AI för rigorös och skalbar cellspårning Att följa enskilda celler över tid är en av biologins svåraste beräkningsutmaningar. Celler delar sig, migrerar och ändrar form, och även med kraftfulla mikroskop kan uppgiften att rekonstruera linjer kännas som att lägga ett pussel där bitar ständigt skiftar. I årtionden förlitade sig mycket av detta arbete på heuristik eller ad hoc-regler, vilket gjorde reproducerbarheten svår och resultaten svåra att jämföra mellan laboratorier. Två nya artiklar visar hur AI och moderna beräkningar förändrar detta område. I OrganoidTracker 2.0 introducerar Betjes och medförfattare ett probabilistiskt ramverk som kvantifierar osäkerhet i ursprungstilldelningar. I stället för att bara ge en "bästa gissning" kopplar metoden till konfidensnivåer, vilket gör det möjligt för forskare att identifiera tvetydiga fall och säkerställa mer rigorösa analyser nedströms. Parallellt presenterar Bragantini och medförfattare Ultrack, ett verktyg designat för skalbarhet och tillgänglighet. Genom att integrera avancerad optimering och grafbaserade algoritmer i allmänt använda plattformar gör Ultrack det möjligt att bearbeta storskaliga bilddatauppsättningar effektivt samtidigt som man sänker barriärerna för införande. Tillsammans markerar dessa framsteg ett skifte i cellspårning: från bräcklig heuristik till statistiskt grundade, skalbara och brett användbara verktyg. De visar hur AI inte bara automatiserar en uppgift utan omformulerar den i termer av reproducerbarhet, osäkerhet och integration med verkliga experimentella arbetsflöden. Papper: &