用于严格和可扩展的细胞追踪的AI 随着时间的推移跟踪单个细胞是生物学中最困难的计算挑战之一。细胞分裂、迁移和改变形状，即使使用强大的显微镜，重建谱系的任务也像是在拼装一个不断移动的拼图。几十年来，这项工作主要依赖于启发式或临时规则，这使得可重复性变得困难，结果在不同实验室之间难以比较。 最近的两篇论文展示了AI和现代计算如何改变这一领域。在OrganoidTracker 2.0中，Betjes及其合著者引入了一种概率框架，量化谱系分配中的不确定性。该方法不仅仅输出“最佳猜测”，还附加了置信水平，使研究人员能够识别模糊案例，并确保更严格的下游分析。 与此同时，Bragantini及其合著者提出了Ultrack，这是一种旨在可扩展性和可访问性的工具。通过将先进的优化和基于图的算法集成到广泛使用的平台中，Ultrack使得能够高效处理大规模成像数据集，同时降低了采用的门槛。 这些进展标志着细胞追踪的转变：从脆弱的启发式方法转向统计基础、可扩展和广泛可用的工具。它们展示了AI不仅仅是在自动化一项任务，而是在可重复性、不确定性和与真实实验工作流程的整合方面重新构建这一任务。