Nam H. Le, Douglas Blackiston, Michael Levin e Josh Bongard treinaram um sistema para transformar instruções breves como «acelera» numa escolha de ensaios de estimulação eléctrica anteriormente registados em xenobots. O seu preprint no arXiv de 30 de Setembro refere que o modelo preferido escolheu um resultado arquivado na direcção pretendida em 80,0% das comparações reservadas mais difíceis. É um resultado de associação offline. Os autores não referiram ter aplicado previsões a xenobots recentemente estimulados.

Para biólogos interessados em orientar sistemas vivos, importa perceber o que fez a IA entre uma frase e uma intervenção física. Aqui avaliou trajectórias antigas, ajudou a treinar um modelo de instrução para duração e devolveu um ensaio anterior mais próximo do comportamento pedido. Não demonstrou que um novo organismo reagiria da mesma forma.

A grande mudança

  • O que mudou:Os investigadores usaram um avaliador de IA para ligar pedidos de movimento em linguagem corrente à duração da estimulação eléctrica num arquivo existente de xenobots. Assim podem treinar uma interface linguística sem recolher uma nova experiência para cada instrução.
  • Porque importa:Investigadores com registos de intervenções e resultados podem averiguar se esses registos permitem uma interface linguística útil antes de investirem tempo de laboratório em ensaios prospectivos. Neste estudo, a interface trata um parâmetro de estimulação e direcções de movimento gerais; o seu valor prático não foi testado.
  • O que observar:A experiência decisiva seguinte consiste em aplicar uma duração escolhida a um novo xenobot e medir se o movimento segue o pedido. O preprint propõe esse teste; a exactidão referida mede a associação ao arquivo.

O que o modelo realmente aprendeu

Os xenobots são pequenas estruturas vivas feitas de células de Xenopus laevis. Nas experiências reutilizadas neste artigo, acompanhou-se uma estrutura antes e depois de um estímulo eléctrico. A duração do estímulo era o único parâmetro que o novo sistema podia escolher. O vídeo arquivado mostrava se o xenobot se movia mais depressa ou mais devagar depois.

Os autores começaram por extrair trajectórias bidimensionais dos vídeos. O processo de seguimento usou o Segment Anything Model e vários métodos de detecção para lidar com bolhas, reflexos e detritos. Depois deram ao modelo de visão-linguagem identificado como Claude na declaração de uso de IA uma instrução e uma trajectória desenhada. Claude avaliou a correspondência entre o movimento registado e as palavras; não viu a duração do estímulo.

Essas pontuações tornaram-se uma tabela fixa de recompensas. Outra rede recebia uma representação da instrução e previa a duração da estimulação. No método principal, os investigadores ajustaram uma curva de pontuação suave às durações arquivadas de cada instrução, derivaram uma duração-alvo e treinaram a rede para a prever. Ao apresentar um resultado, o sistema associava a previsão a um ensaio já registado e mostrava a respectiva trajectória. A Figura 1 do artigo apresenta esta sequência; a demonstração da Figura 10 devolve trajectórias antigas para três instruções escritas. «Interface em directo» no artigo descreve essa visualização interactiva, não o controlo de um organismo em tempo real.

Quão sólido é o resultado do arquivo?

A colecção inicial continha 149 ensaios acompanhados. Os autores excluíram 48 por falta de fiabilidade, ficando 101 ensaios de xenobots distintos: 26 classificados como mais rápidos e 75 como mais lentos. Referem um subconjunto de treino com 61 ensaios e um de teste com 40. O sistema usou 33 instruções de treino; a avaliação incluiu também instruções ausentes do treino. O teste considerou correcta uma duração prevista quando os três ensaios mais próximos em duração no subconjunto pertinente do arquivo votavam na direcção de movimento pretendida.

Na comparação com instruções novas e o subconjunto de teste do arquivo, o método de treino preferido atingiu 80,0% de exactidão em 30 sementes de treino. Uma regra que prevê sempre «mais devagar» obtém 66,7% porque o teste equilibra três tipos de instrução, mas junta «abranda» e «pára» na mesma categoria. Um modelo treinado com um alvo mais simples, derivado das alterações de velocidade medidas, atingiu 59,1% nessa comparação. São resultados dos autores no seu conjunto de dados, não uma taxa de sucesso medida em novos xenobots.

Os autores também compararam o avaliador de IA com rótulos de movimento derivados independentemente das trajectórias. Referem 97% de concordância na classificação mais rápido/mais lento. Isso apoia o avaliador para esta distinção geral, embora a pontuação se correlacionasse menos com a dimensão da alteração de velocidade. O método não aprendeu de forma fiável comandos distintos para uma desaceleração ligeira e uma paragem; ambas contam como «mais lento» no resultado principal.

Há um pormenor da divisão de dados que um revisor independente terá de esclarecer. A Secção 3.4 descreve a pontuação dos 101 ensaios arquivados com as 33 instruções de treino para criar a tabela de recompensas; a Secção 3.5 descreve uma avaliação com conjuntos de treino e teste separados. O artigo apresenta este último como reservado, mas o texto principal não esclarece como foram excluídas dos alvos de treino as pontuações dos ensaios de teste. Esta incerteza limita a confiança com que os 80,0% podem ser interpretados como generalização a registos não vistos.

O teste biológico em falta

A intervenção continua a ser uma duração recuperada do arquivo. O modelo não compõe um novo protocolo eléctrico, não escolhe outras definições de estímulo nem demonstra que um novo xenobot reagirá como um arquivado. O treino e a avaliação não incluíram um ensaio laboratorial com organismos vivos. O preprint também não demonstra resultados semelhantes em organóides, reparação de tecidos ou uso clínico, apesar das possibilidades mais amplas do título e discussão.

O artigo é um preprint do arXiv e as provas apresentadas não incluem replicação independente. O contributo imediato é um método de aprendizagem a partir de registos nos quais as instruções nunca foram associadas a intervenções. Saber se pode orientar células vivas prospectivamente continua a ser uma questão experimental.

Fontes e leituras adicionais