Як ембріон надійно «обчислює» свою форму — «клітина за клітиною» — використовуючи лише локальні взаємодії та механіку, але при цьому створює точний глобальний план тіла? Я радий поділитися нашою статтею для Nature Methods «MultiCell: геометричне навчання в багатоклітинному розвитку», в якій представлено #AIxBiology дослідження, очолюване @HaiqianYang та результат чудової співпраці з Мін Го, Джорджем Роєм, Томером Стерном, Ан Нгуєном та Дапенгом Бі. Давнім викликом у біології розвитку є передбачити, як тисячі клітин колективно самоорганізовуються під час складання, поділу та перебудови тканин. У MultiCell ми представляємо ембріон, що розвивається, у вигляді подвійного графа, який об'єднує два комплементарні погляди на механіку тканини з роздільною здатністю однієї клітини: клітини як рухомі точки (гранулярні) і клітини як з'єднану піну (мережу з'єднання). Це дозволяє моделі вивчати динаміку як геометрії, так і зв'язності клітина-клітина. На цілому ембріоні 4D світлових фільмах гаструляції Drosophila (~5 000 клітин) наша модель з високою точністю прогнозує поведінку ключових клітин і час подій, включаючи втрату з'єднання, перестановки та поділи, з високою точністю при роздільній здатності однієї клітини. Поза прогнозуванням, те саме представлення підтримує надійне часове вирівнювання між ембріонами та пропонує інтерпретовані карти активації, які підкреслюють морфогенетичні «драйвери» розвитку. Ширша мета — створити основу для клітинного прогнозування у складніших тканинах і, зрештою, для виявлення тонких динамічних сигнатур хвороб. Велика подяка команді за цю надихаючу співпрацю з блискучими дослідниками, які розширюють межі ШІ для біології! Цитата: Янг, Г., Рой, Г., Нгуєн, А.К., Бюлер, М.Дж. та ін. MultiCell: геометричне навчання в багатоклітинному розвитку. Nature Methods (2025), DOI: 10.1038/s41592-025-02983-x Код/дата-посилання є в рукописі.

Інтелект рою, натхненний біо, для композиції музики на основі штучного інтелекту: MusicSwarm втілює багато ідентичних, заморожених агентів моделей фундаменту, які координуються лише через зворотний зв'язок між користувачами та сигнали, схожі на феромони. Без жодних оновлень ваги ці агенти спонтанно самоорганізуються у диференційовані ролі та створюють композиції з вищою локальною новизною, багатшою ритмічною різноманітністю та більш людською структурою малого світу, ніж центрально критичні багатоагентні чи однокадрові базові лінії. Ми спостерігаємо динаміку рою, яка збігається до рівноваг, схожих на Неша у просторі поведінки агентів, тоді як постійне поява нових мотивів і довготривалих зв'язків реалізує геделівську перспективу: взаємодіючі агенти плюс спільна модель зовнішнього світу поводяться як метасистема, творчі траєкторії якої виходять за межі будь-якої однієї монолітної моделі.

Який приємний сюрприз - я щойно отримав друкований примірник Journal of Materials Research з нашою статтею на обкладинці! У нашій статті «Агентичне глибоке графове міркування дає самоорганізовані мережі знань» досліджує, як штучний інтелект може вийти за рамки статичного пошуку, щоб активно створювати та вдосконалювати власні структури знань. Система розвиває граф понять і відносин за допомогою рекурсивного міркування - фактично "мислення в графах" - і самоорганізовується в безмасштабні, модульні мережі, які відображають те, як еволюціонують людські знання. Наслідки захоплюючі: цей підхід може змінити те, як штучний інтелект виявляє нові матеріали, пов'язує ідеї між дисциплінами та генерує наукові гіпотези, що призведе до самоорганізованих, керованих міркуваннями систем для науки та інженерії. Ця робота була опублікована як Invitation Feature Paper у зв'язку з моєю лекцією @Materials_MRS Заслуженого запрошеного доповідача на Весняній зустрічі MRS в Сіетлі, і я вдячний MRS Journal of Materials Research and @SpringerNature за те, що вони розмістили її на обкладинці. Велике спасибі всім, хто просуває рубіж відкриттів на основі штучного інтелекту та нативного мислення на основі графів! Це захоплюючий час для зближення науки, інтелекту та дизайну.