由美国麻省理工学院、密歇根大学与东北大学组成的跨校研究团队，近日在国际顶级期刊《自然·方法》（Nature Methods）上发表突破性成果，正式推出一种名为“MultiCell”的新型几何深度学习框架。
该模型首次达成单细胞尺度下的时间精准建模能力，可动态推演果蝇胚胎发育中每一个细胞在未来每一分钟内的形态演变与行为轨迹。这一进展为构建普适性多细胞发育模拟系统奠定基础，有望推动“数字胚胎”从概念走向实践，进而服务于高通量药物毒性评估、再生医学中的类器官工程乃至人工组织的理性设计。
生命如何从一团均质细胞逐步塑造成具备明确体轴、器官分区与功能分化的完整个体，始终是发育生物学百年来最根本的科学命题之一。尽管细胞分裂、迁移、形变等基本过程已被广泛记录，但对任意给定细胞在下一分钟将执行何种动作（如内陷、分裂、脱离连接或重排邻接关系），仍缺乏定量、可计算的预测手段。
本研究依托四维全胚胎成像数据开展建模——涵盖空间三维结构与时间维度，具备亚微米级空间分辨率及高时间采样率。每套训练样本包含约5000个细胞，全部标注了精确的细胞边界与核定位信息。实测表明，该模型不仅可判别某类行为是否发生，更能以分钟级精度输出其发生时刻，例如准确预估某细胞将在3分42秒后启动内陷。
研究人员将MultiCell与AI蛋白质结构预测标杆“AlphaFold”进行类比：前者基于氨基酸序列推断静态三维构象，后者则从细胞群体的空间构型出发，解析多细胞系统随时间演进的自组织动力学。但由于胚胎发育本质上是高度非线性、连续演化且受多重调控的动态过程，其建模难度远超蛋白质折叠问题。
团队聚焦果蝇早期发育的关键窗口——原肠胚形成期（gastrulation），利用3个独立胚胎视频完成模型训练，并在第4个全新胚胎数据上开展盲测验证。结果显示：模型对细胞间连接解离事件的预测准确率达约90%；对内陷、有丝分裂及拓扑重排等复杂行为的识别与定时预测亦展现出优异性能。
研究团队强调，MultiCell是目前首个能在多细胞自主组装过程中，实现多种行为类型全覆盖、且达单细胞时空精度的预测算法。凭借其对细微细胞运动差异的高度敏感性，该技术未来有望拓展至疾病早期微环境异常识别、靶向发育通路的化合物筛选等临床前应用场景。
当然，当前版本仍存在若干局限：高质量四维胚胎影像数据获取成本高昂、样本数量有限；模型现阶段仅融合几何形态特征，尚未耦合转录组、蛋白定位、信号通路活性等分子层面信息。后续若集成多模态生物数据，将更深入揭示物理构型变化与基因调控网络之间的协同机制。（科技日报）
源码地址：点击下载
