Генеративные модели динамики клеток: от Neural ODEs до flow matching

Наблюдая, как клетки меняются со временем

Каждый орган в нашем теле построен из клеток, которые когда‑то выглядели почти одинаково, а затем постепенно стали выполнять разные роли. Биологи хотели бы наблюдать за изменением каждой такой клетки в реальном времени, но современные методы измерения разрушают клетки, которые они читают. В этом обзорном материале исследуется, как новый класс инструментов искусственного интеллекта, называемый Neural Ordinary Differential Equations, может помочь восстановить эти скрытые истории изменений по статичным снимкам — что потенциально улучшит наше понимание развития, заболеваний и действия лечебных вмешательств.

От снимков к живым фильмам

Современные технологии секвенирования отдельных клеток могут измерять активность тысяч генов в каждой клетке, выдавая огромные таблицы чисел. Каждая строка соответствует клетке, каждый столбец — гену. Но каждую клетку измеряют только один раз, поэтому учёные получают набор застылых фотографий вместо фильма о том, как меняется одна и та же клетка с течением времени. Ранние подходы пытались упорядочить эти снимки в правдоподобную последовательность, используя «псевдовремя», размещая клетки вдоль траекторий развития на основе схожести их паттернов генетической активности. Это помогло выявить общие пути дифференцировки, но давало сбои, когда клетки ветвились в несколько судьб или следовали сложным, циклическим путям.

Описание изменений клеток как движения в ландшафте

Чтобы выйти за рамки простых упорядочиваний, исследователи описывают клетки как точки, движущиеся по ландшафту: положение кодирует текущее состояние генетической активности, а «импульс» отражает, как это состояние меняется. Классические инструменты, такие как RNA velocity, оценивают, куда клетка направляется дальше, сравнивая разные формы РНК внутри неё. Другие восстанавливают векторные поля — карты со стрелками, показывающими в каждой точке вероятное направление движения. Эти методы начали показывать, как генетические сети ведут клетки к определённым судьбам и как нестабильные области ландшафта могут предвещать предстоящие решения. Однако многие из этих моделей делают сильные упрощения в описании взаимодействий генов и часто не могут генерировать полностью непрерывные траектории, согласующиеся с данными популяций в нескольких временных точках.

Neural ODEs: обучение правилам изменения

Neural ODEs предлагают гибкий способ выучить основные правила, управляющие движением клеток по этому ландшафту. Вместо задания формул заранее, нейронная сеть обучается функции, которая для любого состояния клетки предсказывает, как это состояние изменится далее. Решатель ОДУ затем прокладывает полные траектории во времени. Эта схема была адаптирована для нескольких задач одиночноклеточных данных: вывод путей развития, выделение точек ветвления, идентификация нестабильных или «подготовленных» состояний и даже восстановление генетических регуляторных сетей — причинно‑следственных связей между генами, которые включают и выключают друг друга. Побуждая выученные правила быть простыми и разреженными, некоторые методы предлагают компактные регуляторные диаграммы, которые легче интерпретировать и экспериментально проверять.

Генеративные потоки: согласование популяций во времени

Другой подход рассматривает проблему на уровне популяции, а не отслеживает отдельные клетки. Здесь цель — научиться тому, как вся распределённость состояний клеток в один момент времени преобразуется в распределение в более поздний момент. Приёмы из оптимального транспорта, изначально разработанные для поиска наименьшей стоимости переноса массы из одной формы в другую, были объединены с Neural ODEs и родственными моделями «потока». Непрерывные нормализующие потоки и более новые, более эффективные методы «flow matching» напрямую обучают векторные поля, которые перемещают одну популяцию клеток в другую, без необходимости многократно запускать дорогие симуляции во время обучения. Эти подходы могут работать с нерегулярной выборкой, шумными измерениями и даже стохастической (частично случайной) динамикой, предлагая генеративные модели, способные моделировать реалистичные будущие популяции или реконструировать вероятные прошлые состояния.

Возможности и открытые вопросы

Несмотря на обещания, эти модели сталкиваются с важными вызовами. Различить подлинную причинно‑следственную связь от простой корреляции в генетических сетях сложно, особенно когда некоторые влиятельные факторы не наблюдаются. Исследователи также стремятся вывести Neural ODEs за пределы подгонки под имеющиеся данные к истинному изучению общих законов, способных предсказывать отклики на новые условия, такие как нокауты генов или воздействие лекарств. Работа с шумом, случайностью и множественными перекрывающимися типами данных — например, объединение активности генов с пространственным положением или другими молекулярными слоями — остаётся активной областью исследований. Тем не менее те же идеи уже применяются за пределами геномики, например к динамике сердца, фармакокинетике и медицинским временным рядам.

Почему это важно для здоровья и заболеваний

Для неспециалиста главный вывод таков: Neural ODEs и модели flow matching позволяют учёным превращать статичные измерения клеток в динамичные истории. Вместо того чтобы просто знать, как клетки выглядят на нескольких разрозненных стадиях, эти инструменты помогают вывести, как клетки, вероятно, перемещаются по своему траекторному ландшафту развития, какие переключатели в их генетических схемах управляют этими переходами и как вмешательства могут перенаправить их. В долгосрочной перспективе такие модели могут позволить проводить in silico эксперименты, предсказывающие, как стволовую клетку можно подтолкнуть к желаемому типу, как популяция клеток опухоли будет эволюционировать под лечением или как сложные терапии влияют на целые клеточные экосистемы — приближая нас к механистическому, предсказательному пониманию жизни на уровне отдельных клеток.

Цитирование: 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

Ключевые слова: динамика отдельных клеток, нейронные ОДУ, дифференцировка клеток, генеративные модели, оптимальный транспорт