生命的起源被神秘笼罩着，几乎没有生存线索，被进化竞争所掩盖。先前的评论涉及自上而下和自下而上的合成生物学的互补方法，以增强我们对生活系统的理解。在这里，我们指出这些领域之间的协同作用，尤其是自下而上的合成生物学和生命研究起源之间。我们探讨了与拥挤的细胞，其新陈代谢以及生长和分裂周期以及如何开始合并这些努力的人造细胞隔室取得的最新进展。尽管当前生活的复杂性是其最引人注目的特征之一，但人生的基本特征都不需要它，而且它们从一开始就不太可能出现因此而变得复杂。当前的研究不是通过恢复一个真正的起源而恢复真正的起源，而是通过挑出一组基本组成部分可能产生的复杂性和进化而融合了最小生命的出现。

The applicability of computational models to the biological world is an active topic of debate. We argue that a useful path forward results from abandoning hard boundaries between categories and adopting an observer-dependent, pragmatic view. Such a view dissolves the contingent dichotomies driven by human cognitive biases (e.g., tendency to oversimplify) and prior technological limitations in favor of a more continuous, gradualist view necessitated by the study of evolution, developmental biology, and intelligent machines. Efforts to re-shape living systems for biomedical or bioengineering purposes require prediction and control of their function at multiple scales. This is challenging for many reasons, one of which is that living systems perform multiple functions in the same place at the same time. We refer to this as "polycomputing" - the ability of the same substrate to simultaneously compute different things. This ability is an important way in which living things are a kind of computer, but not the familiar, linear, deterministic kind; rather, living things are computers in the broad sense of computational materials as reported in the rapidly-growing physical computing literature. We argue that an observer-centered framework for the computations performed by evolved and designed systems will improve the understanding of meso-scale events, as it has already done at quantum and relativistic scales. Here, we review examples of biological and technological polycomputing, and develop the idea that overloading of different functions on the same hardware is an important design principle that helps understand and build both evolved and designed systems. Learning to hack existing polycomputing substrates, as well as evolve and design new ones, will have massive impacts on regenerative medicine, robotics, and computer engineering.

科学和工程学的进步通常揭示了最初用于理解，预测和控制现象的经典方法的局限性。随着进步，通常必须重新评估概念类别，以更好地跟踪最近在学科中发现的不变性。完善框架并解决学科之间的界限是至关重要的，以便它们更好地促进而不是限制实验方法和能力。在本文中，我们讨论了发育生物学，计算机科学和机器人技术的交集问题。在生物机器人的背景下，我们探索了概念，信息和生命科学的最新进展所驱动的概念和以前不同领域的变化。本文中，每个作者都提供了自己对该主题的看法，并由他们自己的纪律培训构成。我们认为，与计算一样，发育生物学和机器人技术的某些方面与特定材料无关。相反，这些领域的一致性可以帮助阐明多尺度控制，自组装以及形式与功能之间的关系。我们希望由于克服技术局限性而引起的界限，可以出现新的领域，从而将实际应用从再生医学到有用的合成生命机器。

讨论了与科学，工程，建筑和人为因素相关的月球表面上的运输设施问题。未来十年制造的后勤决策可能对财务成功至关重要。除了概述一些问题及其与数学和计算的关系外，本文还为决策者，科学家和工程师提供了有用的资源。

克里斯·兰顿（Chris Langton）所阐明的人工生命研究的目标是“通过将生活与我们的生活定位在更大的生活中，为理论生物学做出贡献.1）。人工进化系统中对开放式进化的研究和追求证明了这一目标。但是，开放式进化研究受到两个基本问题的阻碍。在人工进化系统中复制开放式的斗争，以及我们只有一个系统（遗传进化）来汲取灵感的事实。在这里，我们认为，文化进化不仅应视为开放式进化系统的另一个现实世界的例子，而且文化进化中看到的独特品质为我们提供了一个新的观点，我们可以从中评估，我们可以评估，我们可以评估，这是我们可以评估的基本属性。并询问有关开放式进化系统的新问题，尤其是关于发展的开放性和从边界到无限进化的过渡。在这里，我们提供了文化作为进化系统的概述，强调了人类文化进化为开放式进化系统的有趣案例，并在（进化）开放式进化的框架下将文化进化化。我们继续提供一组新问题，一旦我们考虑了开放式演变框架内的文化演变，并引入了新见解，我们可能会因为询问这些信息而获得有关进化的开放性的新见解。问题。

Artificial Intelligence (AI) and Machine Learning (ML) are weaving their way into the fabric of society, where they are playing a crucial role in numerous facets of our lives. As we witness the increased deployment of AI and ML in various types of devices, we benefit from their use into energy-efficient algorithms for low powered devices. In this paper, we investigate a scale and medium that is far smaller than conventional devices as we move towards molecular systems that can be utilized to perform machine learning functions, i.e., Molecular Machine Learning (MML). Fundamental to the operation of MML is the transport, processing, and interpretation of information propagated by molecules through chemical reactions. We begin by reviewing the current approaches that have been developed for MML, before we move towards potential new directions that rely on gene regulatory networks inside biological organisms as well as their population interactions to create neural networks. We then investigate mechanisms for training machine learning structures in biological cells based on calcium signaling and demonstrate their application to build an Analog to Digital Converter (ADC). Lastly, we look at potential future directions as well as challenges that this area could solve.

受生物学最复杂的计算机的启发，大脑，神经网络构成了计算原理的深刻重新重新制定。值得注意的是，在活细胞内部的信息处理分子系统（例如信号转导级联和遗传调节网络）内，在信息处理的分子系统中也出现了类似的高维，高度相关的计算体系结构。在其他物理和化学过程中，即使表面上扮演非信息处理的角色，例如蛋白质合成，代谢或结构自组装等表面上，神经形态集体模式是否会更广泛地发现。在这里，我们检查了多组分结构自组装过程中的成核，表明可以以类似于神经网络计算的方式对高维浓度模式进行区分和分类。具体而言，我们设计了一组917个DNA瓷砖，可以以三种替代方式自组装，从而使竞争成核敏感地取决于三个结构中高分化瓷砖共定位的程度。该系统经过训练，以将18个灰度30 x 30像素图像分为三类。在150小时的退火过程中和之后，在实验上，荧光和原子力显微镜监测确定所有训练有素的图像均正确分类，而一组图像变化集探测了结果的鲁棒性。尽管与先前的生化神经网络相比缓慢，但我们的方法令人惊讶地紧凑，健壮且可扩展。这种成功表明，无处不在的物理现象（例如成核）在将高维多分量系统缩放时可能具有强大的信息处理能力。

信号处理是几乎任何传感器系统的基本组件，具有不同科学学科的广泛应用。时间序列数据，图像和视频序列包括可以增强和分析信息提取和量化的代表性形式的信号。人工智能和机器学习的最近进步正在转向智能，数据驱动，信号处理的研究。该路线图呈现了最先进的方法和应用程序的关键概述，旨在突出未来的挑战和对下一代测量系统的研究机会。它涵盖了广泛的主题，从基础到工业研究，以简明的主题部分组织，反映了每个研究领域的当前和未来发展的趋势和影响。此外，它为研究人员和资助机构提供了识别新前景的指导。

Artificial life is a research field studying what processes and properties define life, based on a multidisciplinary approach spanning the physical, natural and computational sciences. Artificial life aims to foster a comprehensive study of life beyond "life as we know it" and towards "life as it could be", with theoretical, synthetic and empirical models of the fundamental properties of living systems. While still a relatively young field, artificial life has flourished as an environment for researchers with different backgrounds, welcoming ideas and contributions from a wide range of subjects. Hybrid Life is an attempt to bring attention to some of the most recent developments within the artificial life community, rooted in more traditional artificial life studies but looking at new challenges emerging from interactions with other fields. In particular, Hybrid Life focuses on three complementary themes: 1) theories of systems and agents, 2) hybrid augmentation, with augmented architectures combining living and artificial systems, and 3) hybrid interactions among artificial and biological systems. After discussing some of the major sources of inspiration for these themes, we will focus on an overview of the works that appeared in Hybrid Life special sessions, hosted by the annual Artificial Life Conference between 2018 and 2022.

这篇理论文章研究了如何在计算机中构建类似人类的工作记忆和思维过程。应该有两个工作记忆存储，一个类似于关联皮层中的持续点火，另一个类似于大脑皮层中的突触增强。这些商店必须通过环境刺激或内部处理产生的新表示不断更新。它们应该连续更新，并以一种迭代的方式进行更新，这意味着在下一个状态下，应始终保留一组共同工作中的某些项目。因此，工作记忆中的一组概念将随着时间的推移逐渐发展。这使每个状态都是对先前状态的修订版，并导致连续的状态与它们所包含的一系列表示形式重叠和融合。随着添加新表示形式并减去旧表示形式，在这些更改过程中，有些保持活跃几秒钟。这种持续活动，类似于人工复发性神经网络中使用的活动，用于在整个全球工作区中传播激活能量，以搜索下一个关联更新。结果是能够朝着解决方案或目标前进的联想连接的中间状态链。迭代更新在这里概念化为信息处理策略，一种思想流的计算和神经生理决定因素以及用于设计和编程人工智能的算法。

基因调节网络是负责确定蛋白质和肽生产水平的生物生物体相互作用的网络。蛋白质是细胞工厂的工人，其生产定义了细胞及其开发的目标。已经进行了各种尝试来建模此类网络，以更好地了解这些生物系统，并利用了解它们的灵感来解决计算问题。在这项工作中，提出了一个针对基因调节网络的生物学上更现实的模型，该模型结合了细胞自动机和人工化学，以模拟称为转录因子和基因调节位点的调节蛋白之间的相互作用。这项工作的结果表明，复杂的动力学接近自然界中可以观察到的东西。在这里，对系统的初始状态对产生的动力学的影响进行了分析，这表明可以将这种可转化的模型针对产生所需的蛋白质动力学。

我们提出，生命的连续性及其演变来自称为合身生存的互动群体过程。该过程取代了达尔文人的个人斗争和适合生存理论，这是进化的主要机制。在这里，我们提出，自然过程与计算机自动编码功能相关。自动编码是一种机器学习技术，用于提取输入数据基本特征的紧凑表示。通过自动编码降低维度性，建立一个代码，该代码能够基于解码相关数据的各种应用程序。我们确定以下几点：（1）我们通过其物种相互作用代码定义一个物种，该物种由该物种与其外部环境和内部环境的基本核心相互作用组成；核心相互作用由包括分子细胞 - 生物在内的多尺度网络编码。 （2）通过可持续变化的物种相互作用代码进行进化；这些变化的代码既反映和构建物种环境。物种的生存是通过我们称为自然自动编码的内容来计算的：输入相互作用的阵列会产生物种代码，该代码通过解码为持续生态系统相互作用的网络而生存。 DNA只是天然自动编码的一个元素。 （3）自然自动编码和人工自动编码过程明确定义了相似性和差异。天然自动编码的生存为进化机理提供了新的启示，并解释了为什么可居住的生物圈需要多样化的拟合组相互作用。

在本文中，我们以神经处理的水平垂直整合模型的形式阐述了一种新型的神经塑性模型。我们认为，一种新的神经建模方法将受益于第三波AI。水平面由通过传输链路连接的神经元的自适应网络组成，该网络由传播链路连接，该链接生成时空尖峰模式。这符合标准的计算神经科学方法。此外，对于每个单独的神经元，还有一个垂直部分，该部分由内部自适应参数组成，这些参数转向了与神经传播有关的外部膜表达参数。每个神经元都有一个与（a）在膜层处的外部参数相对应的参数的垂直模块化系统，分为隔室（刺，boutons）（b）串膜区域中的内部参数和带有其蛋白质信号网络和（C）的细胞质中的内部参数遗传和表观遗传信息的细胞核中的核心参数。在这样的模型中，水平网络中的每个节点（=神经元）都有其自己的内部内存。神经传播和信息存储是系统分开的，这是突触重量模型的重要概念前进。我们讨论了基于膜的（外部）滤波和外部信号的选择，以通过快速波动和神经元内计算策略从细胞内蛋白质信号传导到细胞核作为核心系统。我们想证明，单个神经元在信号的计算中具有重要作用，并且从突触重量调节假设中得出的许多假设可能无法在真实的大脑中保留。并非每个传输事件都会留下痕迹，而神经元是一种自我编程的设备，而不是由电流输入被动确定。最终，我们努力构建一个灵活的内存系统，该系统自动处理事实和事件。

在过去的几年中，计算机视觉的显着进步总的来说是归因于深度学习，这是由于大量标记数据的可用性所推动的，并与GPU范式的爆炸性增长配对。在订阅这一观点的同时，本书批评了该领域中所谓的科学进步，并在基于信息的自然法则的框架内提出了对愿景的调查。具体而言，目前的作品提出了有关视觉的基本问题，这些问题尚未被理解，引导读者走上了一个由新颖挑战引起的与机器学习基础共鸣的旅程。中心论点是，要深入了解视觉计算过程，有必要超越通用机器学习算法的应用，而要专注于考虑到视觉信号的时空性质的适当学习理论。

This chapter sheds light on the synaptic organization of the brain from the perspective of computational neuroscience. It provides an introductory overview on how to account for empirical data in mathematical models, implement them in software, and perform simulations reflecting experiments. This path is demonstrated with respect to four key aspects of synaptic signaling: the connectivity of brain networks, synaptic transmission, synaptic plasticity, and the heterogeneity across synapses. Each step and aspect of the modeling and simulation workflow comes with its own challenges and pitfalls, which are highlighted and addressed in detail.

即使自上古以来就已经使用了类似于出现的概念，我们也缺乏商定的定义。但是，出现已被确定为复杂系统的主要特征之一。大多数人会同意``生活很复杂''的说法。因此，理解出现和复杂性应受益于生活系统的研究。可以说，生命来自复杂分子的相互作用。但是，了解生活系统有多么有用？近几十年来，已经开发了人工生命（Alife），以使用合成方法来研究生活：建立它以理解它。 Alife系统并不那么复杂，无论是柔软的（模拟），硬（机器人）或湿（原始的）。然后，我们可以首先了解Alife中的出现，因为然后在生物学上使用这种知识。我认为，要了解出现和生活，将信息用作框架变得有用。从一般意义上讲，我将出现定义为一个不存在的信息，而这些信息是一个规模，但在另一个规模上存在。该观点避免了从唯物主义框架研究出现的问题，并且在研究自组织和复杂性方面也可能有用。

Agent-based modeling (ABM) is a well-established paradigm for simulating complex systems via interactions between constituent entities. Machine learning (ML) refers to approaches whereby statistical algorithms 'learn' from data on their own, without imposing a priori theories of system behavior. Biological systems -- from molecules, to cells, to entire organisms -- consist of vast numbers of entities, governed by complex webs of interactions that span many spatiotemporal scales and exhibit nonlinearity, stochasticity and intricate coupling between entities. The macroscopic properties and collective dynamics of such systems are difficult to capture via continuum modelling and mean-field formalisms. ABM takes a 'bottom-up' approach that obviates these difficulties by enabling one to easily propose and test a set of well-defined 'rules' to be applied to the individual entities (agents) in a system. Evaluating a system and propagating its state over discrete time-steps effectively simulates the system, allowing observables to be computed and system properties to be analyzed. Because the rules that govern an ABM can be difficult to abstract and formulate from experimental data, there is an opportunity to use ML to help infer optimal, system-specific ABM rules. Once such rule-sets are devised, ABM calculations can generate a wealth of data, and ML can be applied there too -- e.g., to probe statistical measures that meaningfully describe a system's stochastic properties. As an example of synergy in the other direction (from ABM to ML), ABM simulations can generate realistic datasets for training ML algorithms (e.g., for regularization, to mitigate overfitting). In these ways, one can envision various synergistic ABM$\rightleftharpoons$ML loops. This review summarizes how ABM and ML have been integrated in contexts that span spatiotemporal scales, from cellular to population-level epidemiology.

我们概述了新兴机会和挑战，以提高AI对科学发现的效用。AI为行业的独特目标与AI科学的目标创造了识别模式中的识别模式与来自数据的发现模式之间的紧张。如果我们解决了与域驱动的科学模型和数据驱动的AI学习机之间的“弥补差距”相关的根本挑战，那么我们预计这些AI模型可以改变假说发电，科学发现和科学过程本身。

使用精确能量功能的原子模拟可以为气体和冷凝相中的分子的功能运动提供分子水平洞察。与最近开发的和目前在整合和结合的努力与机器学习技术相结合，提供了一个独特的机会，使这种动态模拟更接近现实。这种观点界定了现场其他人的努力和您自己的工作的现状，并讨论了开放问题和未来的前景。

空间生物学研究旨在了解太空飞行对生物的根本影响，制定支持深度空间探索的基础知识，最终生物工程航天器和栖息地稳定植物，农作物，微生物，动物和人类的生态系统，为持续的多行星寿命稳定。要提高这些目标，该领域利用了来自星空和地下模拟研究的实验，平台，数据和模型生物。由于研究扩展到低地球轨道之外，实验和平台必须是最大自主，光，敏捷和智能化，以加快知识发现。在这里，我们介绍了由美国国家航空航天局的人工智能，机器学习和建模应用程序组织的研讨会的建议摘要，这些应用程序为这些空间生物学挑战提供了关键解决方案。在未来十年中，将人工智能融入太空生物学领域将深化天空效应的生物学理解，促进预测性建模和分析，支持最大自主和可重复的实验，并有效地管理星载数据和元数据，所有目标使生活能够在深空中茁壮成长。