Ein internationales Forschungsteam unter Beteiligung von Helmholtz Munich, der Technischen Universität München (TUM) und der Universität Oxford hat ein KI-basiertes Modell entwickelt, das Entwicklungswege einzelner Zellen analysieren und gezielte Eingriffe in die Genregulation simulieren kann. Das Modell mit dem Namen „RegVelo“ wurde jetzt im Fachjournal Cell veröffentlicht.

Ziel der Forschenden ist es, besser zu verstehen, wie sich unreife Zellen während der Entwicklung zu spezialisierten Zelltypen wie Nerven-, Blut- oder Pigmentzellen entwickeln. Moderne Einzelzelltechnologien liefern bereits detaillierte Informationen darüber, welche Gene in einzelnen Zellen aktiv sind. Bisher war jedoch nur eingeschränkt nachvollziehbar, welche regulatorischen Gene diese Prozesse steuern und wie sich Veränderungen einzelner Gene auf die Zellentwicklung auswirken.

Genau hier setzt RegVelo an: Das KI-Modell kombiniert datengetriebene Analysen mit biologischen Netzwerkmodellen und erkennt nicht nur, welche Gene aktiv oder inaktiv werden, sondern auch, wie Gene gegenseitig regulierend aufeinander wirken. Dadurch lassen sich Entwicklungswege von Zellen simulieren und mögliche Folgen genetischer Eingriffe vorhersagen.

Die Forschenden testeten das Modell unter anderem an der Entwicklung von Neuralleistenzellen im Zebrafisch-Embryo. RegVelo identifizierte dabei bekannte regulatorische Mechanismen und entdeckte zusätzlich bislang wenig untersuchte Kandidaten. Experimentelle Tests bestätigten zentrale Vorhersagen des Modells.

Die Grundlage von RegVelo bildet die sogenannte RNA-Velocity-Methode, mit der sich Entwicklungsrichtungen einzelner Zellen aus Genaktivitäten ableiten lassen. Das neue Modell erweitert diesen Ansatz um genregulatorische Netzwerke und ermöglicht dadurch deutlich präzisere Vorhersagen biologischer Prozesse.

Langfristig sehen die Forschenden darin einen wichtigen Schritt hin zu virtuellen Zellmodellen, die helfen könnten, Krankheitsmechanismen besser zu verstehen und neue therapeutische Ansätze zu identifizieren. Die Arbeit zeigt zugleich das Potenzial hybrider KI-Systeme, die datengetriebene Methoden mit biologischem Fachwissen verbinden.