Hur kan ett embryo pålitligt "beräkna" sin form – "cell för cell" – med endast lokala interaktioner och mekanik, men ändå producera en exakt global kroppsplan? Jag är glad att dela vår artikel om Nature Methods "MultiCell: geometric learning in multicellular development", där vi presenterar #AIxBiology forskning ledd av @HaiqianYang och resultatet av ett utmärkt samarbete med Ming Guo, George Roy, Tomer Stern, Anh Nguyen och Dapeng Bi. En långvarig utmaning inom utvecklingsbiologin är att förutsäga hur tusentals celler kollektivt självorganiserar sig när vävnader veckas, delar sig och omorganiseras. I MultiCell representerar vi ett utvecklande embryo som en dual graf som förenar två kompletterande vyer av vävnadsmekanik med enkelcellsupplösning: celler som rörliga punkter (granulära) och celler som ett sammanhängande skum (junctionnätverk). Detta låter modellen lära sig dynamik både från geometri och cell–cell-koppling. På helembryo 4D-ljusbladsfilmer av Drosophila-gastrulation (~5 000 celler) förutspår vår modell nyckelbeteenden i cellerna och tidpunkten för händelser, inklusive förlust av junction, omarrangemang och delningar, med hög noggrannhet, vid enkelcellsupplösning. Utöver förutsägelse stödjer samma representation robust tidsjustering över embryon och erbjuder tolkbara aktiveringskartor som belyser de morfogenetiska "drivkrafterna" bakom utveckling. Det bredare målet är en grund för cell-för-cell-prognoser i mer komplexa vävnader, och så småningom att upptäcka subtila dynamiska sjukdomssignaturer. Berövad teamet för detta inspirerande samarbete med briljanta forskare för att tänja på gränserna mellan AI och biologi! Citat: Yang, H., Roy, G., Nguyen, A.Q., Buehler, M.J., m.fl. MultiCell: geometrisk inlärning i flercellig utveckling. Nature Methods (2025), DOI: 10.1038/s41592-025-02983-x Kod-/datalänkar finns i manuskriptet.

Bio-inspirerad svärmintelligens för AI-musikkomposition: MusicSwarm instansierar många identiska, frusna grundmodeller som endast koordinerar via peer-to-peer-feedback och feromonliknande signaler. Utan några viktuppdateringar organiserar sig dessa agenter spontant i differentierade roller och producerar kompositioner med högre lokal nyhet, rikare rytmisk variation och mer människolik småvärldsstruktur än centralt kritiserade multiagent- eller single-shot-baslinjer. Vi observerar svärmdynamik som konvergerar mot Nash-liknande jämvikter inom agentbeteenden, medan den ständiga framväxten av nya motiv och långdistanslänkar förverkligar ett Gödelskt perspektiv: interagerande agenter plus en delad extern världsmodell beter sig som ett metasystem vars kreativa banor går bortom de hos någon enskild, monolitisk modell.

Vilken trevlig överraskning - jag har precis fått en papperskopia av Journal of Materials Research med vårt papper på omslaget! Vår artikel, "Agentic Deep Graph Reasoning Yields Self-Organizing Knowledge Networks", utforskar hur AI kan gå bortom statisk hämtning för att aktivt bygga och förfina sina egna kunskapsstrukturer. Systemet skapar en graf av begrepp och relationer genom rekursivt resonemang – i praktiken "tänkande i grafer" – och självorganiserar sig i skalfria, modulära nätverk som speglar hur mänsklig kunskap utvecklas. Implikationerna är spännande: detta tillvägagångssätt kan förändra hur AI upptäcker nya material, kopplar idéer över discipliner och genererar vetenskapliga hypoteser – vilket leder till självorganiserande, resonemangsdrivna system för vetenskap och teknik. Detta arbete publicerades som ett inbjudet reportage i samband med min @Materials_MRS Distinguished Invited Speaker Lecture vid MRS Spring Meeting i Seattle, och jag är tacksam mot MRS Journal of Materials Research och @SpringerNature för att ha presenterat det på omslaget. Ett stort tack till alla som flyttar fram gränserna för AI-driven upptäckt och grafinhemskt resonemang! Det är en spännande tid för konvergensen av vetenskap, intelligens och design.