¿Cómo puede un embrión "calcular" de forma fiable su forma —"célula por célula"— usando únicamente interacciones y mecánicas locales, y a la vez producir un plan corporal global preciso? Me entusiasma compartir nuestro artículo de Nature Methods "MultiCell: aprendizaje geométrico en el desarrollo multicelular", presentando #AIxBiology investigación liderada por @HaiqianYang y el resultado de una gran colaboración con Ming Guo, George Roy, Tomer Stern, Anh Nguyen y Dapeng Bi. Un desafío de larga duración en la biología del desarrollo es predecir cómo miles de células se autoorganizan colectivamente a medida que los tejidos se pliegan, dividen y reorganizan. En MultiCell, representamos un embrión en desarrollo como un grafo dual que unifica dos visiones complementarias de la mecánica tisular con la resolución de una sola célula: las células como puntos móviles (granulares) y las células como una espuma conectada (red de uniones). Esto permite al modelo aprender dinámica tanto de la geometría como de la conectividad célula-célula. En películas de lámina 4D de embrión completo de gastrulación de Drosophila (~5.000 células), nuestro modelo predice comportamientos celulares clave y el momento de los eventos, incluyendo la pérdida de la unión, reordenaciones y divisiones, con alta precisión, a resolución de célula única. Más allá de la predicción, la misma representación permite una alineación temporal robusta entre embriones y ofrece mapas de activación interpretables que destacan los "impulsores" morfogenéticos del desarrollo. El objetivo más amplio es una base para la predicción célula por célula en tejidos más complejos y, eventualmente, para detectar sutiles firmas dinámicas de enfermedades. ¡Enhorabuena al equipo por esta inspiradora colaboración con investigadores brillantes para llevar al límite la IA en biología! Citación: Yang, H., Roy, G., Nguyen, A.Q., Buehler, M.J., et al. MultiCell: aprendizaje geométrico en el desarrollo multicelular. Nature Methods (2025), DOI: 10.1038/s41592-025-02983-x Los enlaces de código/datos están en el manuscrito.

Inteligencia de enjambre inspirada en la bio para la composición musical con IA: MusicSwarm instancia muchos agentes idénticos y congelados de modelos de fundación que se coordinan únicamente mediante retroalimentación entre pares y señales similares a feromonas. Sin actualizaciones de peso, estos agentes se autoorganizan espontáneamente en roles diferenciados y producen composiciones con mayor novedad local, mayor diversidad rítmica y una estructura de mundo pequeño más humana que las líneas base de múltiples agentes o de disparo único criticadas centralmente. Observamos dinámicas de enjambre que convergen hacia equilibrios tipo Nash en el espacio de los comportamientos de los agentes, mientras que la continua aparición de nuevos motivos y enlaces a largo alcance da una perspectiva gödeliana: los agentes interactuantes más un modelo de mundo externo compartido se comportan como un meta-sistema cuyas trayectorias creativas van más allá de las de cualquier modelo monolítico único.

Qué agradable sorpresa: ¡acabo de recibir una copia impresa del Journal of Materials Research con nuestro artículo en la portada! Nuestro artículo, "El razonamiento de gráficos profundos agentic produce redes de conocimiento autoorganizadas", explora cómo la IA puede ir más allá de la recuperación estática para construir y refinar activamente sus propias estructuras de conocimiento. El sistema hace crecer un gráfico de conceptos y relaciones a través del razonamiento recursivo, efectivamente "pensando en gráficos", y se autoorganiza en redes modulares sin escala que reflejan cómo evoluciona el conocimiento humano. Las implicaciones son emocionantes: este enfoque podría transformar la forma en que la IA descubre nuevos materiales, conecta ideas entre disciplinas y genera hipótesis científicas, lo que conduciría a sistemas autoorganizados e impulsados por el razonamiento para la ciencia y la ingeniería. Este trabajo se publicó como un artículo destacado invitado en relación con mi conferencia @Materials_MRS de orador invitado distinguido en la reunión de primavera de MRS en Seattle, y agradezco al MRS Journal of Materials Research and @SpringerNature por presentarlo en la portada. ¡Muchas gracias a todos los que avanzan en la frontera del descubrimiento impulsado por IA y el razonamiento nativo de gráficos! Es un momento emocionante para la convergencia de la ciencia, la inteligencia y el diseño.