Wie berechnet ein Embryo zuverlässig seine Form – „Zelle für Zelle“ – nur durch lokale Interaktionen und Mechanik, und erzeugt dennoch einen präzisen globalen Körperplan? Ich freue mich, unser Paper in Nature Methods "MultiCell: geometrisches Lernen in der mehrzelligen Entwicklung" zu teilen, das die #AIxBiology-Forschung unter der Leitung von @HaiqianYang präsentiert und das Ergebnis einer großartigen Zusammenarbeit mit Ming Guo, George Roy, Tomer Stern, Anh Nguyen und Dapeng Bi ist. Eine langjährige Herausforderung in der Entwicklungsbiologie besteht darin, vorherzusagen, wie Tausende von Zellen kollektiv Selbstorganisation betreiben, während Gewebe sich falten, teilen und umsortieren. In MultiCell repräsentieren wir einen sich entwickelnden Embryo als einen dualen Graphen, der zwei komplementäre Ansichten der Gewebemechanik mit Einzelzellauflösung vereint: Zellen als bewegliche Punkte (granular) und Zellen als ein verbundenes Schaumnetz (Junktionsnetzwerk). Dies ermöglicht es dem Modell, Dynamiken sowohl aus der Geometrie als auch aus der Zell-Zell-Konnektivität zu lernen. In 4D-Lichtblattfilmen des gesamten Embryos während der Gastrulation von Drosophila (~5.000 Zellen) sagt unser Modell wichtige Zellverhalten und den zeitlichen Ablauf von Ereignissen mit hoher Genauigkeit voraus, einschließlich Junctionsverlust, Umstellungen und Teilungen, und das mit Einzelzellauflösung. Über die Vorhersage hinaus unterstützt dieselbe Darstellung eine robuste zeitliche Ausrichtung über Embryonen hinweg und bietet interpretierbare Aktivierungskarten, die die morphogenetischen „Treiber“ der Entwicklung hervorheben. Das übergeordnete Ziel ist eine Grundlage für die Vorhersage von Zelle zu Zelle in komplexeren Geweben und schließlich für die Erkennung subtiler dynamischer Signaturen von Krankheiten. Hut ab vor dem Team für diese inspirierende Zusammenarbeit mit brillanten Forschern, um die Grenzen der KI für die Biologie zu erweitern! Zitation: Yang, H., Roy, G., Nguyen, A.Q., Buehler, M.J., et al. MultiCell: geometrisches Lernen in der mehrzelligen Entwicklung. Nature Methods (2025), DOI: 10.1038/s41592-025-02983-x Code-/Datenlinks sind im Manuskript.

Bio-inspirierte Schwarmintelligenz für die KI-Musikkomposition: MusicSwarm implementiert viele identische, eingefrorene Foundation-Model-Agenten, die sich nur über Peer-to-Peer-Feedback und pheromonähnliche Signale koordinieren. Ohne jegliche Gewichtsanpassungen organisieren sich diese Agenten spontan in differenzierte Rollen und produzieren Kompositionen mit höherer lokaler Neuheit, reicherer rhythmischer Vielfalt und einer menschlicheren Small-World-Struktur als zentral kritisierte Multi-Agenten- oder Single-Shot-Baselines. Wir beobachten Schwarmdynamiken, die sich in Richtung Nash-ähnlicher Gleichgewichte im Raum der Agentenverhalten konvergieren, während das kontinuierliche Auftauchen neuer Motive und langfristiger Verbindungen eine gödelianische Perspektive verwirklicht: interagierende Agenten plus ein gemeinsames externes Weltmodell verhalten sich wie ein Meta-System, dessen kreative Trajektorien über die eines einzelnen, monolithischen Modells hinausgehen.

Was für eine schöne Überraschung - ich habe gerade ein Exemplar des Journal of Materials Research erhalten, auf dem unser Artikel auf dem Cover abgebildet ist! Unser Artikel, "Agentic Deep Graph Reasoning Yields Self-Organizing Knowledge Networks," untersucht, wie KI über statische Abrufe hinausgehen kann, um aktiv ihre eigenen Wissensstrukturen aufzubauen und zu verfeinern. Das System wächst durch rekursive Überlegungen zu einem Graphen von Konzepten und Beziehungen - effektiv "denken in Graphen" - und organisiert sich selbst in skalierbare, modulare Netzwerke, die widerspiegeln, wie menschliches Wissen sich entwickelt. Die Implikationen sind spannend: Dieser Ansatz könnte transformieren, wie KI neue Materialien entdeckt, Ideen über Disziplinen hinweg verbindet und wissenschaftliche Hypothesen generiert - was zu selbstorganisierenden, reasoning-getriebenen Systemen für Wissenschaft und Ingenieurwesen führt. Diese Arbeit wurde als eingeladener Fachartikel im Zusammenhang mit meinem @Materials_MRS Distinguished Invited Speaker Lecture beim MRS Spring Meeting in Seattle veröffentlicht, und ich bin dankbar an das MRS Journal of Materials Research und @SpringerNature, dass sie es auf dem Cover abgebildet haben. Ein großes Dankeschön an alle, die die Grenzen der KI-gesteuerten Entdeckung und graph-native Überlegungen vorantreiben! Es ist eine aufregende Zeit für die Konvergenz von Wissenschaft, Intelligenz und Design.