Comment un embryon "calcule-t-il" de manière fiable sa forme - "cellule par cellule" - en n'utilisant que des interactions et des mécanismes locaux, tout en produisant un plan corporel global précis ? Je suis ravi de partager notre article dans Nature Methods "MultiCell : apprentissage géométrique dans le développement multicellulaire", présentant des recherches en #AIxBiology dirigées par @HaiqianYang et le résultat d'une grande collaboration avec Ming Guo, George Roy, Tomer Stern, Anh Nguyen et Dapeng Bi. Un défi de longue date en biologie du développement est de prédire comment des milliers de cellules s'auto-organisent collectivement alors que les tissus se plient, se divisent et se réarrangent. Dans MultiCell, nous représentons un embryon en développement comme un graphe dual qui unifie deux vues complémentaires de la mécanique des tissus avec une résolution à l'échelle cellulaire : les cellules comme points mobiles (granulaires) et les cellules comme une mousse connectée (réseau de jonctions). Cela permet au modèle d'apprendre les dynamiques à partir de la géométrie et de la connectivité entre cellules. Sur des films en lumière de feuille 4D de gastrulation de Drosophila (~5 000 cellules), notre modèle prédit des comportements cellulaires clés et le timing des événements, y compris la perte de jonction, les réarrangements et les divisions avec une grande précision, à la résolution de cellule unique. Au-delà de la prédiction, la même représentation soutient un alignement temporel robuste entre les embryons et offre des cartes d'activation interprétables qui mettent en évidence les "moteurs" morphogénétiques du développement. L'objectif plus large est de poser une base pour la prévision cellule par cellule dans des tissus plus complexes, et finalement pour détecter des signatures dynamiques subtiles de maladies. Bravo à l'équipe pour cette collaboration inspirante avec des chercheurs brillants pour repousser les limites de l'IA pour la biologie ! Citation : Yang, H., Roy, G., Nguyen, A.Q., Buehler, M.J., et al. MultiCell : apprentissage géométrique dans le développement multicellulaire. Nature Methods (2025), DOI : 10.1038/s41592-025-02983-x Les liens vers le code/données se trouvent dans le manuscrit.

Intelligence collective inspirée par la biologie pour la composition musicale par IA : MusicSwarm instancie de nombreux agents identiques et figés basés sur un modèle fondamental qui se coordonnent uniquement via des retours d'information entre pairs et des signaux semblables à des phéromones. Sans aucune mise à jour de poids, ces agents s'auto-organisent spontanément en rôles différenciés et produisent des compositions avec une nouveauté locale plus élevée, une diversité rythmique plus riche et une structure de petit monde plus humaine que les références multi-agents critiquées de manière centrale ou les références à tir unique. Nous observons des dynamiques de groupe qui convergent vers des équilibres semblables à ceux de Nash dans l'espace des comportements des agents, tandis que l'émergence continue de nouveaux motifs et de liens à longue portée réalise une perspective gödelienne : des agents interagissants plus un modèle de monde externe partagé se comportent comme un méta-système dont les trajectoires créatives vont au-delà de celles de tout modèle unique et monolithique.

Quelle belle surprise - je viens de recevoir une version papier du Journal of Materials Research avec notre article en couverture ! Notre article, "Agentic Deep Graph Reasoning Yields Self-Organizing Knowledge Networks," explore comment l'IA peut aller au-delà de la récupération statique pour construire et affiner activement ses propres structures de connaissance. Le système développe un graphe de concepts et de relations à travers un raisonnement récursif - pensant effectivement "en graphes" - et s'auto-organise en réseaux modulaires sans échelle qui reflètent l'évolution de la connaissance humaine. Les implications sont passionnantes : cette approche pourrait transformer la manière dont l'IA découvre de nouveaux matériaux, relie des idées à travers les disciplines et génère des hypothèses scientifiques - menant vers des systèmes auto-organisés et basés sur le raisonnement pour la science et l'ingénierie. Ce travail a été publié en tant qu'Invited Feature Paper en lien avec ma conférence de conférencier invité distingué @Materials_MRS lors de la réunion de printemps de la MRS à Seattle, et je suis reconnaissant au Journal of Materials Research de la MRS et à @SpringerNature de l'avoir mis en couverture. Un grand merci à tous ceux qui font avancer la frontière de la découverte pilotée par l'IA et du raisonnement natif des graphes ! C'est un moment passionnant pour la convergence de la science, de l'intelligence et du design.