Jak může embryo spolehlivě "vypočítat" svou formu – "buňku po buňce" – pouze pomocí lokálních interakcí a mechanik, a přitom vytvořit přesný celkový tělesný plán? S nadšením představuji náš článek v Nature Methods "MultiCell: geometric learning in multicell development", který představuje výzkum vedený @HaiqianYang #AIxBiology a je výsledkem skvělé spolupráce s Ming Guem, Georgem Royem, Tomerem Sternem, Anh Nguyen a Dapeng Bi. Dlouhodobou výzvou ve vývojové biologii je předpovědět, jak se tisíce buněk kolektivně samoorganizují, když se tkáně skládají, dělí a přeskupují. V MultiCell reprezentujeme vyvíjející se embryo jako duální graf, který spojuje dva doplňující se pohledy na mechaniku tkání s rozlišením jednotlivých buněk: buňky jako pohyblivé body (granulární) a buňky jako propojenou pěnu (spojovací síť). To umožňuje modelu naučit se dynamiku jak z geometrie, tak z propojení buňka mezi buňkami. Na 4D světelných filmech celého embrya o gastrulaci Drosophily (~5 000 buněk) náš model předpovídá klíčové chování buněk a načasování událostí, včetně ztráty spojení, přeskupení a dělení, s vysokou přesností, s rozlišením jednotlivých buněk. Kromě predikce stejná reprezentace podporuje robustní časové zarovnání mezi embryi a nabízí interpretovatelné aktivační mapy, které zdůrazňují morfogenetické "hybné síly" vývoje. Širším cílem je základ pro předpovídání buněk po buněku v složitějších tkáních a nakonec pro detekci jemných dynamických znaků onemocnění. Chvála týmu za tuto inspirativní spolupráci s brilantními výzkumníky, která posouvá hranice AI v biologii! Citace: Yang, H., Roy, G., Nguyen, A.Q., Buehler, M.J. a kol. MultiCell: geometrické učení při mnohobuněčném vývoji. Nature Methods (2025), DOI: 10.1038/s41592-025-02983-x Odkazy na kód/data jsou v rukopisu.

Bio-inspirovaná rojová inteligence pro AI hudební kompozici: MusicSwarm vytváří mnoho identických agentů založených na základním modelu, kteří se koordinují pouze prostřednictvím zpětné vazby mezi peery a feromonových signálů. Bez jakýchkoli změn váhy se tito agenti spontánně organizují do diferencovaných rolí a vytvářejí kompozice s vyšší místní novostí, bohatší rytmickou rozmanitostí a více lidsky připomínající malosvětovou strukturou než centrálně kritizované multiagentní nebo jednorázové základy. Pozorujeme dynamiku roje, která se v prostoru chování agentů sbližuje k Nashovým rovnovágam, zatímco neustálé objevování nových motivů a dlouhodobých vazeb realizuje gödelovskou perspektivu: interagující agenti plus sdílený model vnějšího světa se chovají jako metasystém, jehož tvůrčí trajektorie přesahují ty jediného monolitického modelu.

Jaké milé překvapení - právě jsem obdržel tištěný výtisk časopisu Journal of Materials Research s naším článkem na obálce! Náš článek "Agentic Deep Graph Reasoning Yields Self-Organizing Knowledge Networks" zkoumá, jak může umělá inteligence přejít nad rámec statického načítání a aktivně budovat a zdokonalovat své vlastní znalostní struktury. Systém vytváří graf konceptů a vztahů prostřednictvím rekurzivního uvažování - v podstatě "myšlení v grafech" - a sám se organizuje do modulárních sítí bez měřítka, které zrcadlí, jak se vyvíjí lidské poznání. Důsledky jsou vzrušující: tento přístup by mohl změnit způsob, jakým umělá inteligence objevuje nové materiály, propojuje myšlenky napříč obory a generuje vědecké hypotézy – což by vedlo k samoorganizujícím se systémům řízeným uvažováním pro vědu a inženýrství. Tato práce byla publikována jako Invited Feature Paper v souvislosti s mou přednáškou @Materials_MRS Distinguished Invited Speaker Lecture na MRS Spring Meeting v Seattlu a jsem vděčný MRS Journal of Materials Research a @SpringerNature za to, že ji uvedli na obálce. Velké díky všem, kteří posouvají hranice objevování řízeného umělou inteligencí a grafového uvažování! Je to vzrušující doba pro konvergenci vědy, inteligence a designu.