← Neueste Arbeiten
📄 Synthetische Biologie

Generative Neuromorphic Programming of Mammalian Cells

Dieses Paper führt ein generatives neuromorphes Programmierframework ein, das RNA-zielgerichtete Endoribonukleasen für die Konstruktion analoger Schaltkreise mit biomorphen neuronalen Netzen zur präzisen Vorhersage und einem „Biocompiler“ für das automatisierte Design kombiniert, was das erfolgreiche Single-Pass-Engineering komplexer, zuvor ungesehener analoger Verhaltensweisen in Säugetierzellen ermöglicht.

Ursprüngliche Autoren: Disset, J., Van De Mark, C., Wachter, G. K. A., Kuo, S.-H., Moorman, A., Xu, W., Palanques Tost, E., Buritica Monroy, A., Belta, C., Weiss, R.

Veröffentlicht 2026-09-22
📖 9 Min. Lesezeit🧠 Tiefgang

Ursprüngliche Autoren: Disset, J., Van De Mark, C., Wachter, G. K. A., Kuo, S.-H., Moorman, A., Xu, W., Palanques Tost, E., Buritica Monroy, A., Belta, C., Weiss, R.

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen

Zellen sind keine einfachen Ein/Aus-Schalter; sie sind hochentwickelte Prozessoren, die ständig mehrere Signale abwägen, um Entscheidungen zu treffen. In der natürlichen Welt kann eine Zelle die Konzentrationen mehrerer verschiedener Proteine wahrnehmen, die in ihrer Umgebung schwimmen, und basierend auf der präzisen Kombination und Stärke dieser Signale entscheiden, ob sie sich teilt, Schäden repariert oder stirbt. Diese Entscheidungsfindung geschieht durch ein dichtes Geflecht interner Verbindungen, das glatte, abgestufte Antworten statt binärer Ja-oder-Nein-Antworten erzeugt. Jahrzehntelang hatten Wissenschaftler, die versuchten, Zellen für neue Aufgaben zu programmieren, Schwierigkeiten, da ihre Werkzeuge auf digitaler Logik basierten und biologische Teile wie Computerbits behandelten, die entweder vollständig an oder aus sind. Diese Diskrepanz machte es unglaublich schwierig, Schaltkreise zu entwerfen, die die subtile, analoge Natur lebender Systeme handhaben konnten, was oft jahrelange Versuche und Irrtümer erforderte, um selbst einfache Verhaltensweisen zu erreichen.

Einem Team von Forschern des Massachusetts Institute of Technology und anderer Institutionen ist es nun gelungen, diese Lücke zu schließen, indem sie Zellen beigebracht haben, auf die Weise zu rechnen, wie sie es natürlich tun. Sie entwickelten ein System, das die interne Maschinerie der Zelle als einen flexiblen, analogen Computer behandelt, der in der Lage ist, komplexe Berechnungen mit mehreren Eingaben gleichzeitig durchzuführen. Anstatt die Zellen zu zwingen, starren digitalen Regeln zu folgen, entwickelten die Forscher eine Software-Engine, die genetische Schaltkreise entwirft, um spezifische, glatte Verhaltensmuster zu erzeugen. Sie demonstrierten dies durch die Erstellung von drei völlig neuen genetischen Schaltkreisen von Grund auf, von denen jeder darauf ausgelegt war, eine einzigartige Kombination von zwei Eingangssignalen zu erkennen und mit einem präzisen Ausgang zu reagieren. Bemerkenswerterweise funktionierte jeder einzelne Schaltkreis exakt so, wie die Software es vorhersagte, und zwar beim allerersten Versuch, ohne dass manuelles Nachjustieren oder Anpassungen erforderlich waren.

Der Kern dieser Errungenschaft liegt in einer neuen Art des Denkens darüber, wie Gene interagieren. Die Forscher identifizierten fünf grundlegende Bausteine, die die Operationen eines künstlichen neuronalen Netzes nachahmen, wobei diese Bausteine jedoch aus echten biologischen Molekülen bestehen. Sie verwenden spezifische Enzyme, die RNA schneiden können, um als negative Eingänge zu fungieren und Signale effektiv zu subtrahieren, während andere Mechanismen Signale zusammenaddieren. Sie fanden auch Wege, die Stärke dieser Verbindungen anzupassen – vergleichbar mit dem Drehen an einem Lautstärkeregler –, indem sie die genetischen Sequenzen veränderten, die kontrollieren, wie viel Protein hergestellt wird. Durch die Verbindung dieser Bausteine schufen sie ein System, bei dem ein Teil des Schaltkreises seinen Ausgang in den nächsten einspeisen konnte, was eine mehrschichtige Verarbeitung ermöglichte. Dieser Ansatz erlaubt es der Zelle, komplexe Funktionen zu berechnen, wie etwa das Erkennen eines spezifischen Bereichs von Signalstärken und das Ignorieren von allem anderen, ein Verhalten, das als Bandpassfilter bekannt ist.

Um dieses System praktikabel zu machen, entwickelte das Team ein Softwarepaket, das sie „biocompiler“ nennen. Dieses Programm fungiert als Übersetzer zwischen einem gewünschten Verhalten und den DNA-Anweisungen, die benötigt werden, um es zu bauen. Die Software stützt sich auf ein Modell namens „biomorphic neural network“, das lernt, wie biologische Prozesse funktionieren, indem es eine große Sammlung bestehender Experimente studiert. Anstatt mathematische Formeln zu erraten, die die Interaktion von Genen regeln, lernt die Software das tatsächliche Verhalten dieser Prozesse aus realen Daten. Sie behandelt jedes genetische Teil, wie etwa einen Promotor oder ein spezifisches Enzym, als eine flexible Komponente mit einem einzigartigen „Fingerabdruck“, den das System anpassen kann. Wenn ein Wissenschaftler möchte, dass eine Zelle eine neue Aufgabe ausführt, beschreibt er einfach das gewünschte Ausgangsmuster, und die Software sucht durch Millionen möglicher Kombinationen von Teilen und Verbindungen, um diejenige zu finden, die dieses Ergebnis hervorbringt.

Die Forscher testeten dieses System, indem sie es aufforderten, drei völlig neue Verhaltensmuster zu entwerfen, die es in ihren Trainingsdaten noch nie zuvor gegeben hatte. Die Software schlug drei völlig neue Schaltkreisarchitekturen vor, von denen keine in der Bibliothek der Teile existierte, die sie studiert hatte. Das Team baute diese Schaltkreise anschließend im Labor, indem sie die DNA-Anweisungen in menschliche Zellen einführten. In jedem Fall produzierten die Zellen exakt das Muster, das die Software vorhergesagt hatte. Die Übereinstimmung zwischen dem Design und der Realität war so eng, dass der Unterschied nicht größer war als die natürliche Variation, die auftritt, wenn man dasselbe Experiment mehrfach wiederholt. Dieser Erfolg beweist, dass die Software nicht nur vorhersagen kann, wie ein Schaltkreis reagiert, sondern auch in der Lage ist, neue Schaltkreise zu erfinden, die sofort funktionieren, wodurch die langen Zyklen von Versuch und Irrtum, die die synthetische Biologie traditionell verlangsamt haben, umgangen werden.

Diese Arbeit stellt einen bedeutenden Wandel in der Art und Weise dar, wie Wissenschaftler das Engineering des Lebens angehen. Zuvor war das Entwerfen einer Zelle für eine komplexe Aufgabe vergleichbar mit dem Versuch, eine Uhr zu bauen, indem man rät, welche Zahnräder zusammenpassen könnten, was oft viele Fehlversuche erforderte, um das Timing richtig hinzubekommen. Die neue Methode gleicht eher der Verwendung eines Bauplans, der von einem System generiert wird, das bereits die Physik der Zahnräder versteht. Durch das Lernen aus einer riesigen Anzahl früherer Experimente hat die Software ein tiefes Verständnis dafür entwickelt, wie genetische Teile interagieren, was es ihr ermöglicht, auf neue Situationen zu generalisieren, die sie noch nie zuvor gesehen hat. Das System ist robust genug, um über verschiedene Arten von menschlichen Zellen hinweg zu funktionieren, was darauf hindeutet, dass die gelernten Regeln fundamental für die Funktion dieser Zellen sind und nicht nur auf einen spezifischen Typ beschränkt sind.

Die Auswirkungen dieser Arbeit gehen über das bloße Erstellen besserer Schaltkreise hinaus. Sie etabliert einen Rahmen, in dem das biologische Engineering zu einer kumulativen Wissenschaft werden kann, in der jedes neue Experiment zu einer gemeinsamen Wissensbibliothek beiträgt, die zukünftige Designs präziser macht. Je mehr das System aus Daten lernt, desto besser wird es in der Lage sein, das Verhalten zunehmend komplexer Netzwerke vorherzusagen. Die Forscher haben gezeigt, dass es möglich ist, Zellen mit derselben Präzision und Zuverlässigkeit zu programmieren, mit der Ingenieure elektronische Geräte entwerfen, jedoch unter Verwendung der nativen analogen Sprache der Biologie. Dies öffnet die Tür zur Schaffung von Zellen, die komplexe Aufgaben erfüllen können, wie etwa das Identifizieren und Zerstören von Krebszellen basierend auf einer komplexen Signatur von Markern oder das Steuern des Gewebewachstums mit präzisen räumlichen Mustern, und zwar ohne die Notwendigkeit ständiger menschlicher Intervention zur Fehlerbehebung.

Der Erfolg des biocompilers beruht auf einer spezifischen Art des Lernens, die sich vom traditionellen maschinellen Lernen unterscheidet. Anstatt ein einzelnes massives Modell zu trainieren, das Muster in Bildern oder Texten erkennt, lernt dieses System das Verhalten einzelner biologischer Prozesse, wie etwa wie ein spezifisches Enzym RNA schneidet oder wie ein Promotor die Genexpression steuert. Diese gelernten Verhaltensweisen werden dann kombiniert, um neue Schaltkreise zu bilden. Dies bedeutet, dass das System nicht nur die Schaltkreise auswendig lernt, die es gesehen hat, sondern die zugrunde liegenden Regeln versteht, die sie regeln. Wenn es vor einer neuen Designherausforderung steht, kann es diese bekannten Regeln auf neuartige Weise zusammensetzen, um ein Problem zu lösen. Dieser kompositionale Ansatz ermöglicht es dem System, einen riesigen Designraum zu handhaben, der durch Experimente allein unmöglich zu erschließen wäre, da die Anzahl der möglichen Kombinationen genetischer Teile viel zu schnell wächst, als dass jedes Labor sie alle testen könnte.

In den beschriebenen Experimenten verwendeten die Forscher eine Technik namens Poly-Ko-Transfektion, um ihre Designs zu testen. Diese Methode ermöglicht es, variierende Mengen verschiedener genetischer Inputs in eine einzige Zellpopulation zu liefern, wodurch ein breites Spektrum an Bedingungen in einem einzigen Experiment geschaffen wird. Durch die Messung des Outputs jeder Zelle können sie die gesamte Antwortfläche eines Schaltkreises kartieren und sehen, wie er über alle möglichen Input-Kombinationen hinweg reagiert. Diese hochauflösende Sicht auf das zelluläre Verhalten lieferte die detaillierten Daten, die für das Training der Software und die Verifizierung ihrer Vorhersagen notwendig waren. Die Tatsache, dass die Software das Verhalten von Schaltkreisen vorhersagen konnte, die sie noch nie gesehen hatte, und dass diese Vorhersagen im Labor Bestand hatten, bestätigt, dass das Modell die essenzielle Logik des internen Netzwerks der Zelle erfasst hat.

Die Forscher testeten auch, ob das System sein Wissen auf einen anderen Zelltyp übertragen konnte. Sie trainierten die Software mit Daten aus menschlichen embryonalen Nierenzellen und baten sie dann, das Verhalten von Schaltkreisen in zwei anderen Zelltypen vorherzusagen: retinalen Pigmentepithelzellen und chinesischen Hamster-Ovar-Zellen (CHO). Die Software schnitt in diesen neuen Zelltypen fast so gut ab wie in der Zelle, mit der sie trainiert wurde, was darauf hindeutet, dass die fundamentalen Regeln der Interaktion dieser genetischen Teile über verschiedene menschliche Zelllinien hinweg konsistent sind. Diese Portabilität ist entscheidend für praktische Anwendungen, da sie bedeutet, dass ein in einem Zelltyp entwickeltes Design wahrscheinlich angepasst werden kann, um in einem anderen zu funktionieren, ohne wieder bei Null anfangen zu müssen.

Obwohl das aktuelle System ein großer Schritt nach vorn ist, räumen die Forscher ein, dass noch Arbeit zu leisten bleibt. Die Software operiert derzeit innerhalb eines Satzes vordefinierter struktureller Vorlagen oder Gerüste (Scaffolds) und kann noch keine völlig neuen Arten von Verbindungen aus dem Nichts erfinden. Zukünftige Versionen des Systems könnten lernen, diese strukturellen Regeln direkt aus Daten zu generieren, was den Bereich der möglichen Designs weiter erweitern würde. Zudem erfassen die aktuellen Modelle das Verhalten einzelner Prozesse gut, berücksichtigen aber noch nicht explizit globale Effekte, wie etwa die Konkurrenz um zelluläre Ressourcen, die das Verhalten von Schaltkreisen beeinflussen können. Das Framework ist jedoch so konzipiert, dass es flexibel ist und diese Einschränkungen durch das Lernen aus komplexeren Daten adressiert werden können.

Die Fähigkeit, Zellen mit solcher Präzision zu programmieren, transformiert das Potenzial der synthetischen Biologie. Sie wandelt das Feld von einer Disziplin des Versuchs und Irrtums hin zu einer des rationalen Designs, bei dem Ingenieure eine Funktion spezifizieren und im Gegenzug einen funktionierenden genetischen Schaltkreis erhalten. Diese Fähigkeit ist essenziell für die nächste Generation von Zelltherapien, bei denen Zellen darauf programmiert werden müssen, die komplexe, sich verändernde Umgebung des menschlichen Körpers zu erkennen und darauf zu reagieren. Indem sie die native analoge Rechenleistung von Zellen nutzen, bietet dieser Ansatz einen Weg zur Schaffung lebender Maschinen, die so anspruchsvoll und anpassungsfähig sind wie die biologischen Systeme, aus denen sie gebaut sind. Die Arbeit zeigt, dass wir mit den richtigen Werkzeugen endlich in der Lage sind, die Sprache der Zellen fließend zu sprechen und ihre natürliche Komplexität in eine programmierbare Ressource zur Lösung einiger der schwierigsten Herausforderungen in Medizin und Biologie zu verwandeln.

Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?

Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.

Digest testen →