ИИ и сложнейшие проблемы мира ─ Науки о жизни
Наука и научные знания, продвигаемые ИИ, по дисциплинам
RSS-лента · 14 материалов
LitGene: интерпретируемая трансформерная модель, объединяющая текст и онтологию для обучения представлений генов
Оригинальное название: LitGene: an interpretable transformer model integrating text and ontology for gene representation learning
Обучение представлений генов часто упускает из виду научную литературу, что может смещать результаты не в пользу малоизученных генов. LitGene — интерпретируемый трансформер, который с помощью контрастного обучения объединяет текст с аннотациями Gene Ontology. Он показал конкурентную точность на восьми белковых бенчмарках, предсказал в режиме zero-shot термины GO, пути KEGG и связи ген—заболевание, а также выделил ANGPTL6 как ген-кандидат идиопатического лёгочного фиброза, что подтверждается дифференциальной экспрессией в независимых образцах.
Пространственно-временное моделирование на основе ИИ регуляции генов и эффектов вариантов в развивающемся мозге человека с помощью Seal
Оригинальное название: Spatiotemporal AI-based modeling of gene regulation and variant effects in the developing human brain using Seal
Исследование посвящено тому, как генетическая изменчивость влияет на регуляцию генов в развивающемся мозге человека, где данных мало. Авторы создали Seal — интерпретируемую платформу трансферного обучения ИИ, которая предсказывает экспрессию генов и эффекты вариантов в 26 областях, 30 типах клеток и 7 стадиях развития. В данных полногеномного секвенирования при аутизме Seal обнаружил значимую нагрузку регуляторных вариантов de novo в транзиторных фетальных возбуждающих нейронах.
Гибридное моделирование для улучшенного предсказания структуры крупных белковых комплексов
Оригинальное название: Hybrid modeling for improved structure prediction of large protein complexes
Цель исследования — предсказать структуры крупных белковых комплексов. Авторы разработали HDOCK-Multimer (HDM) — автоматизированную платформу, которая сочетает докинг ab initio с комбинаторной сборкой. На трёх бенчмарках HDM показала более высокую точность и устойчивость, чем современные методы сборки и методы на основе глубокого обучения, при работе с крупными белковыми сборками.
ИИ-модель расшифровывает язык, на котором общаются клетки
Оригинальное название: AI model decodes the language cells use to communicate
В ходе эмбрионального развития клетки получают химические сигналы, которые включают или выключают гены и определяют их роли. Отследить последовательность сигналов, полученных клеткой, было трудно, поскольку считалось, что сигнальные пути сильно различаются у разных типов клеток. Исследователи из MIT и Whitehead Institute разработали для решения этой задачи вычислительную платформу, которая может помочь ускорить инженерию стволовых клеток, улучшить модели заболеваний и дать информацию для лечения рака.
Как искусственные нейронные сети создают собственный механизм обучения
Оригинальное название: How artificial neural networks build their own learning machinery
Группа случайно связанных элементов может самоорганизоваться в эффективную сеть обработки информации, если задать простые правила того, когда и как должны меняться связи. Команда из MIT утверждает, что способность искусственной сети организовываться самостоятельно, без руководства разработчика, является ключевым тестом биологической правдоподобности. Исследователи предупреждают, что такие сети, возможно, мало что дают для понимания биологического обучения.
Claude открывает новую ферментную систему
Оригинальное название: Claude discovers a novel enzyme system
Новая лаборатория наук о жизни Anthropic использует Claude для изучения наборов данных ДНК в поисках неописанных семейств белков. В первых результатах, при лишь общем руководстве со стороны учёных, агенты Claude обнаружили новую ферментную систему с неизвестной функцией и свойствами, напоминающими CRISPR. Цель работы — генерировать гипотезы в большом масштабе и проверять их в лаборатории.
NiCLIP: нейровизуализационная модель контрастивного предобучения «язык — изображение» для предсказания текста по изображениям активации мозга
Оригинальное название: NiCLIP: neuroimaging contrastive language-image pretraining model for predicting text from brain activation images
NiCLIP — это ИИ-модель, которая декодирует когнитивные задачи, понятия и области по паттернам мозговой активации. Она была обучена более чем на 23 000 статей и, как сообщается, превосходит традиционные декодеры при декодировании на уровне группы. Она точно предсказывала когнитивные задачи по групповым картам Human Connectome Project, но показала ограничения на зашумлённых картах отдельных субъектов.
ETSAM: эффективная сегментация клеточных мембран на крио-электронных томограммах
Оригинальное название: ETSAM: effectively segmenting cell membranes in cryo-electron tomograms
Клеточные мембраны трудно различить в зашумлённых томограммах, полученных методом криоэлектронной томографии. Авторы представляют ETSAM — двухэтапный метод, который дообучает Segment Anything Model 2 (SAM2) для сегментации мембран; он обучался на 83 экспериментальных и 28 симулированных томограммах. На 17 экспериментальных тестовых томограммах он превзошёл другие методы глубокого обучения, показав высокую чувствительность и лучшую точность.
Tangermeme: набор инструментов для понимания цис-регуляторной логики с помощью моделей глубокого обучения
Оригинальное название: Tangermeme: a toolkit for understanding cis-regulatory logic using deep learning models
Модели глубокого обучения хорошо предсказывают геномные данные, но более сложный шаг — использовать их для биологических открытий. В этой статье описывается tangermeme — высокооптимизированный набор инструментов для тех частей геномного глубокого обучения, которые не относятся к самой модели. Показано, как tangermeme может преобразовывать цис-регуляторные паттерны, выученные моделями, в понятные человеку выводы.
Обобщаемое предсказание возмущений
Оригинальное название: Generalizable perturbation prediction
Данные о возмущениях клеток раскрывают причинно-следственные регуляторные связи, но таких данных часто мало, что стимулирует разработку методов, предсказывающих отклик в одном контексте на основе других. Авторы разработали State — модель машинного обучения, которая сочетает трансформерную модель переходов состояний для эффектов возмущений в одиночных клетках с предобученной моделью эмбеддингов клеток. Она обучалась на данных о возмущениях более чем 100 миллионов клеток и на данных наблюдений 167 миллионов клеток, а команда также создала Cell-Eval — систему оценки для сравнения моделей.
Точный и обладающий высокой статистической мощностью анализ «случай — контроль» пространственных молекулярных данных
Оригинальное название: Accurate and well-powered case–control analysis of spatial molecular data
Существующие методы анализа пространственных молекулярных данных часто опираются на ограничивающие допущения, из-за которых могут упускаться важные сигналы заболеваний. VIMA — метод глубокого обучения, который использует ансамбль вариационных автоэнкодеров для обобщения небольших участков ткани и выявления микронiш, обилие которых коррелирует со статусом «случай» или «контроль». В симуляциях метод был хорошо откалиброван и обладал высокой мощностью, а при применении к наборам данных по трём заболеваниям он воспроизвёл известную биологию и выявил новые пространственные признаки болезни.
ProFormer: обобщаемая классификация протеомов отдельных клеток и плазмы с помощью глубокого обучения
Оригинальное название: ProFormer: generalizable classification of single-cell and plasma proteomes using deep learning
Современные протеомные рабочие процессы имеют низкую пропускную способность и требуют масштабной обработки данных, что замедляет классификацию образцов. ProFormer — это конвейер глубокого обучения на основе трансформеров, который берёт признаки пептидных ионов уровня MS1 непосредственно из данных масс-спектрометрии. Он превзошёл традиционное машинное обучение и сверточные нейронные сети (CNN) на 14 архитектурах и классифицировал протеомы отдельных клеток по типу клеток, стадии цикла и траектории дифференцировки, а также определял статус заболевания пациентов по протеомам плазмы.
CellART: единая платформа для извлечения информации об отдельных клетках из пространственной транскриптомики высокого разрешения
Оригинальное название: CellART: a unified framework for extracting single-cell information from high-resolution spatial transcriptomics
Платформы пространственной транскриптомики с высоким разрешением либо фиксируют разреженное число транскриптов на пятно, либо измеряют лишь ограниченное число генов, из-за чего трудно извлечь информацию об отдельных клетках. CellART объединяет изображения окрашивания, данные пространственной транскриптомики и референсы одноклеточной РНК-секвенации, используя глубокое обучение и вероятностное моделирование для одновременной сегментации клеток и аннотации их типов. Авторы сообщают, что метод эффективен, обобщаем и устойчив, а его результаты совместимы с широко используемыми инструментами сообщества.
Представляем Quine: исследовательскую ИИ-систему, созданную для сложности биологии
Оригинальное название: Introducing Quine: An AI research system designed for the complexity of biology
Quine от Microsoft Research — это начальный этап работы по созданию мультимодальной модели мира биологии и интерактивной среды, которая связывает модели, научные инструменты, литературу и исследователей и помогает учёным расставлять приоритеты среди гипотез до лабораторной проверки. Совместно с исследователями из Broad Institute of Harvard and MIT команда использовала её, чтобы выделить в приоритет соединения, которые, как предсказано, вызывают терапевтические сдвиги состояния опухоли, и подтвердила несколько наиболее высокоранжированных кандидатов в ходе нескольких лабораторных анализов. Система носит экспериментальный характер, предназначена только для исследований, а её результаты требуют проверки квалифицированными исследователями.