Generatywne modele dynamiki komórek: od Neural ODEs do flow matching

Obserwowanie, jak komórki zmieniają się w czasie

Każdy narząd w naszych ciałach zbudowany jest z komórek, które na początku wyglądały prawie identycznie, a potem stopniowo przyjmowały różne role. Biolodzy chcieliby obserwować te zmiany w czasie rzeczywistym, ale obecne metody pomiarowe niszczą komórki, które badają. Ten przeglądowy artykuł opisuje, jak nowy rodzaj narzędzia sztucznej inteligencji, zwany Neural Ordinary Differential Equations, może pomóc odtworzyć ukryte historie zmian z nieruchomych migawkek — potencjalnie poprawiając nasze rozumienie rozwoju, chorób i działania terapii.

Od zdjęć po żywe filmy

Nowoczesne technologie sekwencjonowania pojedynczych komórek mierzą aktywność tysięcy genów w pojedynczych komórkach, generując ogromne tabele liczb. Każdy wiersz odpowiada komórce, każda kolumna — genowi. Jednak każda komórka jest mierzona tylko raz, więc naukowcy mają zbiór zdjęć zamiast filmu pokazującego, jak dana komórka zmienia się w czasie. Wczesne podejścia próbowały uporządkować te migawki w plausybilnej kolejności za pomocą „pseudoczasu”, układając komórki wzdłuż ścieżek rozwojowych na podstawie podobieństwa ich wzorców aktywności genów. To ujawniło ogólne trasy różnicowania komórek, ale miało trudności, gdy komórki rozgałęziały się w wiele losów lub podążały złożonymi, pętlowymi ścieżkami.

Opisywanie zmiany komórki jako ruchu w krajobrazie

Aby wyjść poza proste uporządkowania, badacze opisują komórki jako punkty poruszające się po krajobrazie: pozycja koduje aktualny stan aktywności genów, a „pęd” odzwierciedla, jak ten stan się zmienia. Klasyczne narzędzia, takie jak RNA velocity, szacują, dokąd komórka zmierza, porównując różne formy RNA w jej wnętrzu. Inne metody rekonstruują pola wektorowe — mapy strzałek pokazujących, w którym kierunku prawdopodobnie porusza się punkt w tej przestrzeni. Metody te zaczęły ujawniać, jak sieci genowe popychają komórki ku określonym losom i jak niestabilne regiony krajobrazu mogą sygnalizować nadchodzące decyzje. Jednak wiele modeli opiera się na silnych uproszczeniach dotyczących interakcji genów i często nie potrafi wygenerować w pełni ciągłych ścieżek zgodnych z danymi populacyjnymi w wielu punktach czasowych.

Neural ODEs: uczenie reguł zmian

Neural ODEs oferują elastyczny sposób uczenia się podstawowych reguł rządzących ruchem komórek w tym krajobrazie. Zamiast narzucać wzory z góry, sieć neuronowa uczy funkcji, która mówi, dla dowolnego stanu komórki, jak ten stan zmieni się dalej. Rozwiązywacz równań różniczkowych zwyczajnych (ODE) następnie śledzi pełne trajektorie w czasie. Ramy te zostały zaadaptowane do kilku zadań związanych z danymi pojedynczych komórek: inferencji ścieżek rozwojowych, wykrywania zdarzeń rozgałęzienia, identyfikowania niestabilnych lub „zaprzyjaźnionych” stanów, a nawet odzyskiwania sieci regulacji genów — relacji przyczyna-skutek między genami, które wzajemnie się włączają lub wyłączają. Zachęcając do prostoty i skąpości uczonych reguł, niektóre metody potrafią zaproponować zwarte diagramy regulacyjne, łatwiejsze do interpretacji i przetestowania eksperymentalnego.

Generatywne przepływy: dopasowywanie populacji w czasie

Inny nurt badań traktuje problem na poziomie populacji zamiast śledzenia poszczególnych komórek. Celem jest nauczenie się, jak cała dystrybucja stanów komórek w jednym czasie przekształca się w dystrybucję w czasie późniejszym. Techniki z optymalnego transportu, pierwotnie opracowane do znalezienia najtańszego sposobu przesunięcia masy z jednego kształtu do drugiego, zostały połączone z Neural ODEs i pokrewnymi modelami „przepływu”. Ciągłe normalizujące przepływy oraz nowsze, bardziej wydajne metody „flow matching” uczą bezpośrednio pól wektorowych, które przesuwają jedną populację komórek w drugą, bez konieczności ponownego uruchamiania kosztownych symulacji podczas treningu. Podejścia te radzą sobie z nieregularnym próbkowaniem, hałaśliwymi pomiarami, a nawet z dynamiką stochastyczną (częściowo losową), oferując modele generatywne, które mogą symulować realistyczne przyszłe populacje lub rekonstruować prawdopodobne stany przeszłe.

Możliwości i otwarte pytania

Mimo obiecujących perspektyw, modele te mierzą się z istotnymi wyzwaniami. Rozróżnienie rzeczywistej przyczyny i skutku od samej korelacji w sieciach genowych jest trudne, zwłaszcza gdy niektóre wpływające czynniki są nieobserwowane. Badacze dążą również do tego, aby Neural ODEs nie ograniczały się jedynie do dopasowywania widocznych danych, lecz uczyły prawdziwych, ogólnych praw, które potrafią przewidywać odpowiedzi na nowe warunki, takie jak wyłączenia genów czy leczenie farmakologiczne. Radzenie sobie z szumem, losowością i wieloma nakładającymi się typami danych — na przykład łączeniem aktywności genów z lokalizacją przestrzenną lub innymi warstwami molekularnymi — pozostaje aktywnym obszarem badań. Mimo to te same idee są już stosowane poza genomiką, na przykład do dynamiki serca, zachowania leków w organizmie czy medycznych szeregów czasowych.

Dlaczego to ma znaczenie dla zdrowia i chorób

Dla niespecjalisty kluczowy przekaz jest taki, że Neural ODEs i modele flow-matching pozwalają naukowcom zamienić statyczne pomiary komórek w dynamiczne opowieści. Zamiast znać tylko wygląd komórek na kilku odizolowanych etapach, narzędzia te pomagają wnioskować, jak komórki prawdopodobnie poruszają się po swoim krajobrazie rozwojowym, które przełączniki w ich obwodach genowych napędzają te ruchy i jak interwencje mogą je przekierować. W dłuższej perspektywie takie modele mogą umożliwić eksperymenty in silico przewidujące, jak komórka macierzysta może zostać popchnięta w stronę pożądanego typu, jak populacja komórek guza będzie ewoluować pod wpływem leczenia, czy jak złożone terapie wpływają na całe ekosystemy komórkowe — przybliżając nas do mechanistycznego, predykcyjnego rozumienia życia na poziomie pojedynczej komórki.

Cytowanie: 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

Słowa kluczowe: dynamika pojedynczych komórek, neural ODEs, różnicowanie komórek, modele generatywne, optymalny transport