AI per il tracciamento rigoroso e scalabile delle cellule Seguire le singole cellule nel tempo è una delle sfide computazionali più difficili della biologia. Le cellule si dividono, migrano e cambiano forma, e anche con microscopi potenti, il compito di ricostruire le linee di discendenza può sembrare un puzzle in cui i pezzi si spostano continuamente. Per decenni, gran parte di questo lavoro si è basata su euristiche o regole ad hoc, il che ha reso difficile la riproducibilità e i risultati difficili da confrontare tra i laboratori. Due articoli recenti mostrano come l'AI e la moderna computazione stiano trasformando questo campo. In OrganoidTracker 2.0, Betjes e coautori introducono un framework probabilistico che quantifica l'incertezza nelle assegnazioni di discendenza. Invece di semplicemente fornire una "migliore ipotesi", il metodo allega livelli di confidenza, consentendo ai ricercatori di identificare casi ambigui e garantire analisi più rigorose a valle. In parallelo, Bragantini e coautori presentano Ultrack, uno strumento progettato per la scalabilità e l'accessibilità. Integrando algoritmi avanzati di ottimizzazione e basati su grafi in piattaforme ampiamente utilizzate, Ultrack rende possibile elaborare set di dati di imaging su larga scala in modo efficiente, abbassando le barriere all'adozione. Insieme, questi progressi segnano un cambiamento nel tracciamento delle cellule: da euristiche fragili verso strumenti statisticamente fondati, scalabili e ampiamente utilizzabili. Dimostrano come l'AI non stia solo automatizzando un compito, ma lo stia riformulando in termini di riproducibilità, incertezza e integrazione con flussi di lavoro sperimentali reali. Articoli: &

Logica di programmazione nelle proteine: biomateriali intelligenti che calcolano La maggior parte dei "biomateriali intelligenti" di oggi risponde in modi semplici, uno a uno: un input produce un output. Un idrogel potrebbe rilasciare un farmaco quando esposto alla luce, oppure una nanoparticella potrebbe degradarsi quando incontra un certo enzima. Ma la biologia raramente funziona in isolamento. Le cellule e i tessuti elaborano costantemente più segnali contemporaneamente, e i biomateriali di prossima generazione dovranno fare lo stesso: decidere quando rilasciare, attivare o localizzare una proteina solo se è presente la giusta combinazione di attivatori. Ryan Gharios e i coautori presentano un framework che rende questo possibile. Invece di fare affidamento su sintesi chimiche lente e a basso rendimento, codificano la logica AND/OR/YES direttamente nelle proteine durante l'espressione ricombinante. Il trucco è utilizzare linker ingegnerizzati la cui topologia definisce il "gate": i siti di taglio in serie si comportano come OR, in parallelo come AND, e un singolo sito come YES. Le proteasi ortogonali fungono da "input", e il materiale rilascia il suo carico proteico solo quando la condizione logica programmata è soddisfatta. Con questo approccio, il team ha implementato tutti i 17 possibili comportamenti logici a tre input e persino esteso a un operatore a cinque input. Hanno dimostrato un rilascio preciso di proteine da sfere magnetiche, una consegna multiplexata da idrogeli, etichettatura condizionale delle cellule HER2⁺ e programmi intracellulari che decidono se una proteina rimane alla membrana o si diffonde nel citosol. Il vero progresso è la scalabilità. Poiché la logica è codificata geneticamente, i progetti possono essere rapidamente compilati, prodotti in batteri e purificati su larga scala, aprendo la strada a terapie programmabili, impalcature reattive per l'ingegneria dei tessuti e sistemi bioibridi in cui cellule viventi e materiali calcolano insieme. Questo lavoro indica un futuro in cui i biomateriali non si limitano a rispondere, ma decidono effettivamente, portando la logica booleana dai circuiti digitali ai sistemi viventi. Articolo:

Calcolo DNA ricaricabile a caldo: circuiti logici che si ripristinano con un impulso di calore Il DNA non è solo il portatore di informazioni genetiche: può anche essere programmato come un linguaggio di coppie di basi per costruire circuiti che calcolano. Negli ultimi due decenni, i ricercatori hanno progettato porte logiche DNA, oscillatori e persino reti neurali. La sfida è che la maggior parte di questi sistemi è monouso: una volta che un circuito è in funzione, si sposta verso l'equilibrio e smette di funzionare. Ogni nuovo compito richiede nuovi filamenti di "carburante", creando rifiuti e limitando la scalabilità. Tianqi Song e Lulu Qian presentano un'alternativa sorprendente: circuiti che si ricaricano con nient'altro che un breve impulso di calore. Legando le uscite alle loro porte in una struttura a forcina, gli ingressi continuano a guidare il calcolo attraverso lo spostamento dei filamenti, ma dopo l'uso, il riscaldamento rompe i legami deboli mentre i legami forti si mantengono. Il raffreddamento ripristina quindi il sistema a uno stato pronto intrappolato cineticamente, pronto per nuovi ingressi. Il guadagno è grande. Dimostrano almeno 16 turni riutilizzabili di calcolo nello stesso tubo, con ripristini in pochi minuti. L'approccio si adatta a circuiti con oltre 200 specie di DNA, comprese reti neurali winner-take-all e un classificatore a 100 bit che distingue le cifre MNIST 6 da 7. Le prestazioni rimangono costanti attraverso i ripristini, con un accumulo minimo di rifiuti. Il risultato è una sorta di fonte di energia universale per il calcolo molecolare: il calore agisce come la "batteria" che alimenta logica, soglie e reti neurali senza carburanti personalizzati. Indica un futuro in cui i computer DNA sostengono comportamenti autonomi, adattivi e potenzialmente di apprendimento in sistemi chimici autonomi. Articolo: