Modelos generativos da dinâmica celular: de Neural ODEs a flow matching

Observando Células Mudar ao Longo do Tempo

Cada órgão em nossos corpos é formado por células que, originalmente, pareciam quase idênticas e depois foram assumindo papéis diferentes. Biólogos gostariam de acompanhar cada uma dessas células mudando em tempo real, mas os métodos atuais de medição destroem as células que analisam. Este artigo de revisão explora como um novo tipo de ferramenta de inteligência artificial, chamada Neural Ordinary Differential Equations, pode ajudar a reconstruir essas histórias ocultas de mudança a partir de instantâneos estáticos — potencialmente melhorando nossa compreensão do desenvolvimento, da doença e de como tratamentos atuam.

De Instantâneos a Filmes Vivos

As tecnologias modernas de sequenciamento de célula única podem medir a atividade de milhares de genes em células individuais, produzindo enormes tabelas de números. Cada linha corresponde a uma célula, cada coluna a um gene. Mas cada célula é medida apenas uma vez, de modo que os cientistas ficam com uma coleção de fotos estáticas em vez de um filme de como qualquer célula muda ao longo do tempo. Abordagens iniciais tentaram ordenar esses instantâneos de forma plausível usando “pseudotempo”, organizando células ao longo de trajetórias de desenvolvimento com base na semelhança de seus padrões de atividade gênica. Isso ajudou a revelar rotas amplas de diferenciação celular, mas teve dificuldade quando as células bifurcavam em múltiplos destinos ou seguiam caminhos complexos e em laço.

Descrever a Mudança Celular como Movimento em uma Paisagem

Para ir além de ordenações simples, os pesquisadores descrevem as células como pontos se movendo através de uma paisagem: a posição codifica o estado atual de atividade gênica e o “momento” reflete como esse estado está mudando. Ferramentas clássicas, como RNA velocity, estimam para onde uma célula tende a seguir comparando diferentes formas de RNA dentro dela. Outros reconstruíram campos vetoriais — mapas de setas que mostram, em cada ponto desse espaço, a provável direção do movimento. Esses métodos começaram a revelar como redes gênicas conduzem as células a destinos específicos e como regiões instáveis na paisagem podem sinalizar decisões iminentes. No entanto, muitos desses modelos fazem simplificações fortes sobre como genes interagem e frequentemente não conseguem gerar trajetórias contínuas que correspondam aos dados populacionais em múltiplos pontos temporais.

Neural ODEs: Aprendendo as Regras da Mudança

Neural ODEs oferecem uma forma flexível de aprender as regras subjacentes que governam o movimento celular nessa paisagem. Em vez de prescrever fórmulas antecipadamente, uma rede neural aprende uma função que indica, para qualquer estado celular, como esse estado mudará a seguir. Um solucionador de EDO então traça trajetórias completas ao longo do tempo. Esse arcabouço foi adaptado para várias tarefas de célula única: inferir caminhos de desenvolvimento, destacar eventos de ramificação, identificar estados instáveis ou “pré-dispostos” e até recuperar redes de regulação gênica — as relações de causa e efeito entre genes que ativam ou reprimem uns aos outros. Ao incentivar que as regras aprendidas sejam simples e esparsas, alguns métodos podem propor diagramas regulatórios compactos, mais fáceis de interpretar e testar experimentalmente.

Fluxos Gerativos: Correspondendo Populações ao Longo do Tempo

Outro conjunto de trabalhos trata o problema em nível populacional, em vez de rastrear células individuais. Aqui, o objetivo é aprender como a distribuição inteira de estados celulares em um tempo se transforma na distribuição em um tempo posterior. Técnicas de transporte ótimo, originalmente desenvolvidas para encontrar a maneira mais barata de mover massa de uma forma para outra, foram combinadas com Neural ODEs e modelos relacionados de “fluxo”. Flows contínuos normalizantes e os métodos mais novos e eficientes de “flow matching” aprendem diretamente campos vetoriais que movem uma população celular para outra, sem reexecutar simulações caras durante o treinamento. Essas abordagens lidam com amostragem irregular, medições ruidosas e até dinâmicas estocásticas (parcialmente aleatórias), oferecendo modelos generativos que podem simular populações futuras realistas ou reconstruir estados passados prováveis.

Oportunidades e Questões em Aberto

Apesar de seu potencial, esses modelos enfrentam desafios importantes. Distinguir causa e efeito genuínos de mera correlação em redes gênicas é difícil, especialmente quando alguns fatores influentes não são observados. Pesquisadores também estão levando Neural ODEs além de ajustar os dados observados para, de fato, aprender leis gerais capazes de prever respostas a novas condições, como knockouts gênicos ou tratamentos farmacológicos. Lidar com ruído, aleatoriedade e múltiplos tipos de dados sobrepostos — por exemplo, combinar atividade gênica com localização espacial ou outras camadas moleculares — continua sendo uma área ativa de pesquisa. Ainda assim, as mesmas ideias já estão sendo aplicadas além da genômica, por exemplo à dinâmica cardíaca, ao comportamento de fármacos no organismo e a séries temporais médicas.

Por Que Isso Importa para Saúde e Doença

Para o leitor não especialista, a mensagem principal é que Neural ODEs e modelos de flow matching permitem aos cientistas transformar medições estáticas de células em histórias dinâmicas. Em vez de apenas saber como as células se parecem em alguns estágios isolados, essas ferramentas ajudam a inferir como as células provavelmente se moverão por sua paisagem de desenvolvimento, quais comutadores em seus circuitos gênicos impulsionam esses movimentos e como intervenções poderiam redirecioná-los. A longo prazo, tais modelos poderiam possibilitar experimentos in-silico que prevejam como uma célula-tronco pode ser estimulada para se tornar um tipo desejado, como a população celular de um tumor evoluirá sob tratamento ou como terapias complexas afetam ecossistemas celulares inteiros — aproximando-nos de uma compreensão mecanicista e preditiva da vida ao nível da célula única.

Citação: 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

Palavras-chave: dinâmica de célula única, Neural ODEs, diferenciação celular, modelos generativos, transporte ótimo