Durante o desenvolvimento inicial de embri\u00f5es, c\u00e9lulas se reorganizam para formar tecidos e \u00f3rg\u00e3os. Pesquisadores do MIT desenvolveram um modelo de deep learning que prev\u00ea, minuto a minuto, como cada c\u00e9lula se dobra, se divide e se rearranja. A precis\u00e3o alcan\u00e7ada \u00e9 de cerca de 90% em v\u00eddeos de mosca-das-frutas.<\/p>\n
O estudo, publicado na Nature Methods, apresenta o modelo de dual-graph, que usa ao mesmo tempo representing de pontos e de espuma para descrever c\u00e9lulas. O m\u00e9todo acompanha propriedades como posi\u00e7\u00e3o celular e contato com vizinhos ao longo do tempo.<\/p>\n
O conjunto de dados utilizado envolve embri\u00f5es de Drosophila com cerca de 5 mil c\u00e9lulas. O modelo foi treinado em v\u00eddeos de alta qualidade com resolu\u00e7\u00e3o de submicr\u00f4metro e valida\u00e7\u00e3o em um v\u00eddeo novo, obtendo previs\u00f5es minuto a minuto da maioria das c\u00e9lulas.<\/p>\n
Os autores destacam que a fase inicial, a gastrula\u00e7\u00e3o, ocorre em aproximadamente uma hora e envolve din\u00e2micas celulares em escalas de minutos. A abordagem pode, em princ\u00edpio, ser aplicada a esp\u00e9cies maiores e tecidos humanos.<\/p>\n
Entre as aplica\u00e7\u00f5es potenciais, est\u00e1 a previs\u00e3o c\u00e9lula a c\u00e9lula de zebrafish, camundongos e tecidos humanos, apoiando diagn\u00f3sticos precoces e triagem de f\u00e1rmacos com base em padr\u00f5es de desenvolvimento.<\/p>\n
A equipe integrada por Ming Guo, Haiqian Yang e outros pesquisadores ressalta que o modelo pode identificar padr\u00f5es comuns entre esp\u00e9cies e revelar diferen\u00e7as em dinamismo celular associadas a doen\u00e7as.<\/p>\n
A pesquisa \u00e9 financiada em parte pelo NIH e contou com colabora\u00e7\u00f5es da University of Michigan e Northeastern University, entre outras institui\u00e7\u00f5es parceiras, ampliando o escopo da an\u00e1lise de desenvolvimento multicelular.<\/p>\n","protected":false},"excerpt":{"rendered":"