Modelo de deep learning prevê formação de moscas-das-frutas célula a célula

MIT engineers desenvolveram um modelo de deep learning para prever, minuto a minuto, como células de embrião de drosófila se dobram, se separam e se rearranjam durante a gastrulação, com cerca de noventa por cento de acerto em vídeos do embrião.
O método dual-graph combina representação de pontos (pontos) e de espuma (foam) para capturar a geometria celular, incluindo posição e contato entre células.
O estudo, publicado na Nature Methods, foi treinado com vídeos de embriões com cerca de cinco mil células e mostrou previsão minuto a minuto do dobramento, deslocamento e rearranjo celular.
Os pesquisadores apontam potencial de aplicação a zebrafish, camundongos e tecidos humanos, mirando também diagnóstico e triagem de fármacos com base em padrões precoces de doença.
Em teste com um vídeo novo, o modelo previu com alta precisão se as células irão dobrar, dividir ou manter o contato com vizinhas, incluindo quando esses eventos ocorrem.

Durante o desenvolvimento inicial de embriões, células se reorganizam para formar tecidos e órgãos. Pesquisadores do MIT desenvolveram um modelo de deep learning que prevê, minuto a minuto, como cada célula se dobra, se divide e se rearranja. A precisão alcançada é de cerca de 90% em vídeos de mosca-das-frutas.

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 células. O método acompanha propriedades como posição celular e contato com vizinhos ao longo do tempo.

O conjunto de dados utilizado envolve embriões de Drosophila com cerca de 5 mil células. O modelo foi treinado em vídeos de alta qualidade com resolução de submicrômetro e validação em um vídeo novo, obtendo previsões minuto a minuto da maioria das células.

Os autores destacam que a fase inicial, a gastrulação, ocorre em aproximadamente uma hora e envolve dinâmicas celulares em escalas de minutos. A abordagem pode, em princípio, ser aplicada a espécies maiores e tecidos humanos.

Entre as aplicações potenciais, está a previsão célula a célula de zebrafish, camundongos e tecidos humanos, apoiando diagnósticos precoces e triagem de fármacos com base em padrões de desenvolvimento.

A equipe integrada por Ming Guo, Haiqian Yang e outros pesquisadores ressalta que o modelo pode identificar padrões comuns entre espécies e revelar diferenças em dinamismo celular associadas a doenças.

A pesquisa é financiada em parte pelo NIH e contou com colaborações da University of Michigan e Northeastern University, entre outras instituições parceiras, ampliando o escopo da análise de desenvolvimento multicelular.