Нейросеть расшифровала язык, на котором клетки общаются между собой

Каждая клетка эмбриона получает десятки сигналов от соседей — и в зависимости от них решает, становиться ли ей частью сердца, легких или мозга. До сих пор ученые не могли проследить эту цепочку команд универсально: считалось, что для каждого типа клеток сигналы работают по-своему. Новая модель искусственного интеллекта IRIS показала, что это не так — и теперь расшифровать клеточные сигналы можно быстрее и проще, чем раньше.

Сигнальные пути — это каскады химических реакций, которые передают команды от внешней среды внутрь клетки и меняют активность ее генов. Именно они определяют, станет ли стволовая клетка нейроном, мышечным волокном или частью легочной ткани. До сих пор считалось, что влияние одного и того же сигнала сильно зависит от типа клетки, а значит, для каждого типа приходится строить отдельную карту. Это крайне медленно и трудоемко.

Оказалось, каждый сигнальный путь оставляет универсальный «отпечаток» в виде характерного паттерна активности генов. И этот отпечаток сохраняется в разных типах клеток. То есть, вместо того чтобы изучать каждый тип отдельно, можно использовать общий для пути шаблон — и восстанавливать историю сигналов в самых разных клетках.

Для этого ученые разработали нейросетевую модель IRIS. Ее обучили на данных, полученных от тысяч человеческих эмбриональных стволовых клеток, которые подвергались разным комбинациям шести ключевых сигналов на разных стадиях. Так был создан своего рода атлас реакций клеток на сигналы.

Затем модель проверили на мышиных эмбрионах на стадии гаструляции — когда клетки активно специализируются. IRIS смогла предсказать, в каких клетках и в какой момент активируются конкретные сигнальные пути, ведущие к формированию тканей сердца, кишечника, мышц и спинного мозга. Предсказания совпали с реальностью.

Один из показательных экспериментов касался развития легких. Модель указала, что для появления клеток легочной ткани необходима активация определенного сигнального пути. Эксперименты на мышах это подтвердили. Теперь, зная точные сочетания сигналов, ученые смогут точнее получать в лаборатории легочные клетки и создавать их трехмерные модели — органоиды.

Это важно для изучения болезней вроде астмы, фиброза или рака легких, а также для тестирования лекарств. В перспективе такие модели помогут разрабатывать методы регенерации тканей.

Сам подход авторы сравнивают с трансферным обучением — как если бы голосовой помощник, обученный на одном языке, мог бы распознавать другие. IRIS, по сути, учится на одном наборе клеточных данных, а затем применяет знания к новым типам клеток, экономя исследователям годы экспериментальной работы.