IRIS è un modello di rete neurale sviluppato da un team del MIT guidato da Pulin Li e dal dottorando Nicholas Hutchins. L’idea chiave è che ogni via di segnalazione lascia dietro una “impronta” unica nell’attività genica delle cellule, una firma che resta costante tra tipi cellulari differenti. Ciò significa che non è necessario mappare ogni via in ogni tipo cellulare: è possibile ricostruiree la storia di segnali in diverse cellule partendo da firme condivise per la stessa via di segnalazione. I ricercatori hanno addestrato IRIS su dati di cellule staminali umane esposte a combinazioni di sei vie di segnalazione in diversi stadi di sviluppo e hanno testato il modello su cellule di embrioni di topo durante la gastrulation, riuscendo a prevedere quando e dove specifiche vie si attivano in cellule destinate a diventare cuore, intestino, muscolo e midollo spinale. L’approccio, basato sull’apprendimento automatico, potrebbe accelerare la creazione di modelli cellulari in laboratorio, utili per studiare malattie e testare terapie, oltre a guidare lo sviluppo di tessuti e organoidi per applicazioni regenerative.

Gli autori sottolineano che IRIS permette un “trasferimento” di conoscenza tra tipi cellulari, analogamente al transfer learning, aprendo la possibilità di mappare la storia di segnali in un’ampia gamma di contesti biologici senza dover replicare esperimenti per ogni tipo cellulare. L’articolo, pubblicato su Nature Methods, rappresenta un avanzamento significativo nel campo della biologia computazionale e potrebbe contribuire a una comprensione più approfondita dei meccanismi di sviluppo e di malattie complesse come le malattie polmonari o il cancro, offrendo una base per nuove strategie di ingegneria dei tessuti.

In futuro, i ricercatori auspicano di estendere IRIS a atlas di segnali ancora più completi, migliorando l’accuratezza delle previsioni e esplorando applicazioni in medicina rigenerativa e farmacologia. Il lavoro combina biologica sperimentale e tecniche di machine learning, dimostrando come l’intelligenza artificiale possa diventare uno strumento indispensabile per decifrare il linguaggio della vita a livello cellulare.

Fonte: https://news.mit.edu/2026/ai-model-decodes-language-cells-use-communicate-1015