IA e os Problemas Difíceis do Mundo ─ Ciências da vida
Ciência e conhecimento avançados pela IA, por disciplina
Feed RSS · 14 itens
LitGene: um modelo transformer interpretável que integra texto e ontologia para aprendizado de representação de genes
Título original: LitGene: an interpretable transformer model integrating text and ontology for gene representation learning
O aprendizado de representação de genes muitas vezes ignora a literatura científica, o que pode enviesar os resultados contra genes pouco estudados. O LitGene é um transformer interpretável que integra texto com anotações da Gene Ontology por meio de aprendizado contrastivo. Ele alcançou acurácia competitiva em oito benchmarks de proteínas, previu em zero-shot termos da GO, vias do KEGG e associações gene-doença, e apontou o ANGPTL6 como gene candidato para a fibrose pulmonar idiopática, apoiado por expressão diferencial em amostras independentes.
Modelagem espaço-temporal baseada em IA da regulação gênica e dos efeitos de variantes no cérebro humano em desenvolvimento usando o Seal
Título original: Spatiotemporal AI-based modeling of gene regulation and variant effects in the developing human brain using Seal
O estudo aborda como a variação genética molda a regulação gênica no cérebro humano em desenvolvimento, onde os dados são limitados. Os autores criaram o Seal, uma estrutura interpretável de aprendizado por transferência com IA que prevê a expressão gênica e os efeitos de variantes em 26 regiões, 30 tipos de células e 7 estágios do desenvolvimento. Em dados de genoma completo de autismo, o Seal encontrou uma carga significativa de variantes regulatórias de novo em neurônios excitatórios fetais transitórios.
Modelagem híbrida para melhor predição da estrutura de grandes complexos proteicos
Título original: Hybrid modeling for improved structure prediction of large protein complexes
O estudo tem como objetivo prever as estruturas de grandes complexos proteicos. Os autores desenvolveram o HDOCK-Multimer (HDM), um framework automatizado que combina docking ab initio com montagem combinatória. Em três benchmarks, o HDM foi mais preciso e robusto do que os métodos de montagem de última geração e os baseados em aprendizado profundo para grandes montagens de proteínas.
Modelo de IA decodifica a linguagem que as células usam para se comunicar
Título original: AI model decodes the language cells use to communicate
Durante o desenvolvimento embrionário, as células recebem sinais químicos que ligam ou desligam genes e determinam suas funções. Rastrear a sequência de sinais que uma célula recebeu tem sido difícil, porque se presumia que as vias de sinalização diferiam muito entre os tipos celulares. Pesquisadores do MIT e do Whitehead Institute desenvolveram uma estrutura computacional para enfrentar esse problema, o que pode ajudar a acelerar a engenharia de células-tronco, melhorar modelos de doenças e embasar tratamentos contra o câncer.
Como as redes neurais artificiais constroem sua própria maquinaria de aprendizado
Título original: How artificial neural networks build their own learning machinery
Um grupo de unidades conectadas aleatoriamente pode se reorganizar em uma rede eficaz de processamento de informações quando recebe regras simples sobre quando e como as conexões devem mudar. A equipe do MIT argumenta que a capacidade de uma rede artificial de se organizar sozinha, sem a orientação de um desenvolvedor, é um teste fundamental de plausibilidade biológica. Os pesquisadores alertam que essas redes podem não oferecer muitas informações sobre o aprendizado biológico.
Claude descobre um novo sistema enzimático
Título original: Claude discovers a novel enzyme system
O novo laboratório de ciências da vida da Anthropic usa o Claude para explorar conjuntos de dados de DNA em busca de famílias de proteínas não caracterizadas. Nos primeiros resultados, com apenas orientações gerais dos cientistas, agentes do Claude encontraram um novo sistema enzimático de função desconhecida e com propriedades que lembram o CRISPR. O trabalho visa gerar hipóteses em escala e testá-las no laboratório.
NiCLIP: modelo de pré-treinamento contrastivo de linguagem e imagem em neuroimagem para prever texto a partir de imagens de ativação cerebral
Título original: NiCLIP: neuroimaging contrastive language-image pretraining model for predicting text from brain activation images
O NiCLIP é um modelo de IA que decodifica tarefas, conceitos e domínios cognitivos a partir de padrões de ativação cerebral. Ele foi treinado com mais de 23.000 artigos e, segundo relatos, supera os decodificadores tradicionais na decodificação em nível de grupo. Previu com precisão tarefas cognitivas a partir de mapas em nível de grupo do Human Connectome Project, mas apresentou limitações com mapas ruidosos em nível de indivíduo.
ETSAM: segmentação eficaz de membranas celulares em tomogramas de crio-eletrônica
Título original: ETSAM: effectively segmenting cell membranes in cryo-electron tomograms
As membranas celulares são difíceis de distinguir em volumes ruidosos de tomografia crioeletrônica. Os autores apresentam o ETSAM, um método de duas etapas que ajusta o Segment Anything Model 2 (SAM2) para segmentar membranas, treinado com 83 tomogramas experimentais e 28 simulados. Em 17 tomogramas experimentais de teste, ele superou outros métodos de aprendizado profundo, com alta sensibilidade e melhor precisão.
Tangermeme: um conjunto de ferramentas para entender a lógica regulatória cis usando modelos de aprendizado profundo
Título original: Tangermeme: a toolkit for understanding cis-regulatory logic using deep learning models
Modelos de deep learning conseguem prever bem dados genômicos, mas a etapa mais difícil é usá-los para descobertas biológicas. Este artigo descreve o tangermeme, um kit de ferramentas altamente otimizado para as partes do deep learning genômico que vão além do modelo em si. Ele mostra como o tangermeme pode destilar os padrões cis-regulatórios aprendidos pelos modelos em percepções interpretáveis por humanos.
Previsão de perturbações generalizável
Título original: Generalizable perturbation prediction
Os dados de perturbação celular revelam relações regulatórias causais, mas esses dados costumam ser escassos, o que motiva métodos que preveem respostas em um contexto a partir de outros. Os autores desenvolveram o State, um modelo de aprendizado de máquina que combina um modelo de transição de estado baseado em transformer para efeitos de perturbação em células individuais com um modelo pré-treinado de embeddings celulares. Ele foi treinado com dados de perturbação de mais de 100 milhões de células e dados observacionais de 167 milhões de células, e a equipe também criou o Cell-Eval, uma estrutura de avaliação para comparar modelos.
Análise caso-controle precisa e com bom poder estatístico de dados moleculares espaciais
Título original: Accurate and well-powered case–control analysis of spatial molecular data
Os métodos existentes para dados moleculares espaciais frequentemente usam premissas restritivas que podem deixar passar sinais importantes de doenças. O VIMA, um método de aprendizado profundo, usa um conjunto de autoencoders variacionais para resumir pequenos fragmentos de tecido e identificar microniches cuja abundância se correlaciona com o status de caso ou controle. Em simulações, ele se mostrou bem calibrado e poderoso e, aplicado a conjuntos de dados abrangendo três doenças, recuperou biologia conhecida e identificou novas características espaciais das doenças.
ProFormer: classificação generalizável de proteomas de células individuais e de plasma usando aprendizado profundo
Título original: ProFormer: generalizable classification of single-cell and plasma proteomes using deep learning
Os fluxos de trabalho proteômicos atuais têm baixo throughput e exigem amplo processamento de dados, o que torna mais lenta a classificação de amostras. O ProFormer é um pipeline de deep learning baseado em transformers que recebe diretamente dos dados de espectrometria de massas características de íons peptídicos em nível MS1. Ele superou o aprendizado de máquina tradicional e as CNNs em 14 arquiteturas e classificou proteomas de células individuais por tipo celular, estágio do ciclo e trajetória de diferenciação, bem como o estado de doença de pacientes a partir de proteomas de plasma.
CellART: uma estrutura unificada para extrair informações de células individuais a partir de transcriptômica espacial de alta resolução
Título original: CellART: a unified framework for extracting single-cell information from high-resolution spatial transcriptomics
As plataformas de transcriptômica espacial de alta resolução ou capturam contagens esparsas de transcritos por spot ou medem apenas um número limitado de genes, o que dificulta a extração de informações de células individuais. O CellART combina imagens de coloração, dados de transcriptômica espacial e referências de RNA-seq de célula única, usando aprendizado profundo e modelagem probabilística para segmentar células e anotar tipos celulares simultaneamente. Os autores relatam que ele é eficiente, generalizável e robusto, e que seus resultados são compatíveis com ferramentas amplamente usadas pela comunidade.
Apresentando o Quine: um sistema de pesquisa em IA projetado para a complexidade da biologia
Título original: Introducing Quine: An AI research system designed for the complexity of biology
O Quine, da Microsoft Research, é um esforço em estágio inicial para construir um modelo de mundo multimodal da biologia e uma estrutura interativa que conecta modelos, ferramentas científicas, literatura e pesquisadores, ajudando cientistas a priorizar hipóteses antes dos testes em laboratório. Em colaboração com pesquisadores do Broad Institute of Harvard and MIT, a equipe o utilizou para priorizar compostos previstos para provocar mudanças terapêuticas no estado tumoral e validou vários dos candidatos mais bem classificados em diversos ensaios laboratoriais. O sistema é experimental, destinado apenas à pesquisa, e seus resultados exigem revisão por pesquisadores qualificados.