AI for streng og skalerbar cellesporing Å følge individuelle celler over tid er en av biologiens vanskeligste beregningsutfordringer. Celler deler seg, migrerer og endrer form, og selv med kraftige mikroskoper kan oppgaven med å rekonstruere avstamninger føles som å sette sammen et puslespill der brikkene hele tiden skifter. I flere tiår var mye av dette arbeidet avhengig av heuristikk eller ad-hoc-regler, noe som gjorde reproduserbarhet vanskelig og resultater vanskelige å sammenligne på tvers av laboratorier. To nylige artikler viser hvordan AI og moderne beregning transformerer dette feltet. I OrganoidTracker 2.0 introduserer Betjes og medforfattere et probabilistisk rammeverk som kvantifiserer usikkerhet i avstamningstildelinger. I stedet for bare å sende ut en "beste gjetning", legger metoden til konfidensnivåer, slik at forskere kan identifisere tvetydige tilfeller og sikre strengere nedstrømsanalyser. Parallelt presenterer Bragantini og medforfattere Ultrack, et verktøy designet for skalerbarhet og tilgjengelighet. Ved å integrere avansert optimalisering og grafbaserte algoritmer i mye brukte plattformer, gjør Ultrack det mulig å behandle store bildedatasett effektivt samtidig som barrierene for adopsjon senkes. Sammen markerer disse fremskrittene et skifte i cellesporing: fra skjør heuristikk til statistisk forankrede, skalerbare og bredt brukbare verktøy. De viser hvordan AI ikke bare automatiserer en oppgave, men omformulerer den når det gjelder reproduserbarhet, usikkerhet og integrasjon med reelle eksperimentelle arbeidsflyter. Papirer: &