbero reindirizzarli. A lungo termine, tali modelli potrebbero consentire esperimenti in silico che prevedano come una cellula staminale possa essere spinta verso un tipo desiderato, come evolverà la popolazione cellulare di un tumore durante un trattamento o come terapie complesse influenzino interi ecosistemi cellulari—avvicinandoci a una comprensione meccanicistica e predittiva della vita a livello di singola cellula.

Citazione: 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

Parole chiave: dinamica a singola cellula, neural ODE, differenziazione cellulare, modelli generativi, trasporto ottimale