Nam H. Le, Douglas Blackiston, Michael Levin, dan Josh Bongard melatih sistem agar instruksi singkat seperti “percepat” menjadi pilihan dari uji stimulasi listrik yang sebelumnya direkam pada xenobot. Prapublikasi arXiv 30 September melaporkan bahwa model pilihan mereka memilih hasil arsip ke arah yang dimaksud pada 80,0% perbandingan tertahan tersulit. Ini hasil pencocokan luring. Penulis tidak melaporkan penerapan prediksi pada xenobot yang baru distimulasi.

Bagi ahli biologi yang ingin mengarahkan sistem hidup, pertanyaan bergunanya ialah apa yang dilakukan AI antara kalimat dan intervensi fisik. Di sini AI menilai jejak gerak lama, membantu melatih model instruksi-ke-durasi, dan mengembalikan uji lama yang paling sesuai. Studi ini tidak membuktikan organisme baru akan merespons sama.

Perubahan besar

  • Apa yang berubah:Peneliti memakai penilai AI untuk menghubungkan permintaan gerak dalam bahasa biasa dengan durasi stimulasi listrik pada arsip xenobot yang sudah ada. Cara ini melatih antarmuka bahasa tanpa mengumpulkan eksperimen baru untuk setiap instruksi.
  • Mengapa penting:Peneliti dengan catatan intervensi dan hasil dapat memeriksa apakah catatan itu mendukung antarmuka bahasa yang berguna sebelum menghabiskan waktu laboratorium untuk uji prospektif. Di sini antarmuka menangani satu parameter stimulasi dan arah gerak kasar; nilai praktisnya belum diuji.
  • Yang perlu diperhatikan:Eksperimen penentu berikutnya ialah menerapkan durasi pilihan pada xenobot baru dan mengukur apakah geraknya mengikuti instruksi. Prapublikasi mengusulkan uji itu; akurasi yang dilaporkan mengukur pencocokan arsip.

Apa yang dipelajari model

Xenobot adalah konstruksi hidup kecil dari sel Xenopus laevis. Dalam eksperimen yang digunakan ulang, satu konstruksi dilacak sebelum dan sesudah stimulus listrik. Durasi stimulus adalah satu-satunya parameter yang dapat dipilih sistem baru. Video arsip menunjukkan apakah xenobot kemudian bergerak lebih cepat atau lambat.

Penulis lebih dulu mengambil lintasan 2D dari video. Pelacakan memakai Segment Anything Model dan beberapa metode deteksi untuk gelembung, pantulan, dan serpihan. Lalu model visi-bahasa yang disebut Claude dalam pernyataan penggunaan AI diberi instruksi dan lintasan gerak yang diplot. Claude menilai kecocokan gerak tercatat dengan kata-kata; durasi stimulus tidak terlihat olehnya.

Skor itu menjadi tabel imbalan tetap. Jaringan lain memakai embedding instruksi untuk memprediksi durasi stimulasi. Metode utama memasang kurva skor halus pada durasi arsip untuk tiap instruksi, menurunkan durasi sasaran, lalu melatih jaringan memprediksinya. Saat menampilkan hasil, sistem mencocokkan prediksi dengan uji yang sudah direkam dan menampilkan lintasannya. Gambar 1 makalah menunjukkan urutan ini; demo Gambar 10 mengembalikan lintasan lama untuk tiga instruksi tertulis. “Antarmuka langsung” dalam makalah berarti tampilan interaktif, bukan kendali langsung atas organisme.

Seberapa kuat hasil arsipnya?

Koleksi awal memuat 149 uji terlacak. Penulis mengecualikan 48 yang tidak andal dan menyisakan 101 uji dari xenobot berbeda: 26 lebih cepat, 75 lebih lambat. Mereka melaporkan 61 uji untuk pelatihan dan 40 untuk pengujian. Sistem memakai 33 instruksi pelatihan; evaluasi juga memakai instruksi di luar pelatihan. Durasi prediksi dihitung benar bila tiga uji terdekat berdasarkan durasi dalam subset arsip terkait memilih arah gerak yang diminta.

Dalam perbandingan yang memakai instruksi baru dan subset arsip uji, metode pilihan makalah mencapai 80,0% akurasi pada 30 benih pelatihan. Aturan yang selalu memprediksi “lebih lambat” mendapat 66,7% karena pengujian menyeimbangkan tiga tipe instruksi, tetapi menggabungkan “perlambat” dan “berhenti” sebagai lebih lambat. Model dengan sasaran sederhana dari perubahan kecepatan terukur mencapai 59,1% dalam perbandingan itu. Ini hasil penulis pada data mereka, bukan tingkat keberhasilan terukur pada xenobot baru.

Penulis juga memeriksa penilai AI terhadap label gerak yang diturunkan secara terpisah dari lintasan. Mereka melaporkan kesepakatan 97% untuk klasifikasi lebih cepat versus lebih lambat. Ini mendukung pembedaan kasar, meski skor kurang berkorelasi dengan besar perubahan kecepatan. Metode tidak andal mempelajari perintah berbeda untuk perlambatan ringan dan berhenti; keduanya dihitung “lebih lambat”.

Ada rincian pembagian data yang perlu diselesaikan penelaah independen. Bagian 3.4 menjelaskan pemberian skor pada semua 101 uji arsip dengan 33 instruksi pelatihan untuk membuat tabel imbalan; Bagian 3.5 menjelaskan evaluasi arsip dengan pemisahan pelatihan dan pengujian. Makalah menyebut bagian kedua sebagai data tertahan, tetapi teks utama tidak jelas menjelaskan cara skor uji dikeluarkan dari target pelatihan. Ketidakpastian itu membatasi keyakinan membaca 80,0% sebagai generalisasi ke catatan arsip yang belum terlihat.

Uji biologis yang belum ada

Intervensi tetap berupa durasi yang diambil dari arsip. Model tidak dapat menyusun protokol listrik baru, memilih pengaturan stimulus lain, atau menunjukkan xenobot baru merespons seperti yang diarsipkan. Pelatihan dan evaluasi tidak menambahkan uji laboratorium basah. Prapublikasi juga tidak menetapkan hasil serupa untuk organoid, perbaikan jaringan, atau penggunaan klinis meski judul dan diskusinya menyebut kemungkinan lebih luas.

Makalah ini prapublikasi arXiv; bukti yang dilaporkan tidak mencakup replikasi independen. Kontribusi langsungnya metode belajar dari catatan yang instruksinya tidak dipasangkan dengan intervensi. Apakah metode itu dapat mengarahkan sel hidup secara prospektif tetap pertanyaan eksperimen.

Sumber dan bacaan lanjutan