Wissenschaftler des Stowers Institute for Medical Research, Helmholtz Munich und der Universität Oxford haben einen neuen KI-Ansatz namens RegVelo vorgestellt. Das Framework, dessen Ergebnisse in der Fachzeitschrift Cell veröffentlicht wurden, verbindet zwei bisher getrennte Bereiche der Einzelzellbiologie: die Analyse von zeitlichen Zellveränderungen mit der Aufschlüsselung der genetischen Steuerungsnetzwerke, die diese Prozesse steuern. Das Ziel ist es, nicht nur den Weg einer Zelle vorherzusagen, sondern die spezifischen Gene zu identifizieren, die diese Entscheidung lenken. RegVelo ermöglicht es Forschern, die Entwicklung von Zellen durch Computersimulationen nachzuvollziehen, was den Bedarf an aufwendigen Laborexperimenten reduziert. Im Rahmen der Studie wurde das Modell erfolgreich an neuralen Kammzellen von Zebrafischen getestet, einer Zellpopulation, die für die Bildung von Gesichtshaut, Herz, Nervensystem und Pigmentzellen verantwortlich ist. Die Kombination aus Genexpressionsdaten, RNA-Sequenzierung und der Analyse der Entwicklungsdynamik erlaubte es dem Team, frühe treibende Faktoren für die Zelldifferenzierung zu entdecken. Dabei wurden beispielsweise das Gen tfec als früher Treiber der Pigmentzellbildung und elf1 als bislang unbekannter Regulator dieses Schicksals identifiziert. Diese Vorhersagen konnten durch gezielte Experimente bestätigt werden. Tatjana Sauka-Spengler vom Stowers Institute betont die Bedeutung dieser Forschung für die regenerative Medizin. Das Verständnis der genauen Anweisungen, die eine Zelle in eine bestimmte Richtung lenken, könnte es ermöglichen, Zelltypen im Labor auf natürliche Weise zu erzeugen. Diese könnten dann für Zelltherapien eingesetzt werden. Alejandro Sánchez Alvarado, Leiter des Stowers Institute, hob hervor, dass die Methode es erlaubt, den wahrscheinlichsten Pfad von Zellkomponenten durch Raum und Zeit zu inferieren und diese Dynamiken mittels Deep Learning vorherzusagen. Bisher wurden Methoden zur Schätzung der Zellbewegung, sogenannte RNA-Velocity, und Ansätze zur Untersuchung genetischer Regulationsnetzwerke separat genutzt. Dies führte zu einem Mangel an Einblicken in die zugrundeliegenden Mechanismen. Das neue Framework von RegVelo überbrückt diese Lücke, indem es die Kinetik des Spleißens und die Beziehungen zwischen Genen gemeinsam modelliert. Fabian J. Theis vom Helmholtz Munich erklärt, dass dies es erlaubt, Fragen nach den regulatorischen Interaktionen zu stellen, die die Zellveränderungen vorantreiben, anstatt sich nur auf den aktuellen Zustand der Zelle zu beschränken. Die Anwendung von RegVelo beschränkt sich nicht nur auf die Entwicklung von Zebrafischen. Das Modell wurde erfolgreich auch in anderen Bereichen wie der Zellteilung, der Entstehung von Bauchspeicheldrüsenzellen und der Bildung von Blut- und Muskelzellen getestet. In all diesen Fällen lieferte RegVelo Ergebnisse, die mit oder besser waren als bestehende Top-Methoden. Besondere Stärken zeigt der Ansatz bei der Identifizierung von Regulatoren, die früh in einem Entwicklungsprozess wirken, selbst wenn diese Gene im Endzustand der Zelle nicht mehr stark exprimiert werden. Die praktische Bedeutung von RegVelo liegt in seiner Fähigkeit, als Screening-Tool zu dienen. Da Experimente oft Hunderte von Genen betreffen, wäre das manuelle Testen jedes einzelnen Faktors unpraktisch. RegVelo hilft, die vielversprechendsten Kandidaten für die weitere Untersuchung zu priorisieren. Langfristig könnte diese Methode dazu beitragen, die Ursachen von Entwicklungsstörungen besser zu verstehen und Therapien für Erkrankungen des Herz-Kreislauf-Systems, der Haut oder des Knorpels zu verbessern. Trotz aktueller Einschränkungen in Bezug auf Rechenkosten und Modellannahmen bietet der Ansatz einen überzeugenden Beweis dafür, dass die direkte Verknüpfung von dynamischer Zellmodellierung mit genetischer Regulation die biologische Entdeckung vorantreiben kann.