Представим, что исследователь хочет заранее выяснить, как опухолевая клетка ответит на лекарство. «Виртуальная клетка» обещает превратить этот вопрос в вычисление: дать модели описание клетки и вмешательства и получить прогноз. Но клетка не сводится к набору показателей. Гены связаны регуляторными сетями и сигнальными путями, а их активность меняется. Поэтому одно и то же вмешательство может запустить разные цепочки событий в разных клетках.

В интервью Phys.org вычислительный биолог Кристина Лесли из онкологического центра Memorial Sloan Kettering объясняет, чего, по её мнению, не хватает нынешним моделям. Чтобы понять, насколько далеко продвинулся подход, сопоставим её слова с рецензированной работой группы о модели DynaVelo. Авторы проверили её предсказания на генетических вмешательствах в одном типе мышиных иммунных клеток. Ответ на лекарства в этом исследовании не изучали.

Клетка не похожа на строку текста

Модели искусственного интеллекта находят закономерности, сжимая сложные данные в компактные представления. Но гены не выстроены друг за другом, как слова в предложении. Их активность регулируется: сигналы согласованно воздействуют на группы генов, а транскрипционные факторы влияют на доступность участков генома. Если модель учитывает только статистическое сходство между клетками и вмешательствами, она может хорошо описывать знакомые данные, но ошибиться при прогнозе незнакомого воздействия.

Лесли указывает на конкретный пробел: модели должны лучше описывать связь между вмешательством, сигнальными путями и последующими изменениями активности генов. По её оценке, простое объединение числовых представлений клетки и вмешательства не передаёт биологические процессы, от которых зависит клеточный ответ. Это экспертная оценка из интервью, а не результат сравнительной проверки всех существующих моделей.

Что проверила DynaVelo

В статье, опубликованной в Nature Biotechnology, Ализера Карбалайгаре, Бенедикт Пельцер, Кристофер Р. Чин, Ари Мелник, Дарко Баришич и Кристина С. Лесли представили модель DynaVelo. Статья вышла онлайн 21 октября 2026 года; полный текст доступен по открытой лицензии. Авторы обучили генеративную модель на данных, которые одновременно измеряют экспрессию РНК и доступность участков ДНК, связанных с мотивами транскрипционных факторов, в отдельных клетках. Такие совместные измерения называют одно-клеточными мультиомными данными.

Есть важная оговорка: исходные данные представляют собой один временной срез, то есть снимок клеток в определённый момент. Модель восстанавливает предполагаемое направление изменений, опираясь в том числе на оценки «скорости» РНК для части генов. Это не видеозапись одной и той же клетки во времени. Авторы прямо отмечают, что оценки скорости РНК могут быть неустойчивыми и доступны лишь для некоторых генов.

Команда изучала герминативные B-клетки мышей: клетки дикого типа и клетки с гетерозиготными нарушениями генов Arid1a или Ctcf. Затем исследователи смоделировали генетические вмешательства. При потере Arid1a модель предложила три возможные мишени для восстановления изучаемого клеточного фенотипа: Ctcf, Stat3 и Bcl6. Авторы проверили эти предсказания на мышах и сообщили, что изменения по каждой из трёх мишеней восстанавливали фенотип в этой системе.

Это содержательная проверка: вычислительная гипотеза привела к конкретным экспериментам, а не осталась траекторией на графике. Однако результат не означает, что DynaVelo уже надёжно прогнозирует любые вмешательства. Исследование охватывало определённый тип клеток и конкретные генетические изменения. Ответ на лекарства не проверяли; применимость результатов к другим тканям, организмам или клиническим условиям не установлена.

Почему предсказание ещё нужно проверять

В данных об отдельных клетках одновременно меняются многие признаки. Поэтому связь между геном и состоянием клетки сама по себе не доказывает, что именно этот ген вызвал изменение. Авторы DynaVelo называют отдельной трудностью различение причинных регуляторов и некаузальных факторов, а также влияние смешивающих переменных. Даже сложная модель может предложить убедительное причинное объяснение для данных, которые показывают корреляции, но не дают прямого ответа о механизме.

В DynaVelo авторы учитывают эту проблему несколькими способами: объединяют два типа молекулярных измерений, задают динамическую структуру и сопоставляют предсказания с генетическими экспериментами. Но временную картину всё равно выводят из одного снимка, а часть ориентира для динамики даёт метод с признанными ограничениями. Авторы также отмечают, что настройки модели зависят от биологической системы и от того, насколько исследователь доверяет исходным оценкам скорости РНК.

Практический смысл виртуальной клетки сейчас скорее в том, чтобы сузить список проверяемых гипотез. Модель может подсказать, какие вмешательства стоит испытать в лаборатории, но сама по себе не устанавливает, что лекарство сработает, безопасно или будет действовать так же у человека. Как и в других исследованиях, где вывод зависит от того, что именно измеряли и с чем сравнивали, границы результата важно читать вместе с его условиями. Например, в разборе того, почему лабораторные показатели нельзя свести к отметкам «норма» и «отклонение», показано, как контекст меняет смысл измерения.

Пока «виртуальная клетка» не цифровой двойник, способный заменить лабораторию. Это модель, которая помогает превратить данные о клетке в гипотезы, проверяемые экспериментом. Убедительность прогноза зависит не от того, насколько правдоподобно он выглядит на экране, а от того, подтверждается ли он вмешательством в конкретной биологической системе.

Источники

Схема показывает путь от одно-клеточных мультиомных данных через вычислительную модель к экспериментальной проверке генетического вмешательства и подчёркивает, что результат относится к изученной системе мышиных B-клеток.

Фото: Artem Podrez / Pexels