Jede Zelle eines Embryos wird zum Teil durch die chemischen Signale zu dem, was sie ist, die sie unterwegs empfangen hat, doch diese Signale hinterlassen keine offensichtlichen Spuren. Herauszufinden, welche wann wirkten, erfordert meist langsame Tierversuche, ein Signalweg und ein Zelltyp nach dem anderen, und in menschlichem Gewebe ist es nahezu unmöglich. Ein Team am Whitehead Institute des MIT hat ein neuronales Netz namens IRIS gebaut, das diese Geschichte stattdessen aus der Genaktivität einer Zelle liest. Die Arbeit erschien am 8. September 2026 in Nature Methods.
Der zentrale Befund: Jeder Signalweg hinterlässt ein erkennbares Muster in der Genaktivität, das über sehr verschiedene Zelltypen hinweg weitgehend gleich aussieht. Das widerspricht der verbreiteten Annahme, Reaktionen seien zelltypspezifisch, und macht die Übertragung erst möglich. Das Team um Pulin Li und den Doktoranden Nicholas Hutchins setzte Tausende menschlicher embryonaler Stammzellen in mehreren Stadien Dutzenden Kombinationen von sechs wichtigen Entwicklungssignalwegen aus, darunter WNT, BMP, FGF, Retinsäure und Hedgehog, und trainierte IRIS mit dem daraus entstandenen Atlas. Li vergleicht es mit einem Sprachassistenten, der vor allem auf Englisch trainiert ist und dennoch andere Sprachen erkennt.
Die Tests heben die Arbeit hervor. Angewandt auf einzelne Zellen aus Mausembryonen in der Gastrulation, bestimmte IRIS korrekt, wann und wo Signalwege in Zellen auf dem Weg zu Herz, Darm, Muskel und Rückenmark aktiv wurden. Es sagte zudem voraus, dass WNT-Signale frühe mesenchymale Zellen zu einer lungenunterstützenden Identität lenken, was das Team an kultiviertem Vorderdarmgewebe von Mäusen bestätigte. Mit dieser Vorhersage passten die Forschenden dann ein veröffentlichtes Stammzellprotokoll für respiratorisches Mesenchym an, ein Schritt hin zu Lungenorganoiden mit verzweigter Struktur.
Für alle, die KI in der Wissenschaft verfolgen, ist das ein nützliches Gegengewicht zu den großen Allzweckmodellen, über die wir meist berichten. IRIS ist ein kleines, eigens gebautes Netz, dessen Wert aus einem sorgfältig entworfenen Experiment stammt, das seine Trainingsdaten erzeugt, und es wurde an echten Embryonen geprüft statt an Benchmarks. Es gehört zum selben breiten Trend wie die agentengestützte Biologie von Google DeepMind und OpenAI, doch seine Aussagen sind enger gefasst und besser getestet.
Es gibt Grenzen. Die Vorhersagen decken sechs Signalwege ab, und die Autoren stellten selbst fest, dass ältere Methoden mit Markergenen bei einigen schlecht funktionierten, ein Hinweis, dass manche Signalwege schwerer zu lesen sind als andere. WNT allein zu verändern, so schreiben sie, wird kaum Lungenzellen hervorbringen, die denen im Körper voll entsprechen. Die Trainingsdaten sind öffentlich, aber weder der MIT-Artikel noch der von uns gelesene Text des Papers verweist auf eine Veröffentlichung des Codes, und davon hängt ab, wie schnell andere Labore es nutzen können. Ganze menschliche Embryonen zu kartieren, das erklärte Ziel des Teams, steht noch aus.