Come fa un embrione a "calcolare" in modo affidabile la sua forma - "cellula per cellula" - utilizzando solo interazioni locali e meccanica, eppure a produrre un piano corporeo globale preciso? Sono entusiasta di condividere il nostro articolo su Nature Methods "MultiCell: apprendimento geometrico nello sviluppo multicellulare", che presenta la ricerca #AIxBiology guidata da @HaiqianYang e il risultato di una grande collaborazione con Ming Guo, George Roy, Tomer Stern, Anh Nguyen e Dapeng Bi. Una sfida di lunga data nella biologia dello sviluppo è prevedere come migliaia di cellule si auto-organizzano collettivamente mentre i tessuti si piegano, si dividono e si riorganizzano. In MultiCell, rappresentiamo un embrione in sviluppo come un grafo duale che unifica due visioni complementari della meccanica dei tessuti con risoluzione a singola cellula: cellule come punti in movimento (granulari) e cellule come una schiuma connessa (rete di giunzioni). Questo consente al modello di apprendere le dinamiche sia dalla geometria che dalla connettività cellula-cellula. Su filmati 4D a luce di tutto l'embrione della gastrulazione della Drosophila (~5.000 cellule), il nostro modello prevede comportamenti chiave delle cellule e il tempismo degli eventi, inclusa la perdita di giunzioni, riorganizzazioni e divisioni con alta precisione, a risoluzione di singola cellula. Oltre alla previsione, la stessa rappresentazione supporta un allineamento temporale robusto tra embrioni e offre mappe di attivazione interpretabili che evidenziano i "driver" morfogenetici dello sviluppo. L'obiettivo più ampio è una base per la previsione cellula per cellula in tessuti più complessi e, infine, per rilevare sottili firme dinamiche di malattia. Complimenti al team per questa ispirante collaborazione con brillanti ricercatori per spingere i confini dell'AI per la biologia! Citazione: Yang, H., Roy, G., Nguyen, A.Q., Buehler, M.J., et al. MultiCell: apprendimento geometrico nello sviluppo multicellulare. Nature Methods (2025), DOI: 10.1038/s41592-025-02983-x I link a codice/dati sono nel manoscritto.

Intelligenza delle swarm ispirata alla biologia per la composizione musicale AI: MusicSwarm instaura molti agenti identici e congelati di modelli fondamentali che si coordinano solo tramite feedback peer-to-peer e segnali simili a feromoni. Senza alcun aggiornamento dei pesi, questi agenti si auto-organizzano spontaneamente in ruoli differenziati e producono composizioni con una maggiore novità locale, una diversità ritmica più ricca e una struttura a mondo piccolo più simile a quella umana rispetto a baseline multi-agente o single-shot criticate centralmente. Osserviamo dinamiche di swarm che convergono verso equilibri simili a Nash nello spazio dei comportamenti degli agenti, mentre l'emergere continuo di nuovi motivi e collegamenti a lungo raggio realizza una prospettiva gödeliana: agenti interattivi più un modello del mondo esterno condiviso si comportano come un meta-sistema le cui traiettorie creative vanno oltre quelle di qualsiasi modello singolo e monolitico.

Che bella sorpresa - ho appena ricevuto una copia cartacea del Journal of Materials Research con il nostro articolo in copertina! Il nostro articolo, "Agentic Deep Graph Reasoning Yields Self-Organizing Knowledge Networks," esplora come l'AI possa andare oltre il recupero statico per costruire e affinare attivamente le proprie strutture di conoscenza. Il sistema cresce un grafo di concetti e relazioni attraverso il ragionamento ricorsivo - effettivamente "pensando in grafi" - e si auto-organizza in reti modulari senza scala che rispecchiano come evolve la conoscenza umana. Le implicazioni sono entusiasmanti: questo approccio potrebbe trasformare il modo in cui l'AI scopre nuovi materiali, collega idee tra discipline e genera ipotesi scientifiche - portando verso sistemi auto-organizzanti e guidati dal ragionamento per la scienza e l'ingegneria. Questo lavoro è stato pubblicato come Invited Feature Paper in connessione con la mia conferenza come Relatore Invitato Distinto presso il MRS Spring Meeting a Seattle, e sono grato al MRS Journal of Materials Research e a @SpringerNature per averlo presentato in copertina. Un grande grazie a tutti coloro che stanno avanzando il confine della scoperta guidata dall'AI e del ragionamento nativo nei grafi! È un momento entusiasmante per la convergenza tra scienza, intelligenza e design.