in \u201eNature Methods\u201c ver\u00f6ffentlichte Studie<\/a>, verfolgt die Zellen im Minutentakt und k\u00f6nnte einen entscheidenden Beitrag zum Verst\u00e4ndnis der Entwicklung komplexerer Organismen leisten. Es k\u00f6nnte sich zudem als entscheidend f\u00fcr die Erkennung fr\u00fcher Anzeichen von Krankheiten wie Asthma und Krebs erweisen.<\/p>\nDie Ingenieure entwickelten ein Deep-Learning-Modell, das hochaufl\u00f6sende 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 w\u00e4hrend der entscheidenden ersten Stunde der Embryonalentwicklung faltet, teilt und neu anordnet. Das Forschungsteam bezeichnete diese Anfangsphase als \u2018Gastrulation\u2019, in der sich einzelne Zellen im Minutentakt neu anordnen. Ming Guo, au\u00dferordentlicher Professor f\u00fcr Maschinenbau am MIT und Mitautor der Studie, merkte an, dass die Modellierung dieses Zeitraums ein tiefgreifendes Verst\u00e4ndnis daf\u00fcr erm\u00f6glicht, wie lokale Zellinteraktionen zur Bildung von Geweben und Organismen im Gesamtkontext beitragen.<\/p>\n
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 M\u00e4use anzuwenden, um universelle Muster in der Embryonalentwicklung zu identifizieren.<\/p>\n
Eine Revolution in der Erkennung und Behandlung von Krankheiten<\/h5>\n
Das innovative Modell k\u00f6nnte sich zudem als entscheidend f\u00fcr das Verst\u00e4ndnis 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 k\u00f6nnte diese subtilen dynamischen Unterschiede erfassen. Diese umfassende Darstellung des Gewebeverhaltens k\u00f6nnte m\u00f6glicherweise die Diagnostik oder Tests zur Wirkstoffsuche verbessern.<\/p>\n
In einem Forschungsgebiet, in dem Wissenschaftler die Embryonalentwicklung traditionell entweder als Punktwolke modellieren \u2013 wobei jede Zelle als sich bewegender Punkt betrachtet wird \u2013 oder als Schaum, bei dem Zellen als gleitende Blasen dargestellt werden, entschieden sich Guo und Yang daf\u00fcr, diese beiden Modelle zu kombinieren. Auf diese Weise gelang es ihnen, eine Dual-Graph-Struktur zu schaffen, die es dem Modell erm\u00f6glicht, 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.<\/p>\n
Das Modell auf die Probe stellen<\/h5>\n
F\u00fcr das Training des Modells verwendeten die Forscher seltene, hochaufl\u00f6sende Videos der Gastrulation von Fruchtfliegen, die von der University of Michigan zur Verf\u00fcgung gestellt wurden. Anschlie\u00dfend nutzten sie drei dieser Videos f\u00fcr das Training und testeten das Modell anhand des vierten. Das Ergebnis war hervorragend: Das Modell sagte nicht nur die Ver\u00e4nderungen in jeder Zelle genau voraus, sondern auch den zeitlichen Ablauf \u2013 auf die Minute genau.<\/p>\n
Obwohl das Modell f\u00fcr eine breitere Anwendung in anderen mehrzelligen Systemen, einschlie\u00dflich menschlicher Gewebe, bereit ist, besteht die gr\u00f6\u00dfte Herausforderung darin, qualitativ hochwertige Daten zu beschaffen. Guo zeigte sich optimistisch und erkl\u00e4rte, dass dieses Modell die Entwicklung vieler weiterer Strukturen vorhersagen k\u00f6nnte, sofern man Zugang zu qualitativ hochwertigen Daten bestimmter Gewebe h\u00e4tte.<\/p>\n
Diese bahnbrechende Studie, die teilweise von den US-amerikanischen National Institutes of Health gef\u00f6rdert wird, verspricht eine Revolution in der Biologie und Medizin. Erfahren Sie mehr dar\u00fcber, indem Sie den Originalartikel auf MIT News.<\/a><\/p>","protected":false},"excerpt":{"rendered":"The mystery of how cells come together to form tissues and organs during the earliest stages of life has long puzzled developmental biologists. It’s like watching an intricate dance of cellular activity as cells shift, split, and grow in a carefully coordinated process. Into this fascinating dance, engineers at MIT saw a window \u2014in embryonic development. Pioneering Work in Predictive Cellular Models A team from MIT has made a pivotal contribution in this realm by creating a method to predict how individual cells behave during the earliest stage of fruit fly embryo development. This method, reported in a study published […]<\/p>\n","protected":false},"author":4,"featured_media":7605,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[47],"tags":[],"class_list":["post-7604","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-news","post--single"],"_links":{"self":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/7604","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/comments?post=7604"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/7604\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media\/7605"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media?parent=7604"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/categories?post=7604"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/tags?post=7604"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}