Фабиан Тайс предлагает моделировать клетки вместе с их окружением

Фабиан Тайс из исследовательского центра Helmholtz Munich предлагает расширить задачи виртуальных клеток — компьютерных моделей, предсказывающих реакцию живых клеток на вмешательства. По пересказу Latent Space, нужно учитывать соседние клетки и связи между процессами на уровне тканей и органов.

Почему это важно: Исследователям нужен ответ не только на вопрос, как клетка изменится после лекарства или редактирования генов. Следующая задача — подобрать вмешательство, которое переведёт её в нужное состояние.

Повод: Сложные модели реакции клеток на вмешательства нередко уступали простейшим решениям, отмечает Latent Space. Один из таких ориентиров — выдавать одинаковый усреднённый профиль активности генов для разных воздействий. Такой прогноз не учитывает, чем одно воздействие отличается от другого, но может получать высокие оценки.

Проверили: Работа в Nature Biotechnology, вышедшая 1 октября и обсуждаемая в нынешнем материале Latent Space, показывает проблему самих показателей оценки. Активность большинства генов меняется мало, поэтому усреднённый ответ может выглядеть удачным. При более подходящей оценке модели глубокого обучения способны превзойти этот ориентир.

Но: Тайс считает, что задачи на существующих наборах данных недостаточно сложны, чтобы оправдать применение сложных алгоритмов. Он предлагает сосредоточиться на других вопросах: как соседние клетки меняют состояние друг друга и что произойдёт с целой группой клеток после вмешательства.

Детали: Для такого подхода нужны точные данные разных масштабов — от молекул до целого организма. Измерения нужно согласовать между собой и привязать к одним и тем же биологическим структурам. Тогда задача модели — предсказывать, как процессы на этих уровнях влияют друг на друга.

Общая картина: Сбор таких данных Latent Space связывает с инициативой Biohub — некоммерческого исследовательского института на стыке ИИ и биологии. Совокупные обязательства Biohub, американских научных ведомств, Google и Meta* составляют 1,8 млрд долларов. Работа включает развитие методов микроскопии, новые измерения и открытые данные для обучения ИИ.

Что дальше: Министерство энергетики США и Национальные институты здравоохранения США развивают автоматизацию лабораторий. Обсуждаемый подход предполагает цикл, в котором прогнозы модели связаны с экспериментами: результат вмешательства проверяют на клетках, а полученные измерения используют для дальнейшего моделирования.