الذكاء الاصطناعي ومشكلات العالم الصعبة ─ علوم الحياة
العلوم والمعرفة التي يقدّمها الذكاء الاصطناعي، حسب التخصص
خلاصة RSS · 14 عنصر
LitGene: نموذج Transformer قابل للتفسير يدمج النص والأنطولوجيا لتعلّم تمثيل الجينات
العنوان الأصلي: LitGene: an interpretable transformer model integrating text and ontology for gene representation learning
كثيرًا ما يغفل تعلّم تمثيل الجينات الأدبيات العلمية، مما قد يجعل النتائج متحيزة ضد الجينات القليلة الدراسة. LitGene هو محوّل (transformer) قابل للتفسير يدمج النص مع تعليقات Gene Ontology عبر التعلم التبايني. وحقق دقة تنافسية في ثمانية معايير للبروتينات، وتنبأ بدون أمثلة (zero-shot) بمصطلحات GO ومسارات KEGG والروابط بين الجينات والأمراض، وأشار إلى ANGPTL6 كجين مرشح للتليف الرئوي مجهول السبب، مدعومًا بالتعبير التفاضلي في عينات مستقلة.
نمذجة قائمة على الذكاء الاصطناعي مكانيًا وزمانيًا لتنظيم الجينات وتأثيرات المتغيرات في الدماغ البشري النامي باستخدام Seal
العنوان الأصلي: Spatiotemporal AI-based modeling of gene regulation and variant effects in the developing human brain using Seal
تتناول الدراسة كيف يشكّل التباين الجيني تنظيم الجينات في الدماغ البشري النامي، حيث تكون البيانات محدودة. وقد بنى المؤلفون Seal، وهو إطار تعلّم بالنقل قابل للتفسير قائم على الذكاء الاصطناعي، يتنبأ بالتعبير الجيني وتأثيرات المتغيرات عبر 26 منطقة و30 نوعًا من الخلايا و7 مراحل نمائية. وفي بيانات الجينوم الكامل للتوحد، وجد Seal عبئًا كبيرًا من المتغيرات التنظيمية الجديدة (de novo) في العصبونات الاستثارية الجنينية العابرة.
نمذجة هجينة لتحسين التنبؤ ببنية معقدات البروتين الكبيرة
العنوان الأصلي: Hybrid modeling for improved structure prediction of large protein complexes
تهدف الدراسة إلى التنبؤ ببنى المعقدات البروتينية الكبيرة. طوّر المؤلفون HDOCK-Multimer (HDM)، وهو إطار عمل آلي يجمع بين الالتحام من الصفر (ab initio) والتجميع التوافقي. وفي ثلاثة معايير مرجعية، كان HDM أكثر دقة ومتانة من أحدث طرق التجميع والطرق القائمة على التعلم العميق في التعامل مع التجمعات البروتينية الكبيرة.
نموذج ذكاء اصطناعي يفك رموز اللغة التي تستخدمها الخلايا للتواصل
العنوان الأصلي: AI model decodes the language cells use to communicate
خلال التطور الجنيني، تتلقى الخلايا إشارات كيميائية تشغّل الجينات أو تُطفئها وتحدد أدوارها. وكان تتبّع تسلسل الإشارات التي تلقتها الخلية صعبًا، لأنه كان يُفترض أن مسارات الإشارات تختلف اختلافًا واسعًا بين أنواع الخلايا. طوّر باحثون من MIT ومعهد Whitehead إطارًا حاسوبيًا لمعالجة ذلك، وقد يساعد في تسريع هندسة الخلايا الجذعية، وتحسين نماذج الأمراض، والإسهام في علاجات السرطان.
كيف تبني الشبكات العصبية الاصطناعية آلية التعلّم الخاصة بها
العنوان الأصلي: How artificial neural networks build their own learning machinery
يمكن لمجموعة من الوحدات المتصلة عشوائيًا أن تعيد تنظيم نفسها لتصبح شبكة فعّالة لمعالجة المعلومات عند منحها قواعد بسيطة تحدد متى وكيف ينبغي أن تتغير الوصلات. ويرى فريق MIT أن قدرة الشبكة الاصطناعية على تنظيم نفسها، دون توجيه من مطوّر، اختبار أساسي للمعقولية البيولوجية. ويحذّر الباحثون من أن هذه الشبكات قد لا تقدّم رؤى كبيرة حول التعلم البيولوجي.
Claude يكتشف نظامًا إنزيميًا جديدًا
العنوان الأصلي: Claude discovers a novel enzyme system
يستخدم مختبر Anthropic الجديد لعلوم الحياة نموذج Claude لاستكشاف مجموعات بيانات الحمض النووي بحثًا عن عائلات بروتينية غير موصّفة. وفي النتائج الأولية، وبتوجيه عام فقط من العلماء، عثر وكلاء Claude على نظام إنزيمي جديد مجهول الوظيفة وله خصائص تشبه CRISPR. ويهدف العمل إلى توليد الفرضيات على نطاق واسع واختبارها في المختبر.
NiCLIP: نموذج تدريب مسبق تبايني للغة والصور في التصوير العصبي للتنبؤ بالنص من صور تنشيط الدماغ
العنوان الأصلي: NiCLIP: neuroimaging contrastive language-image pretraining model for predicting text from brain activation images
NiCLIP هو نموذج ذكاء اصطناعي يفك رموز المهام والمفاهيم والمجالات المعرفية من أنماط تنشيط الدماغ. تم تدريبه على أكثر من 23,000 مقالة، ويُقال إنه يتفوق على أجهزة فك الترميز التقليدية في فك الترميز على مستوى المجموعة. وقد تنبأ بالمهام المعرفية بدقة من خرائط مستوى المجموعة في Human Connectome Project، لكنه أظهر قيودًا مع الخرائط الضوضائية على مستوى الفرد.
ETSAM: تجزئة أغشية الخلايا بفاعلية في صور التصوير المقطعي بالإلكترونات المبردة
العنوان الأصلي: ETSAM: effectively segmenting cell membranes in cryo-electron tomograms
يصعب تمييز أغشية الخلايا في حجوم التصوير المقطعي بالإلكترون المبرّد المشوشة. يقدّم المؤلفون ETSAM، وهي طريقة من مرحلتين تضبط نموذج Segment Anything Model 2 (SAM2) لتقسيم الأغشية، وقد دُرّبت على 83 صورة مقطعية تجريبية و28 صورة مقطعية محاكاة. وعلى 17 صورة مقطعية تجريبية للاختبار، تفوقت على طرق التعلم العميق الأخرى بحساسية عالية ودقة أفضل.
Tangermeme: مجموعة أدوات لفهم المنطق التنظيمي الفاعل بالوضع المتجاور (cis) باستخدام نماذج التعلم العميق
العنوان الأصلي: Tangermeme: a toolkit for understanding cis-regulatory logic using deep learning models
تستطيع نماذج التعلّم العميق التنبؤ بالبيانات الجينومية جيدًا، لكن الخطوة الأصعب هي استخدامها في الاكتشاف البيولوجي. تصف هذه الورقة tangermeme، وهي مجموعة أدوات عالية التحسين للأجزاء المتعلقة بالتعلّم العميق الجينومي بخلاف النموذج نفسه. وتبيّن كيف يمكن لـ tangermeme أن تستخلص الأنماط التنظيمية الموجَّهة بالـ cis التي تتعلمها النماذج وتحوّلها إلى رؤى يمكن للبشر تفسيرها.
التنبؤ القابل للتعميم بالاضطرابات
العنوان الأصلي: Generalizable perturbation prediction
تكشف بيانات اضطراب الخلايا عن علاقات تنظيمية سببية، لكن هذه البيانات غالبًا ما تكون شحيحة، مما يحفّز الحاجة إلى طرق تتنبأ بالاستجابات في سياق ما انطلاقًا من سياقات أخرى. طوّر المؤلفون State، وهو نموذج تعلم آلي يجمع بين نموذج انتقال حالة قائم على المحوّلات لتأثيرات الاضطراب في الخلية المفردة ونموذج تضمين خلوي مدرّب مسبقًا. وقد دُرّب على بيانات اضطراب من أكثر من 100 مليون خلية وبيانات رصدية من 167 مليون خلية، كما بنى الفريق Cell-Eval، وهو إطار تقييم لمقارنة النماذج.
تحليل دقيق وعالي القدرة الإحصائية للحالات والشواهد في البيانات الجزيئية المكانية
العنوان الأصلي: Accurate and well-powered case–control analysis of spatial molecular data
الأساليب الحالية للبيانات الجزيئية المكانية كثيرًا ما تستخدم افتراضات مقيِّدة قد تفوّت إشارات مرضية مهمة. أما VIMA، وهي طريقة تعتمد على التعلم العميق، فتستخدم مجموعة من المشفّرات التلقائية التبايُنية (variational autoencoders) لتلخيص رقع صغيرة من الأنسجة وتحديد بيئات دقيقة (microniches) يرتبط وفرتها بحالة المرض أو الشاهد. وفي المحاكاة كانت معايَرة جيدًا وقوية، وعند تطبيقها على مجموعات بيانات تغطي ثلاثة أمراض أعادت اكتشاف أحياء معروفة وحدّدت سمات مكانية جديدة للمرض.
ProFormer: تصنيف قابل للتعميم للبروتيومات أحادية الخلية والبلازما باستخدام التعلّم العميق
العنوان الأصلي: ProFormer: generalizable classification of single-cell and plasma proteomes using deep learning
تتسم مسارات عمل البروتيوميات الحالية بانخفاض الإنتاجية، وتتطلب معالجة مكثفة للبيانات، مما يبطئ تصنيف العينات. ProFormer هو مسار تعلّم عميق قائم على المحوّلات (transformers) يأخذ ميزات الأيونات الببتيدية على مستوى MS1 مباشرة من بيانات مطيافية الكتلة. وقد تفوّق على التعلّم الآلي التقليدي والشبكات العصبية الالتفافية (CNN) عبر 14 بنية، وصنّف البروتيومات أحادية الخلية بحسب نوع الخلية ومرحلة الدورة ومسار التمايز، إضافةً إلى حالة المرض لدى المرضى انطلاقًا من بروتيومات البلازما.
CellART: إطار موحد لاستخراج معلومات الخلية المفردة من النسخ المكاني عالي الدقة
العنوان الأصلي: CellART: a unified framework for extracting single-cell information from high-resolution spatial transcriptomics
إما أن تلتقط منصات النسخ المكاني عالية الدقة أعدادًا قليلة من النسخ لكل بقعة، أو تقيس عددًا محدودًا فقط من الجينات، مما يصعّب استخراج معلومات الخلية الواحدة. يجمع CellART بين صور التلوين وبيانات النسخ المكاني ومراجع RNA-seq للخلية الواحدة، مستخدمًا التعلم العميق والنمذجة الاحتمالية لتجزئة الخلايا وتصنيف أنواعها في آن واحد. ويفيد المؤلفون بأنه فعّال وقابل للتعميم ومتين، وأن مخرجاته متوافقة مع أدوات المجتمع العلمي واسعة الاستخدام.
نقدّم Quine: نظام بحثي بالذكاء الاصطناعي مصمم لتعقيد علم الأحياء
العنوان الأصلي: Introducing Quine: An AI research system designed for the complexity of biology
تُعد Quine من Microsoft Research جهدًا في مراحله الأولى لبناء نموذج عالمي متعدد الوسائط للأحياء وإطار عمل تفاعلي يربط بين النماذج والأدوات العلمية والأدبيات العلمية والباحثين، بما يساعد العلماء على ترتيب الفرضيات حسب الأولوية قبل الاختبار المخبري. وبالتعاون مع باحثين في معهد Broad التابع لجامعتي Harvard وMIT، استخدم الفريق النظام لترتيب أولويات المركبات التي يُتوقع أن تُحدث تحولات علاجية في حالة الأورام، وتحقق من عدة مرشحين في صدارة الترتيب عبر عدة فحوصات مخبرية رطبة. النظام تجريبي ومخصص للأبحاث فقط، وتتطلب مخرجاته مراجعة من باحثين مؤهلين.