MIT-Ingenieure nutzen Deep Learning, um die frühe Embryonalentwicklung Zelle für Zelle vorherzusagen

Das Rätsel, wie sich Zellen in den frühesten Lebensphasen zu Geweben und Organen zusammenfügen, beschäftigt Entwicklungsbiologen schon seit langem. Es ist, als würde man einem komplexen Tanz zellulärer Aktivität zusehen, bei dem sich Zellen in einem sorgfältig koordinierten Prozess verschieben, teilen und wachsen. In diesem faszinierenden Tanz sahen Ingenieure am MIT eine Chance – in der Embryonalentwicklung.

Wegweisende Arbeit im Bereich prädiktiver zellulärer Modelle

Ein Team des MIT hat in diesem Bereich einen entscheidenden Beitrag geleistet, indem es eine Methode entwickelt hat, mit der sich das Verhalten einzelner Zellen im frühesten Stadium der Embryonalentwicklung der Fruchtfliege vorhersagen lässt. Diese Methode, über die in einem in „Nature Methods“ veröffentlichte Studie, verfolgt die Zellen im Minutentakt und könnte einen entscheidenden Beitrag zum Verständnis der Entwicklung komplexerer Organismen leisten. Es könnte sich zudem als entscheidend für die Erkennung früher Anzeichen von Krankheiten wie Asthma und Krebs erweisen.

Die Ingenieure entwickelten ein Deep-Learning-Modell, das hochauflösende Videos von Embryonen der Fruchtfliege analysieren kann, die jeweils als Zellklumpen mit etwa 5.000 Zellen beginnen. Dieses Modell sagt voraus, wie sich jede Zelle während der entscheidenden ersten Stunde der Embryonalentwicklung faltet, teilt und neu anordnet. Das Forschungsteam bezeichnete diese Anfangsphase als ‘Gastrulation’, in der sich einzelne Zellen im Minutentakt neu anordnen. Ming Guo, außerordentlicher Professor für Maschinenbau am MIT und Mitautor der Studie, merkte an, dass die Modellierung dieses Zeitraums ein tiefgreifendes Verständnis dafür ermöglicht, wie lokale Zellinteraktionen zur Bildung von Geweben und Organismen im Gesamtkontext beitragen.

Beeindruckenderweise erzielte das Modell bei der Vorhersage des dynamischen Verhaltens einzelner Zellen eine Genauigkeit von 90%. Dies bietet einen beispiellosen Einblick darin, wie ein scheinbar einheitlicher Embryo beginnt, einzigartige Strukturen zu entwickeln. Neben Fruchtfliegen sieht das Team auch Potenzial darin, dieses Modell auf andere Arten wie Zebrafische und Mäuse anzuwenden, um universelle Muster in der Embryonalentwicklung zu identifizieren.

Eine Revolution in der Erkennung und Behandlung von Krankheiten

Das innovative Modell könnte sich zudem als entscheidend für das Verständnis der mit Krankheiten verbundenen abnormen Gewebebildung erweisen. Laut Haiqian Yang, Doktorand am MIT und Mitautor der Studie, weisen asthmatische Gewebe bei der Live-Bildgebung eine andere Zelldynamik auf, und das Modell könnte diese subtilen dynamischen Unterschiede erfassen. Diese umfassende Darstellung des Gewebeverhaltens könnte möglicherweise die Diagnostik oder Tests zur Wirkstoffsuche verbessern.

In einem Forschungsgebiet, in dem Wissenschaftler die Embryonalentwicklung traditionell entweder als Punktwolke modellieren – wobei jede Zelle als sich bewegender Punkt betrachtet wird – oder als Schaum, bei dem Zellen als gleitende Blasen dargestellt werden, entschieden sich Guo und Yang dafür, diese beiden Modelle zu kombinieren. Auf diese Weise gelang es ihnen, eine Dual-Graph-Struktur zu schaffen, die es dem Modell ermöglicht, detaillierte Eigenschaften zu erfassen, wie beispielsweise die Position des Zellkerns, seine Interaktion mit benachbarten Zellen und ob sich die Zelle zu einem bestimmten Zeitpunkt faltet oder teilt.

Das Modell auf die Probe stellen

Für das Training des Modells verwendeten die Forscher seltene, hochauflösende Videos der Gastrulation von Fruchtfliegen, die von der University of Michigan zur Verfügung gestellt wurden. Anschließend nutzten sie drei dieser Videos für das Training und testeten das Modell anhand des vierten. Das Ergebnis war hervorragend: Das Modell sagte nicht nur die Veränderungen in jeder Zelle genau voraus, sondern auch den zeitlichen Ablauf – auf die Minute genau.

Obwohl das Modell für eine breitere Anwendung in anderen mehrzelligen Systemen, einschließlich menschlicher Gewebe, bereit ist, besteht die größte Herausforderung darin, qualitativ hochwertige Daten zu beschaffen. Guo zeigte sich optimistisch und erklärte, dass dieses Modell die Entwicklung vieler weiterer Strukturen vorhersagen könnte, sofern man Zugang zu qualitativ hochwertigen Daten bestimmter Gewebe hätte.

Diese bahnbrechende Studie, die teilweise von den US-amerikanischen National Institutes of Health gefördert wird, verspricht eine Revolution in der Biologie und Medizin. Erfahren Sie mehr darüber, indem Sie den Originalartikel auf MIT News.