KI und die schwierigen Probleme der Welt ─ Lebenswissenschaften
Von KI vorangebrachte Wissenschaft und Gelehrsamkeit, nach Disziplin
RSS-Feed · 14 Einträge
LitGene: ein interpretierbares Transformer-Modell, das Text und Ontologie für das Lernen von Genrepräsentationen integriert
Originaltitel: LitGene: an interpretable transformer model integrating text and ontology for gene representation learning
Das Lernen von Genrepräsentationen vernachlässigt oft die wissenschaftliche Literatur, wodurch Ergebnisse zulasten wenig erforschter Gene verzerrt sein können. LitGene ist ein interpretierbarer Transformer, der Text per Contrastive Learning mit Gene-Ontology-Annotationen integriert. Er erreichte eine wettbewerbsfähige Genauigkeit bei acht Protein-Benchmarks, sagte GO-Terme, KEGG-Signalwege und Gen-Krankheits-Verbindungen im Zero-Shot-Verfahren voraus und markierte ANGPTL6 als Kandidatengen für die idiopathische Lungenfibrose, gestützt durch differenzielle Expression in unabhängigen Proben.
Raumzeitliche KI-basierte Modellierung der Genregulation und von Varianteneffekten im sich entwickelnden menschlichen Gehirn mit Seal
Originaltitel: Spatiotemporal AI-based modeling of gene regulation and variant effects in the developing human brain using Seal
Die Studie untersucht, wie genetische Variation die Genregulation im sich entwickelnden menschlichen Gehirn prägt, wo nur begrenzt Daten vorliegen. Die Autoren entwickelten Seal, ein interpretierbares KI-Transferlernen-Framework, das Genexpression und Variantenwirkungen über 26 Regionen, 30 Zelltypen und 7 Entwicklungsstadien hinweg vorhersagt. In Autismus-Ganzgenomdaten fand Seal eine signifikante Häufung von de-novo-Regulationsvarianten in transienten fetalen exzitatorischen Neuronen.
Hybride Modellierung zur verbesserten Strukturvorhersage großer Proteinkomplexe
Originaltitel: Hybrid modeling for improved structure prediction of large protein complexes
Die Studie zielt darauf ab, die Strukturen großer Proteinkomplexe vorherzusagen. Die Autoren entwickelten HDOCK-Multimer (HDM), ein automatisiertes Framework, das Ab-initio-Docking mit kombinatorischem Zusammenbau verbindet. In drei Benchmarks war HDM bei großen Proteinassemblierungen genauer und robuster als moderne Assemblierungsmethoden und Deep-Learning-basierte Methoden.
KI-Modell entschlüsselt die Sprache, mit der Zellen kommunizieren
Originaltitel: AI model decodes the language cells use to communicate
Während der Embryonalentwicklung empfangen Zellen chemische Signale, die Gene an- oder ausschalten und ihre Rollen bestimmen. Die Abfolge der Signale nachzuverfolgen, die eine Zelle empfangen hat, war bisher schwierig, da man annahm, dass sich Signalwege zwischen Zelltypen stark unterscheiden. Forscher des MIT und des Whitehead Institute entwickelten dafür ein computergestütztes Framework, das dazu beitragen könnte, das Engineering von Stammzellen zu beschleunigen, Krankheitsmodelle zu verbessern und Krebsbehandlungen zu unterstützen.
Wie künstliche neuronale Netze ihre eigene Lernmaschinerie aufbauen
Originaltitel: How artificial neural networks build their own learning machinery
Eine Gruppe zufällig verbundener Einheiten kann sich zu einem effektiven informationsverarbeitenden Netzwerk neu organisieren, wenn ihr einfache Regeln dafür vorgegeben werden, wann und wie sich Verbindungen ändern sollen. Das MIT-Team argumentiert, dass die Fähigkeit eines künstlichen Netzwerks, sich ohne Anleitung durch einen Entwickler selbst zu organisieren, ein wichtiger Test für die biologische Plausibilität ist. Die Forschenden warnen, dass solche Netzwerke möglicherweise nicht viel Aufschluss über biologisches Lernen geben.
Claude entdeckt ein neuartiges Enzymsystem
Originaltitel: Claude discovers a novel enzyme system
Das neue Life-Sciences-Labor von Anthropic nutzt Claude, um DNA-Datensätze nach nicht charakterisierten Proteinfamilien zu durchsuchen. In ersten Ergebnissen fanden Claude-Agenten, mit nur grober Anleitung durch Wissenschaftlerinnen und Wissenschaftler, ein neuartiges Enzymsystem mit unbekannter Funktion und Eigenschaften, die an CRISPR erinnern. Ziel der Arbeit ist es, Hypothesen in großem Maßstab zu generieren und im Labor zu testen.
NiCLIP: Neuroimaging-Modell für kontrastives Sprach-Bild-Pretraining zur Vorhersage von Text aus Bildern der Hirnaktivierung
Originaltitel: NiCLIP: neuroimaging contrastive language-image pretraining model for predicting text from brain activation images
NiCLIP ist ein KI-Modell, das kognitive Aufgaben, Konzepte und Domänen aus Mustern der Hirnaktivierung dekodiert. Es wurde mit über 23.000 Artikeln trainiert und übertrifft Berichten zufolge herkömmliche Decoder bei der Dekodierung auf Gruppenebene. Es sagte kognitive Aufgaben anhand von Gruppenkarten des Human Connectome Project präzise vorher, zeigte jedoch Einschränkungen bei verrauschten Karten auf Einzelpersonenebene.
ETSAM: effektive Segmentierung von Zellmembranen in Kryo-Elektronentomogrammen
Originaltitel: ETSAM: effectively segmenting cell membranes in cryo-electron tomograms
Zellmembranen sind in verrauschten Kryo-Elektronentomographie-Volumina schwer zu unterscheiden. Die Autoren stellen ETSAM vor, eine zweistufige Methode, die das Segment Anything Model 2 (SAM2) zur Segmentierung von Membranen feinabstimmt und mit 83 experimentellen und 28 simulierten Tomogrammen trainiert wurde. Auf 17 experimentellen Testtomogrammen übertraf sie andere Deep-Learning-Methoden mit hoher Sensitivität und besserer Präzision.
Tangermeme: ein Toolkit zum Verständnis der cis-regulatorischen Logik mithilfe von Deep-Learning-Modellen
Originaltitel: Tangermeme: a toolkit for understanding cis-regulatory logic using deep learning models
Deep-Learning-Modelle können Genomdaten gut vorhersagen, doch der schwierigere Schritt besteht darin, sie für biologische Entdeckungen zu nutzen. Dieser Beitrag beschreibt tangermeme, ein hochoptimiertes Toolkit für die Teile des genomischen Deep Learning, die nicht das Modell selbst betreffen. Er zeigt, wie tangermeme die von Modellen gelernten cis-regulatorischen Muster zu für Menschen interpretierbaren Erkenntnissen verdichten kann.
Verallgemeinerbare Vorhersage von Perturbationen
Originaltitel: Generalizable perturbation prediction
Daten zu Zellperturbationen offenbaren kausale regulatorische Zusammenhänge, sind aber oft knapp, was Methoden motiviert, die Reaktionen in einem Kontext aus anderen vorhersagen. Die Autoren entwickelten State, ein Machine-Learning-Modell, das ein Transformer-basiertes Zustandsübergangsmodell für Perturbationseffekte in Einzelzellen mit einem vortrainierten Zelleinbettungsmodell kombiniert. Es wurde mit Perturbationsdaten von über 100 Millionen Zellen und Beobachtungsdaten von 167 Millionen Zellen trainiert, und das Team entwickelte außerdem Cell-Eval, ein Evaluierungsframework zum Vergleich von Modellen.
Präzise und aussagekräftige Fall-Kontroll-Analyse räumlicher molekularer Daten
Originaltitel: Accurate and well-powered case–control analysis of spatial molecular data
Bestehende Methoden für räumliche molekulare Daten beruhen oft auf restriktiven Annahmen, durch die wichtige Krankheitssignale übersehen werden können. VIMA, eine Deep-Learning-Methode, nutzt ein Ensemble aus Variational Autoencodern, um kleine Gewebeausschnitte zusammenzufassen und Mikronischen zu identifizieren, deren Häufigkeit mit dem Fall- oder Kontrollstatus korreliert. In Simulationen war sie gut kalibriert und leistungsstark, und bei der Anwendung auf Datensätze zu drei Krankheiten reproduzierte sie bekannte Biologie und identifizierte neue räumliche Merkmale von Krankheiten.
ProFormer: verallgemeinerbare Klassifizierung von Einzelzell- und Plasmaproteomen mittels Deep Learning
Originaltitel: ProFormer: generalizable classification of single-cell and plasma proteomes using deep learning
Aktuelle proteomische Arbeitsabläufe haben einen geringen Durchsatz und erfordern eine umfangreiche Datenverarbeitung, was die Klassifizierung von Proben verlangsamt. ProFormer ist eine Transformer-basierte Deep-Learning-Pipeline, die Merkmale von Peptidionen auf MS1-Ebene direkt aus Massenspektrometriedaten übernimmt. Sie übertraf herkömmliches maschinelles Lernen und CNNs über 14 Architekturen hinweg und klassifizierte Einzelzell-Proteome nach Zelltyp, Zyklusphase und Differenzierungsverlauf sowie den Krankheitsstatus von Patienten anhand von Plasma-Proteomen.
CellART: ein einheitliches Framework zur Extraktion von Einzelzellinformationen aus hochauflösender räumlicher Transkriptomik
Originaltitel: CellART: a unified framework for extracting single-cell information from high-resolution spatial transcriptomics
Hochauflösende Plattformen für räumliche Transkriptomik erfassen entweder nur wenige Transkriptzahlen pro Spot oder messen nur eine begrenzte Zahl von Genen, was die Gewinnung von Einzelzellinformationen erschwert. CellART kombiniert Färbebilder, Daten der räumlichen Transkriptomik und Einzelzell-RNA-seq-Referenzen und nutzt Deep Learning sowie probabilistische Modellierung, um Zellen zu segmentieren und gleichzeitig Zelltypen zu annotieren. Die Autoren berichten, dass es effizient, verallgemeinerbar und robust ist und dass seine Ausgaben mit weit verbreiteten Community-Tools kompatibel sind.
Vorstellung von Quine: Ein KI-Forschungssystem für die Komplexität der Biologie
Originaltitel: Introducing Quine: An AI research system designed for the complexity of biology
Quine von Microsoft Research ist ein frühes Vorhaben, ein multimodales Weltmodell der Biologie und ein interaktives Framework zu entwickeln, das Modelle, wissenschaftliche Werkzeuge, Fachliteratur und Forschende miteinander verbindet und Wissenschaftlern hilft, Hypothesen vor Labortests zu priorisieren. In Zusammenarbeit mit Forschenden des Broad Institute of Harvard and MIT nutzte das Team das System, um Wirkstoffe zu priorisieren, von denen vorhergesagt wird, dass sie therapeutische Verschiebungen des Tumorzustands bewirken, und validierte mehrere der am höchsten eingestuften Kandidaten in verschiedenen Nasslabor-Assays. Das System ist experimentell, nur für Forschungszwecke gedacht, und seine Ergebnisse müssen von qualifizierten Forschenden geprüft werden.