L'un des processus les plus fondamentaux de toute la biologie est l'organisation spontanée des cellules en grappes qui se divisent et finissent par se transformer en formes – qu'elles soient des organes, des ailes ou des membres.
Les scientifiques ont longtemps exploré ce processus extrêmement complexe pour fabriquer des organes artificiels ou comprendre la croissance du cancer – mais l'ingénierie unique avec précision pour obtenir un résultat collectif souhaité est souvent un processus d'essai et d'erreur.
Les physiciens appliqués de Harvard considèrent que le contrôle de l'organisation cellulaire et de la morphogenèse est un problème d'optimisation qui peut être résolu avec de nouveaux outils d'apprentissage automatique puissants.
Dans de nouvelles recherches publiées dans Science informatique de la natureles chercheurs de la John A. Paulson School of Engineering and Applied Sciences (Seas) ont créé un cadre de calcul qui peut extraire les règles que les cellules doivent suivre à mesure qu'elles se développent, afin qu'une fonction collective émerge de l'ensemble.
L'ordinateur apprend ces «règles» sous la forme de réseaux génétiques qui guident le comportement d'une cellule, influençant les nombreuses façons dont les cellules se signalent chimiquement, ou les forces physiques qui les font coller ensemble ou se séparer.
Actuellement une preuve de concept, les nouvelles méthodes pourraient être combinées avec des expériences pour permettre aux scientifiques de comprendre et de contrôler comment les organismes se développent à partir du niveau cellulaire.
La recherche a été co-dirigée par l'étudiant diplômé Ramya Deshpande et le chercheur postdoctoral Francesco Mottes. L'auteur principal était Michael Brenner, professeur de catalyseur de mathématiques appliquées et de physique appliquée à la mer.
Différenciation automatique
La recherche de règles que les cellules doivent suivre ont été activées par une technique de calcul appelée différenciation automatique. Cette méthode, qui forme l'épine dorsale de la formation de modèles d'apprentissage en profondeur en intelligence artificielle, se compose d'algorithmes conçus pour calculer efficacement des fonctions très complexes. La différenciation automatique permet à l'ordinateur de détecter l'effet précis qu'un petit changement dans n'importe quelle partie du réseau de gènes aurait sur le comportement du collectif des cellules entières.
Au cours des dernières années, l'équipe de Brenner applique de tels algorithmes à des problèmes au-delà des réseaux de neurones, notamment la conception de matériaux colloïdes d'auto-assemblage, l'amélioration des simulations de dynamique des fluides ou l'ingénierie de certains types de protéines.
Deshpande a déclaré que les principes de l'article pourraient aider à guider les expériences de suivi sur les systèmes physiques des cellules.
Une fois que vous avez un modèle qui peut prédire ce qui se passe lorsque vous avez une certaine combinaison de cellules, de gènes ou de molécules qui interagissent, pouvons-nous alors inverser ce modèle et dire: «Nous voulons que ces cellules se réunissent et font cette chose particulière. Comment pouvons-nous les programmer pour faire ça? ' »
Ramya Deshpande, étudiante diplômée, Harvard John A. Paulson School of Engineering and Applied Sciences
Mottes a déclaré qu'en permettant la mise à l'échelle des modèles de biologie des systèmes basés sur la physique, la différenciation automatique offre une voie prometteuse vers la réalisation du contrôle prédictif nécessaire pour, dans un avenir lointain, à concevoir la croissance des organes – le Saint Graal de la bio-ingénierie informatique.
« Si vous avez un modèle suffisamment prédictif et suffisamment calibré sur les données expérimentales, l'espoir est que vous pouvez simplement dire, par exemple, » Je veux un sphéroïde avec ces caractéristiques. Comment dois-je concevoir mes cellules pour y parvenir? « », A déclaré Mottes.
