受组织中细胞协作的启发，研究人员开发出了一种机器人集体行动系统：该系统能够在可支撑数百倍于自身重量的刚性和固体结构之间转换。这一进步克服了所谓“机器人材料”开发中的一个核心挑战：将单个机器人单元构建成一个整体的动态自适应结构的连贯网络。实现这些系统面临一个根本性的挑战：这种“材料”必须既具有足够的强度和刚度以支撑负载，同时又能在开关一按之间自由流转而呈现新的形态。与惰性材料和传统机器人系统不同，活性胚胎组织具有非凡的可在内部调节其时空力学性能的能力。受活体胚胎组织的启发，Matthew Devlin 和同事通过使用马达齿轮、光感受器和滚动磁铁设计了可模仿细胞间关键性互动机制的机器人集群。这些性能可以精确把控力的波动和极性，使该系统能够动态调整刚度和流动性。Devlin 等人展示了由机器人单元形成的支柱，后者合并形成了一个稳定的承重拱形结构。该集群还展现出自我修复能力，即通过流态化来弥补结构缺陷。它还表现出操控物体的能力：能通过施加定向力来移动物体。此外，该系统还能适应成为功能性工具，即先在物体周围流动，然后再变硬为能够施加扭矩的扳手。研究人员进一步展示了支撑性结构，其中该集群所承受的负载超过了单个单元的重量：它能先支撑一个人的重量（约 700 牛顿），然后再轻松地转换回流体状态。

据一项新的研究披露，一种新型机器学习框架——Mal-ID 可以破解某个人的免疫系统对过往感染和疾病的记录，从而为精确诊断自身免疫性疾病、病毒感染和疫苗反应提供强大的工具。自身免疫性疾病或其他免疫病理的传统临床诊断法往往依赖于体检、病史和各种实验室检测的组合来发现细胞或分子异常，其过程漫长，并常因起初的误诊和系统模糊而令诊断变得复杂。这些方法对患者的个体适应性免疫系统中的 B 细胞受体（BCRs）和 T 细胞受体（TCRs）数据的使用有限。为了因应病原体、疫苗和其他抗原刺激，BCR 库和 TCR 库可通过克隆扩增、体细胞突变和免疫细胞群的选择性重塑而发生变化。对 BCRs 和 TCRs 进行测序或可提供一种全面性的诊断工具，即有可能在某单一测试中同时检测传染性、自身免疫性和免疫介导性疾病。然而，仅靠对免疫受体库测序在多大程度上能够可靠且广泛地对疾病进行分类仍存在不确定性。 为解决这一问题，Maxim Zaslavsky 和同事开发了 Mal-ID（用于免疫诊断的机器学习）：这是一个 3-模型机器学习框架，后者可通过分析免疫受体数据集来识别传染性疾病和免疫性疾病的特征以及患者的疫苗反应。Zaslavsky 等人使用从 593 名个体（包括 COVID-19、HIV 和 1 型糖尿病患者以及流感疫苗接种者和健康对照者）系统收集的 BCR 和 TCR 数据对 Mal-ID 进行训练。根据来自训练的发现，Mal-ID 可有效地区分 550 个配对 BCR 和 TCR 样本中的六种不同的疾病状态，其多类 AUROC 得分为 0.986，表明其分类精度异常高。这一指标反映了该模型在对所有疾病的比较中具有将阳性病例排在阴性病例之上的能力。尽管该模型可成功区分 COVID-19、HIV、狼疮、T1D 和健康个体——表明其具有成为强大诊断工具的潜力，但 Zaslavsky 等人指出，该方法仍需要使用临床信息进行精细化改进，然后才能放心地进行临床应用。

塞维利亚大学领导根据在西班牙塞维利亚托洛斯-德蒙特利里奥(Tholos de Montelirio)遗址的发现，進行这种服装在各种未知方面的研究及其重要意义。