Hvordan kan et embryo pålitelig «beregne» sin form – «celle for celle» – kun ved å bruke lokale interaksjoner og mekanikk, samtidig som det produserer en presis global kroppsplan? Jeg er begeistret for å dele vår Nature Methods-artikkel "MultiCell: geometric learning in multicellular development", hvor vi presenterer #AIxBiology forskning ledet av @HaiqianYang og resultatet av et flott samarbeid med Ming Guo, George Roy, Tomer Stern, Anh Nguyen og Dapeng Bi. En langvarig utfordring innen utviklingsbiologi er å forutsi hvordan tusenvis av celler kollektivt organiserer seg selv når vev folder, deler seg og omorganiserer seg. I MultiCell representerer vi et utviklende embryo som en dual graf som forener to komplementære syn på vevsmekanikk med enkeltcelleoppløsning: celler som bevegelige punkter (granulære) og celler som et sammenhengende skum (koblingsnettverk). Dette lar modellen lære dynamikk både fra geometri og celle–celle-tilkobling. På hel-embryo 4D lyssheet-filmer av Drosophila-gastrulasjon (~5 000 celler) forutsier modellen vår nøkkelcelleatferd og tidspunktet for hendelser, inkludert tap av koblinger, omorganiseringer og delinger, med høy nøyaktighet, ved enkeltcelleoppløsning. Utover prediksjon støtter den samme representasjonen robust tidsjustering på tvers av embryoer og tilbyr tolkbare aktiveringskart som fremhever de morfogenetiske «driverne» for utvikling. Det bredere målet er et fundament for celle-for-celle-prognoser i mer komplekse vev, og til slutt å oppdage subtile dynamiske tegn på sykdom. Kudos til teamet for dette inspirerende samarbeidet med briljante forskere for å flytte grensene for AI for biologi! Sitering: Yang, H., Roy, G., Nguyen, A.Q., Buehler, M.J., m.fl. MultiCell: geometrisk læring i flercellet utvikling. Nature Methods (2025), DOI: 10.1038/s41592-025-02983-x Kode-/datalenker finnes i manuskriptet.

Bio-inspirert svermintelligens for AI-musikkkomposisjon: MusicSwarm instansierer mange identiske, frosne foundation-modellagenter som kun koordinerer via peer-to-peer-tilbakemelding og feromonlignende signaler. Uten noen vektoppdateringer organiserer disse agentene seg spontant i differensierte roller og produserer komposisjoner med høyere lokal nyhet, rikere rytmisk variasjon og mer menneskelignende små-verdensstruktur enn sentralt kritiserte multi-agent eller enkelt-skudd-baselines. Vi observerer svermdynamikk som konvergerer mot Nash-lignende likevekter i rommet for agentatferd, mens den kontinuerlige fremveksten av nye motiver og langtrekkende forbindelser realiserer et Gödelsk perspektiv: interagerende agenter pluss en delt ekstern verdensmodell oppfører seg som et metasystem hvis kreative baner går utover de til noen enkelt, monolittisk modell.

For en hyggelig overraskelse - jeg mottok nettopp en papirkopi av Journal of Materials Research med artikkelen vår på omslaget! Artikkelen vår, "Agentic Deep Graph Reasoning Yields Self-Organizing Knowledge Networks", utforsker hvordan AI kan gå utover statisk gjenfinning for aktivt å bygge og avgrense sine egne kunnskapsstrukturer. Systemet utvikler en graf over konsepter og relasjoner gjennom rekursiv resonnement - effektivt "tenke i grafer" - og organiserer seg selv i skalafrie, modulære nettverk som speiler hvordan menneskelig kunnskap utvikler seg. Implikasjonene er spennende: denne tilnærmingen kan transformere hvordan AI oppdager nye materialer, kobler ideer på tvers av disipliner og genererer vitenskapelige hypoteser - noe som fører til selvorganiserende, resonneringsdrevne systemer for vitenskap og ingeniørfag. Dette arbeidet ble publisert som en invitert artikkel i forbindelse med min @Materials_MRS Distinguished Invited Speaker Lecture på MRS Spring Meeting i Seattle, og jeg er takknemlig overfor MRS Journal of Materials Research og @SpringerNature for å ha det på omslaget. En stor takk til alle som fremmer grensen for AI-drevet oppdagelse og grafbasert resonnement! Det er en spennende tid for konvergensen mellom vitenskap, intelligens og design.