AI और दुनिया की कठिन समस्याएँ ─ जीव विज्ञान
AI द्वारा आगे बढ़ाया गया विज्ञान और विद्वत्ता, विषय के अनुसार
RSS फ़ीड · 14 आइटम
LitGene: जीन प्रतिनिधित्व सीखने के लिए पाठ और ऑन्टोलॉजी को एकीकृत करने वाला एक व्याख्यायोग्य ट्रांसफॉर्मर मॉडल
मूल शीर्षक: LitGene: an interpretable transformer model integrating text and ontology for gene representation learning
जीन प्रतिनिधित्व लर्निंग अक्सर वैज्ञानिक साहित्य की अनदेखी करती है, जिससे कम अध्ययन किए गए जीनों के विरुद्ध परिणामों में पक्षपात हो सकता है। LitGene एक व्याख्या-योग्य ट्रांसफ़ॉर्मर है जो कॉन्ट्रास्टिव लर्निंग के माध्यम से टेक्स्ट को Gene Ontology एनोटेशन के साथ एकीकृत करता है। इसने आठ प्रोटीन बेंचमार्क पर प्रतिस्पर्धी सटीकता हासिल की, GO टर्म्स, KEGG पाथवे और जीन-रोग संबंधों का ज़ीरो-शॉट पूर्वानुमान लगाया, और स्वतःजात पल्मोनरी फ़ाइब्रोसिस के लिए ANGPTL6 को एक उम्मीदवार जीन के रूप में चिह्नित किया, जिसे स्वतंत्र नमूनों में अंतरीय अभिव्यक्ति का समर्थन मिला।
Seal का उपयोग करके विकसित हो रहे मानव मस्तिष्क में जीन विनियमन और वेरिएंट के प्रभावों का स्थान-काल (spatiotemporal) AI-आधारित मॉडलिंग
मूल शीर्षक: Spatiotemporal AI-based modeling of gene regulation and variant effects in the developing human brain using Seal
यह अध्ययन इस बात को देखता है कि विकसित हो रहे मानव मस्तिष्क में, जहाँ डेटा सीमित है, आनुवंशिक भिन्नता जीन विनियमन को कैसे आकार देती है। लेखकों ने Seal बनाया, जो एक व्याख्यात्मक AI ट्रांसफ़र लर्निंग फ्रेमवर्क है और 26 क्षेत्रों, 30 कोशिका प्रकारों तथा 7 विकासात्मक अवस्थाओं में जीन अभिव्यक्ति और वेरिएंट के प्रभावों का पूर्वानुमान लगाता है। ऑटिज़्म के संपूर्ण-जीनोम डेटा में, Seal ने क्षणिक भ्रूणीय उत्तेजक न्यूरॉन्स में de novo नियामक वेरिएंट का उल्लेखनीय बोझ पाया।
बड़े प्रोटीन कॉम्प्लेक्स की संरचना के बेहतर पूर्वानुमान के लिए हाइब्रिड मॉडलिंग
मूल शीर्षक: Hybrid modeling for improved structure prediction of large protein complexes
इस अध्ययन का उद्देश्य बड़े प्रोटीन कॉम्प्लेक्स की संरचनाओं का पूर्वानुमान लगाना है। लेखकों ने HDOCK-Multimer (HDM) विकसित किया, जो एक स्वचालित फ्रेमवर्क है और ab initio डॉकिंग को संयोजनात्मक असेंबली के साथ जोड़ता है। तीन बेंचमार्क में, बड़े प्रोटीन असेंबली के लिए HDM अत्याधुनिक असेंबली और डीप लर्निंग-आधारित तरीकों की तुलना में अधिक सटीक और मज़बूत रहा।
AI मॉडल उस भाषा को डिकोड करता है जिसका उपयोग कोशिकाएँ आपस में संवाद के लिए करती हैं
मूल शीर्षक: AI model decodes the language cells use to communicate
भ्रूणीय विकास के दौरान, कोशिकाओं को रासायनिक संकेत मिलते हैं जो जीनों को चालू या बंद करते हैं और उनकी भूमिकाएँ निर्धारित करते हैं। किसी कोशिका को मिले संकेतों के क्रम का पता लगाना कठिन रहा है, क्योंकि माना जाता था कि सिग्नलिंग पथ विभिन्न कोशिका प्रकारों में बहुत भिन्न होते हैं। MIT और Whitehead Institute के शोधकर्ताओं ने इसका समाधान करने के लिए एक कम्प्यूटेशनल ढाँचा विकसित किया, जो स्टेम कोशिका इंजीनियरिंग को तेज़ करने, रोग मॉडलों को बेहतर बनाने और कैंसर उपचारों के लिए जानकारी देने में मदद कर सकता है।
कृत्रिम न्यूरल नेटवर्क अपनी सीखने की मशीनरी खुद कैसे बनाते हैं
मूल शीर्षक: How artificial neural networks build their own learning machinery
यादृच्छिक रूप से जुड़ी इकाइयों का एक समूह, जब उसे यह बताने वाले सरल नियम दिए जाते हैं कि कनेक्शन कब और कैसे बदलने चाहिए, तो वह एक प्रभावी सूचना-प्रसंस्करण नेटवर्क के रूप में खुद को पुनर्गठित कर सकता है। MIT की टीम का तर्क है कि किसी कृत्रिम नेटवर्क की, डेवलपर के मार्गदर्शन के बिना, खुद को संगठित करने की क्षमता जैविक प्रामाणिकता की एक प्रमुख कसौटी है। शोधकर्ताओं ने आगाह किया है कि ऐसे नेटवर्क जैविक सीखने के बारे में बहुत अधिक जानकारी नहीं दे सकते।
Claude ने एक नई एंज़ाइम प्रणाली खोजी
मूल शीर्षक: Claude discovers a novel enzyme system
Anthropic की नई लाइफ़ साइंसेज लैब अज्ञात प्रोटीन परिवारों के लिए DNA डेटासेट खंगालने में Claude का उपयोग करती है। शुरुआती नतीजों में, वैज्ञानिकों से केवल उच्च-स्तरीय दिशा मिलने पर, Claude एजेंटों ने अज्ञात कार्य वाला एक नया एंज़ाइम तंत्र खोजा, जिसके गुण CRISPR की याद दिलाते हैं। इस काम का लक्ष्य बड़े पैमाने पर परिकल्पनाएँ तैयार करना और उन्हें प्रयोगशाला में परखना है।
NiCLIP: मस्तिष्क सक्रियण छवियों से पाठ का पूर्वानुमान लगाने के लिए न्यूरोइमेजिंग कंट्रास्टिव लैंग्वेज-इमेज प्रीट्रेनिंग मॉडल
मूल शीर्षक: NiCLIP: neuroimaging contrastive language-image pretraining model for predicting text from brain activation images
NiCLIP एक AI मॉडल है जो मस्तिष्क सक्रियण पैटर्न से संज्ञानात्मक कार्यों, अवधारणाओं और क्षेत्रों को डिकोड करता है। इसे 23,000 से अधिक लेखों पर प्रशिक्षित किया गया था और रिपोर्ट के अनुसार यह समूह-स्तरीय डिकोडिंग में पारंपरिक डिकोडर से बेहतर प्रदर्शन करता है। इसने Human Connectome Project के समूह-स्तरीय मानचित्रों से संज्ञानात्मक कार्यों का सटीक पूर्वानुमान लगाया, लेकिन शोर वाले विषय-स्तरीय मानचित्रों के साथ इसकी सीमाएँ दिखीं।
ETSAM: क्रायो-इलेक्ट्रॉन टोमोग्राम में कोशिका झिल्लियों का प्रभावी विभाजन
मूल शीर्षक: ETSAM: effectively segmenting cell membranes in cryo-electron tomograms
शोर वाले क्रायो-इलेक्ट्रॉन टोमोग्राफी वॉल्यूम में कोशिका झिल्लियों को अलग पहचानना कठिन होता है। लेखकों ने ETSAM प्रस्तुत किया है, जो एक दो-चरणीय विधि है और झिल्लियों को सेगमेंट करने के लिए Segment Anything Model 2 (SAM2) को फ़ाइन-ट्यून करती है; इसे 83 प्रायोगिक और 28 सिम्युलेटेड टोमोग्राम पर प्रशिक्षित किया गया। 17 प्रायोगिक परीक्षण टोमोग्राम पर इसने उच्च संवेदनशीलता और बेहतर प्रेसिजन के साथ अन्य डीप लर्निंग विधियों से बेहतर प्रदर्शन किया।
Tangermeme: डीप लर्निंग मॉडलों का उपयोग करके cis-नियामक तर्क को समझने के लिए एक टूलकिट
मूल शीर्षक: Tangermeme: a toolkit for understanding cis-regulatory logic using deep learning models
डीप लर्निंग मॉडल जीनोमिक डेटा का अनुमान अच्छी तरह लगा सकते हैं, लेकिन अधिक कठिन चरण उनका उपयोग जैविक खोज के लिए करना है। यह शोधपत्र tangermeme का वर्णन करता है, जो जीनोमिक डीप लर्निंग के मॉडल के अलावा अन्य हिस्सों के लिए एक अत्यधिक अनुकूलित टूलकिट है। यह दिखाता है कि tangermeme मॉडलों द्वारा सीखे गए cis-नियामक पैटर्न को मनुष्यों द्वारा समझी जा सकने वाली अंतर्दृष्टि में कैसे परिवर्तित कर सकता है।
सामान्यीकरण-योग्य परटर्बेशन पूर्वानुमान
मूल शीर्षक: Generalizable perturbation prediction
कोशिका परटर्बेशन डेटा कारणात्मक नियामक संबंधों को उजागर करता है, लेकिन ऐसा डेटा अक्सर दुर्लभ होता है, जो एक संदर्भ में प्रतिक्रियाओं का अन्य संदर्भों से पूर्वानुमान लगाने वाली विधियों की आवश्यकता को प्रेरित करता है। लेखकों ने State विकसित किया, जो एक मशीन-लर्निंग मॉडल है और एकल-कोशिका परटर्बेशन प्रभावों के लिए ट्रांसफ़ॉर्मर-आधारित स्टेट ट्रांज़िशन मॉडल को पूर्व-प्रशिक्षित सेल-एम्बेडिंग मॉडल के साथ जोड़ता है। इसे 100 million से अधिक कोशिकाओं के परटर्बेशन डेटा और 167 million कोशिकाओं के ऑब्ज़र्वेशनल डेटा पर प्रशिक्षित किया गया, और टीम ने मॉडलों की तुलना के लिए एक मूल्यांकन फ़्रेमवर्क, Cell-Eval, भी बनाया।
स्थानिक आणविक डेटा का सटीक और पर्याप्त सामर्थ्य वाला केस–कंट्रोल विश्लेषण
मूल शीर्षक: Accurate and well-powered case–control analysis of spatial molecular data
स्पैशियल मॉलिक्यूलर डेटा के लिए मौजूदा तरीके अक्सर सीमित मान्यताओं का उपयोग करते हैं, जिनसे बीमारी के महत्वपूर्ण संकेत छूट सकते हैं। VIMA, एक डीप-लर्निंग तरीका, वैरिएशनल ऑटोएनकोडर्स के एक समूह का उपयोग करके ऊतक के छोटे हिस्सों का सारांश तैयार करता है और ऐसे माइक्रोनिश की पहचान करता है जिनकी प्रचुरता केस या कंट्रोल स्थिति से जुड़ी होती है। सिमुलेशन में यह अच्छी तरह कैलिब्रेटेड और शक्तिशाली रहा, और तीन बीमारियों के डेटासेट पर लागू करने पर इसने ज्ञात जीव विज्ञान को दोबारा खोज निकाला और बीमारी की नई स्पैशियल विशेषताओं की पहचान की।
ProFormer: डीप लर्निंग का उपयोग करके एकल-कोशिका और प्लाज़्मा प्रोटिओम का सामान्यीकरण योग्य वर्गीकरण
मूल शीर्षक: ProFormer: generalizable classification of single-cell and plasma proteomes using deep learning
मौजूदा प्रोटिओमिक वर्कफ़्लो की थ्रूपुट कम है और उनमें व्यापक डेटा प्रोसेसिंग की आवश्यकता होती है, जिससे नमूनों का वर्गीकरण धीमा हो जाता है। ProFormer एक ट्रांसफ़ॉर्मर-आधारित डीप-लर्निंग पाइपलाइन है जो मास स्पेक्ट्रोमेट्री डेटा से सीधे MS1-स्तर की पेप्टाइड आयन विशेषताएँ लेती है। इसने 14 आर्किटेक्चर में पारंपरिक मशीन लर्निंग और CNN से बेहतर प्रदर्शन किया और एकल-कोशिका प्रोटिओम को कोशिका प्रकार, चक्र चरण और विभेदन पथ के आधार पर वर्गीकृत किया, साथ ही प्लाज़्मा प्रोटिओम से रोगी की रोग स्थिति भी वर्गीकृत की।
CellART: उच्च-रिज़ॉल्यूशन स्पैशियल ट्रांसक्रिप्टोमिक्स से एकल-कोशिका जानकारी निकालने के लिए एक एकीकृत फ्रेमवर्क
मूल शीर्षक: CellART: a unified framework for extracting single-cell information from high-resolution spatial transcriptomics
उच्च-रिज़ॉल्यूशन स्पैशियल ट्रांसक्रिप्टोमिक्स प्लेटफ़ॉर्म या तो प्रति स्पॉट विरल ट्रांसक्रिप्ट काउंट कैप्चर करते हैं या केवल सीमित संख्या में जीन मापते हैं, जिससे एकल-कोशिका जानकारी निकालना कठिन हो जाता है। CellART स्टेनिंग इमेज, स्पैशियल ट्रांसक्रिप्टोमिक्स डेटा और सिंगल-सेल RNA-seq संदर्भों को जोड़ता है, और डीप लर्निंग तथा प्रोबेबिलिस्टिक मॉडलिंग का उपयोग करके कोशिकाओं का विभाजन और कोशिका प्रकारों का एनोटेशन एक साथ करता है। लेखकों के अनुसार यह कुशल, सामान्यीकरण-योग्य और मज़बूत है, और इसके आउटपुट व्यापक रूप से उपयोग किए जाने वाले सामुदायिक टूल्स के साथ संगत हैं।
Quine का परिचय: जीव विज्ञान की जटिलता के लिए डिज़ाइन किया गया एक AI शोध सिस्टम
मूल शीर्षक: Introducing Quine: An AI research system designed for the complexity of biology
Microsoft Research का Quine जीव विज्ञान का एक मल्टीमॉडल वर्ल्ड मॉडल और एक इंटरैक्टिव हार्नेस बनाने का शुरुआती प्रयास है, जो मॉडलों, वैज्ञानिक उपकरणों, साहित्य और शोधकर्ताओं को जोड़ता है और वैज्ञानिकों को प्रयोगशाला परीक्षण से पहले परिकल्पनाओं को प्राथमिकता देने में मदद करता है। Harvard और MIT के Broad Institute के शोधकर्ताओं के सहयोग से टीम ने इसका उपयोग उन यौगिकों को प्राथमिकता देने के लिए किया जिनके चिकित्सीय ट्यूमर-अवस्था परिवर्तन लाने का पूर्वानुमान था, और कई वेट-लैब परीक्षणों में शीर्ष क्रम के कई उम्मीदवारों को प्रमाणित किया। यह प्रणाली प्रायोगिक है, केवल शोध के लिए है, और इसके आउटपुट की समीक्षा योग्य शोधकर्ताओं द्वारा आवश्यक है।