AI dan Masalah-Masalah Sulit Dunia ─ Ilmu hayat
Sains dan keilmuan yang dimajukan oleh AI, menurut disiplin
Umpan RSS · 14 item
LitGene: model transformer yang dapat diinterpretasikan yang mengintegrasikan teks dan ontologi untuk pembelajaran representasi gen
Judul asli: LitGene: an interpretable transformer model integrating text and ontology for gene representation learning
Pembelajaran representasi gen sering mengabaikan literatur ilmiah, yang dapat membiaskan hasil terhadap gen yang kurang diteliti. LitGene adalah transformer yang dapat diinterpretasikan yang mengintegrasikan teks dengan anotasi Gene Ontology melalui contrastive learning. Model ini mencapai akurasi yang kompetitif pada delapan tolok ukur protein, memprediksi term GO, jalur KEGG, dan hubungan gen-penyakit secara zero-shot, serta menandai ANGPTL6 sebagai gen kandidat untuk fibrosis paru idiopatik, didukung oleh ekspresi diferensial pada sampel independen.
Pemodelan berbasis AI spasiotemporal untuk regulasi gen dan efek varian pada otak manusia yang sedang berkembang menggunakan Seal
Judul asli: Spatiotemporal AI-based modeling of gene regulation and variant effects in the developing human brain using Seal
Studi ini membahas bagaimana variasi genetik membentuk regulasi gen pada otak manusia yang sedang berkembang, di mana data terbatas. Para penulis membangun Seal, kerangka pembelajaran transfer AI yang dapat diinterpretasi yang memprediksi ekspresi gen dan efek varian di 26 wilayah, 30 jenis sel, dan 7 tahap perkembangan. Pada data genom utuh autisme, Seal menemukan beban signifikan varian regulasi de novo pada neuron eksitatori janin transien.
Pemodelan hibrida untuk prediksi struktur kompleks protein besar yang lebih baik
Judul asli: Hybrid modeling for improved structure prediction of large protein complexes
Studi ini bertujuan memprediksi struktur kompleks protein berukuran besar. Para penulis mengembangkan HDOCK-Multimer (HDM), sebuah kerangka kerja otomatis yang menggabungkan docking ab initio dengan perakitan kombinatorial. Pada tiga tolok ukur, HDM lebih akurat dan tangguh daripada metode perakitan mutakhir dan metode berbasis deep learning untuk rakitan protein besar.
Model AI menguraikan bahasa yang digunakan sel untuk berkomunikasi
Judul asli: AI model decodes the language cells use to communicate
Selama perkembangan embrio, sel menerima sinyal kimia yang menghidupkan atau mematikan gen dan menentukan perannya. Melacak urutan sinyal yang telah diterima sebuah sel selama ini sulit, karena jalur pensinyalan diasumsikan sangat berbeda di antara jenis sel. Peneliti MIT dan Whitehead Institute mengembangkan kerangka komputasi untuk mengatasi hal ini, yang dapat membantu mempercepat rekayasa sel punca, meningkatkan model penyakit, dan memberi masukan bagi pengobatan kanker.
Bagaimana jaringan saraf tiruan membangun mesin pembelajarannya sendiri
Judul asli: How artificial neural networks build their own learning machinery
Sekelompok unit yang terhubung secara acak dapat menata ulang diri menjadi jaringan pemrosesan informasi yang efektif bila diberi aturan sederhana tentang kapan dan bagaimana koneksi harus berubah. Tim MIT berpendapat bahwa kemampuan jaringan buatan untuk mengorganisasi diri, tanpa panduan pengembang, merupakan ujian kunci bagi kemungkinan biologisnya (biological plausibility). Para peneliti mengingatkan bahwa jaringan semacam itu mungkin tidak banyak memberi wawasan tentang pembelajaran biologis.
Claude menemukan sistem enzim baru
Judul asli: Claude discovers a novel enzyme system
Laboratorium ilmu hayati baru Anthropic menggunakan Claude untuk menjelajahi kumpulan data DNA guna menemukan famili protein yang belum dikarakterisasi. Pada hasil awal, hanya dengan arahan tingkat tinggi dari para ilmuwan, agen Claude menemukan sistem enzim baru dengan fungsi yang belum diketahui dan sifat yang mengingatkan pada CRISPR. Pekerjaan ini bertujuan menghasilkan hipotesis dalam skala besar dan mengujinya di laboratorium.
NiCLIP: model pralatih kontrastif bahasa-citra neuroimaging untuk memprediksi teks dari citra aktivasi otak
Judul asli: NiCLIP: neuroimaging contrastive language-image pretraining model for predicting text from brain activation images
NiCLIP adalah model AI yang menguraikan tugas kognitif, konsep, dan domain dari pola aktivasi otak. Model ini dilatih dengan lebih dari 23.000 artikel dan dilaporkan mengungguli dekoder tradisional dalam pendekodean tingkat kelompok. Model ini memprediksi tugas kognitif secara akurat dari peta tingkat kelompok Human Connectome Project, tetapi menunjukkan keterbatasan pada peta tingkat subjek yang berderau.
ETSAM: segmentasi membran sel secara efektif pada tomogram krio-elektron
Judul asli: ETSAM: effectively segmenting cell membranes in cryo-electron tomograms
Membran sel sulit dibedakan dalam volume tomografi krio-elektron yang berderau. Para penulis memperkenalkan ETSAM, metode dua tahap yang melakukan fine-tuning pada Segment Anything Model 2 (SAM2) untuk menyegmentasi membran, dilatih pada 83 tomogram eksperimental dan 28 tomogram simulasi. Pada 17 tomogram uji eksperimental, metode ini mengungguli metode deep learning lainnya dengan sensitivitas tinggi dan presisi yang lebih baik.
Tangermeme: perangkat untuk memahami logika regulasi cis menggunakan model pembelajaran mendalam
Judul asli: Tangermeme: a toolkit for understanding cis-regulatory logic using deep learning models
Model deep learning dapat memprediksi data genomik dengan baik, tetapi langkah yang lebih sulit adalah menggunakannya untuk penemuan biologis. Makalah ini menjelaskan tangermeme, perangkat yang sangat dioptimalkan untuk bagian-bagian deep learning genomik selain modelnya sendiri. Makalah ini menunjukkan bagaimana tangermeme dapat menyarikan pola cis-regulator yang dipelajari model menjadi wawasan yang dapat dipahami manusia.
Prediksi perturbasi yang dapat digeneralisasi
Judul asli: Generalizable perturbation prediction
Data perturbasi sel mengungkap hubungan regulasi kausal, tetapi data semacam itu sering langka, sehingga mendorong pengembangan metode yang memprediksi respons dalam satu konteks dari konteks lainnya. Para penulis mengembangkan State, model pembelajaran mesin yang menggabungkan model transisi keadaan berbasis transformer untuk efek perturbasi sel tunggal dengan model embedding sel yang telah dilatih sebelumnya. Model ini dilatih menggunakan data perturbasi dari lebih dari 100 juta sel dan data observasional dari 167 juta sel, dan tim juga membangun Cell-Eval, kerangka evaluasi untuk membandingkan model.
Analisis kasus–kontrol data molekuler spasial yang akurat dan bertenaga statistik memadai
Judul asli: Accurate and well-powered case–control analysis of spatial molecular data
Metode yang ada untuk data molekuler spasial sering menggunakan asumsi yang membatasi sehingga dapat melewatkan sinyal penyakit yang penting. VIMA, sebuah metode deep learning, menggunakan ensemble variational autoencoder untuk merangkum potongan kecil jaringan dan mengidentifikasi mikroniche yang kelimpahannya berkorelasi dengan status kasus atau kontrol. Dalam simulasi, metode ini terkalibrasi dengan baik dan bertenaga, dan ketika diterapkan pada dataset yang mencakup tiga penyakit, metode ini menemukan kembali biologi yang sudah diketahui serta mengidentifikasi fitur spasial baru dari penyakit.
ProFormer: klasifikasi proteom sel tunggal dan plasma yang dapat digeneralisasi menggunakan pembelajaran mendalam
Judul asli: ProFormer: generalizable classification of single-cell and plasma proteomes using deep learning
Alur kerja proteomik saat ini memiliki throughput rendah dan memerlukan pemrosesan data yang ekstensif, sehingga memperlambat klasifikasi sampel. ProFormer adalah pipeline deep learning berbasis transformer yang mengambil fitur ion peptida tingkat MS1 langsung dari data spektrometri massa. Metode ini mengungguli machine learning tradisional dan CNN pada 14 arsitektur, serta mengklasifikasikan proteom sel tunggal berdasarkan jenis sel, tahap siklus, dan lintasan diferensiasi, serta status penyakit pasien dari proteom plasma.
CellART: kerangka kerja terpadu untuk mengekstraksi informasi sel tunggal dari transkriptomik spasial beresolusi tinggi
Judul asli: CellART: a unified framework for extracting single-cell information from high-resolution spatial transcriptomics
Platform transkriptomik spasial beresolusi tinggi either menangkap jumlah transkrip yang jarang per spot atau hanya mengukur sejumlah gen yang terbatas, sehingga informasi sel tunggal sulit diekstraksi. CellART menggabungkan citra pewarnaan, data transkriptomik spasial, dan referensi RNA-seq sel tunggal, menggunakan deep learning dan pemodelan probabilistik untuk mensegmentasi sel dan menganotasi tipe sel secara bersamaan. Para penulis melaporkan bahwa metode ini efisien, dapat digeneralisasi, dan tangguh, serta keluarannya kompatibel dengan alat komunitas yang banyak digunakan.
Memperkenalkan Quine: Sistem riset AI yang dirancang untuk kompleksitas biologi
Judul asli: Introducing Quine: An AI research system designed for the complexity of biology
Quine dari Microsoft Research adalah upaya tahap awal untuk membangun model dunia multimodal tentang biologi serta perangkat interaktif yang menghubungkan model, alat ilmiah, literatur, dan para peneliti, sehingga membantu ilmuwan memprioritaskan hipotesis sebelum diuji di laboratorium. Bekerja sama dengan peneliti di Broad Institute of Harvard and MIT, tim menggunakannya untuk memprioritaskan senyawa yang diprediksi dapat mendorong pergeseran status tumor secara terapeutik dan memvalidasi beberapa kandidat peringkat teratas melalui berbagai uji laboratorium basah. Sistem ini bersifat eksperimental, hanya ditujukan untuk penelitian, dan keluarannya perlu ditinjau oleh peneliti yang berkualifikasi.