Generatieve modellen van celdynamiek: van Neural ODEs tot flow matching

Cellen zien veranderen in de tijd

Ieder orgaan in ons lichaam is opgebouwd uit cellen die ooit bijna identiek begonnen en vervolgens geleidelijk verschillende rollen aannamen. Biologen zouden graag elke cel in realtime zien veranderen, maar huidige meetmethoden vernietigen de cellen die ze lezen. Dit overzichtsartikel onderzoekt hoe een nieuw soort kunstmatige-intelligentie-instrument, Neural Ordinary Differential Equations, kan helpen deze verborgen veranderverhalen uit statische momentopnames te reconstrueren—mogelijk met betere inzichten in ontwikkeling, ziekte en werking van behandelingen.

Van momentopnames naar levende films

Moderne single-cell sequencing-technologieën kunnen de activiteit van duizenden genen in individuele cellen meten en produceren enorme tabellen met getallen. Elke rij komt overeen met een cel, elke kolom met een gen. Maar elke cel wordt slechts één keer gemeten, zodat wetenschappers een verzameling stilstaande foto’s krijgen in plaats van een film van hoe een individuele cel in de tijd verandert. Vroege benaderingen probeerden deze momentopnames in een plausibele volgorde te plaatsen met behulp van “pseudotijd”, waarbij cellen langs ontwikkelingspaden werden gerangschikt op basis van hoe gelijk hun genactiviteits­patronen leken. Dit hielp brede routes van celdifferentiatie te onthullen, maar had moeite wanneer cellen vertakten naar meerdere loten of complexe, lusvormige paden volgden.

Cellulaire verandering beschrijven als beweging in een landschap

Om verder te gaan dan eenvoudige ordeningen, beschrijven onderzoekers cellen als punten die bewegen door een landschap: positie codeert de huidige genactiviteitstoestand en “momentum” weerspiegelt hoe die toestand verandert. Klassieke instrumenten zoals RNA-velocity schatten waar een cel hierna naartoe gaat door verschillende vormen van RNA in de cel te vergelijken. Andere benaderingen reconstrueren vectorvelden—kaartjes van pijlen die op elk punt in deze ruimte de waarschijnlijke bewegingsrichting tonen. Deze methoden begonnen te onthullen hoe gen­netwerken cellen naar specifieke loten sturen en hoe onstabiele regio’s in het landschap aankomende beslissingen kunnen signaleren. Veel van deze modellen maken echter sterke vereenvoudigingen van genetische interacties en kunnen vaak geen volledig continue paden genereren die overeenkomen met populatiegegevens op meerdere tijdstippen.

Neural ODEs: de regels van verandering leren

Neural ODEs bieden een flexibele manier om de onderliggende regels te leren die de cellulaire beweging in dit landschap beheersen. In plaats van formules van tevoren voor te schrijven, leert een neuraal netwerk een functie die aangeeft hoe, voor een gegeven celtoestand, die toestand vervolgens zal veranderen. Een ODE-solver volgt dan volledige trajecten in de tijd. Dit raamwerk is aangepast voor verschillende single-cell taken: het afleiden van ontwikkelingspaden, het benadrukken van vertakkingsgebeurtenissen, het identificeren van onstabiele of “geprimede” toestanden en zelfs het reconstrueren van genregulatoire netwerken—de oorzaak-en-gevolgrelaties tussen genen die elkaar aan- of uitzetten. Door de geleerde regels aan te moedigen eenvoudig en spaarzaam te zijn, kunnen sommige methoden compacte regulatiediagrammen voorstellen die makkelijker te interpreteren en experimenteel te testen zijn.

Generatieve flows: populaties over de tijd matchen

Een andere onderzoekslijn behandelt het probleem op populatieniveau in plaats van individuele cellen te volgen. Hier is het doel te leren hoe de volledige verdeling van celtoestanden op één tijdstip transformeert naar de verdeling op een later tijdstip. Technieken uit optimaal transport, oorspronkelijk ontwikkeld om de goedkoopste manier te vinden om massa van de ene vorm naar de andere te verplaatsen, zijn gecombineerd met Neural ODEs en verwante “flow”-modellen. Continue normalizing flows en de nieuwere, efficiëntere “flow matching”-methoden leren rechtstreeks vectorvelden die één celpopulatie naar een andere verplaatsen, zonder tijdens training dure simulaties opnieuw te hoeven uitvoeren. Deze benaderingen kunnen onregelmatige bemonstering, ruisige metingen en zelfs stochastische (gedeeltelijk willekeurige) dynamiek aan, en leveren generatieve modellen die realistische toekomstige populaties kunnen simuleren of waarschijnlijke vorige toestanden kunnen reconstrueren.

Kansen en open vragen

Ondanks hun potentie staan deze modellen voor belangrijke uitdagingen. Het onderscheiden van echte oorzaak-en-gevolg van louter correlatie in gen­netwerken is moeilijk, vooral wanneer sommige invloedrijke factoren niet worden waargenomen. Onderzoekers dringen er ook op aan Neural ODEs verder te brengen dan het aanpassen aan de beschikbare data, richting het werkelijk leren van algemene wetten die reacties op nieuwe omstandigheden kunnen voorspellen, zoals gen-knockouts of medicijnbehandelingen. Het omgaan met ruis, willekeurigheid en vele overlappende datatypes—bijvoorbeeld het combineren van genactiviteit met ruimtelijke locatie of andere moleculaire lagen—blijft een actief onderzoeksgebied. Toch worden dezelfde ideeën al buiten de genomica toegepast, bijvoorbeeld op hartdynamiek, medicijngedrag in het lichaam en medische tijdreeksgegevens.

Waarom dit belangrijk is voor gezondheid en ziekte

Voor niet-specialisten is de kernboodschap dat Neural ODEs en flow-matching modellen wetenschappers in staat stellen statische celmetingen om te zetten in dynamische verhalen. In plaats van alleen te weten hoe cellen eruitzien in een paar geïsoleerde stadia, helpen deze instrumenten te achterhalen hoe cellen waarschijnlijk door hun ontwikkelingslandschap bewegen, welke schakelaars in hun genetische circuits die bewegingen aansturen en hoe interventies hen kunnen omleiden. Op de lange termijn zouden zulke modellen in-silico experimenten kunnen mogelijk maken die voorspellen hoe een stamcel naar een gewenste celsoort kan worden gestuurd, hoe de celpopulatie van een tumor zich onder behandeling ontwikkelt, of hoe complexe therapieën hele cellulaire ecosystemen beïnvloeden—en ons dichter brengen bij een mechanistisch, voorspellend begrip van het leven op single-cell niveau.

Bronvermelding: 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

Trefwoorden: single-cell dynamiek, neural ODEs, cel­differentiatie, generatieve modellen, optimale transport