AI na Matatizo Magumu ya Ulimwengu ─ Sayansi za maisha
Sayansi na taaluma zinazoendelezwa na AI, kwa taaluma
Mlisho wa RSS · 14 vipengee
LitGene: muundo wa transfoma unaoweza kufasirika unaojumuisha maandishi na ontolojia kwa ujifunzaji wa uwakilishi wa jeni
Kichwa asilia: LitGene: an interpretable transformer model integrating text and ontology for gene representation learning
Ujifunzaji wa uwakilishi wa jeni mara nyingi hupuuza maandiko ya kisayansi, jambo linaloweza kupendelea matokeo dhidi ya jeni zisizochunguzwa vya kutosha. LitGene ni transformer inayoweza kufasirika inayounganisha maandishi na maelezo ya Gene Ontology kupitia ujifunzaji wa kulinganisha. Ilipata usahihi wa kushindana kwenye vipimo nane vya protini, ilitabiri bila mifano ya awali istilahi za GO, njia za KEGG na viungo vya jeni na magonjwa, na ilitaja ANGPTL6 kama jeni mgombea wa idiopathic pulmonary fibrosis, ikiungwa mkono na udhihirisho tofauti wa jeni katika sampuli huru.
Uundaji wa miundo kwa kutumia AI ya anga-wakati wa udhibiti wa jeni na athari za virianti katika ubongo wa binadamu unaokua kwa kutumia Seal
Kichwa asilia: Spatiotemporal AI-based modeling of gene regulation and variant effects in the developing human brain using Seal
Utafiti huu unashughulikia jinsi tofauti za kijenetiki zinavyounda udhibiti wa jeni katika ubongo wa binadamu unaokua, ambapo data ni chache. Waandishi waliunda Seal, mfumo wa kujifunza kwa uhamishaji wa AI unaoweza kufasirika, unaotabiri usemi wa jeni na athari za virianti katika maeneo 26, aina 30 za seli na hatua 7 za ukuaji. Katika data za jenomu nzima za tawahudi, Seal ilipata mzigo mkubwa wa kitakwimu wa virianti vya udhibiti vya de novo katika niuroni za kusisimua za fetasi za muda mfupi.
Uundaji mseto kwa utabiri bora wa muundo wa changamano kubwa za protini
Kichwa asilia: Hybrid modeling for improved structure prediction of large protein complexes
Utafiti huu unalenga kutabiri miundo ya changamano kubwa za protini. Waandishi waliunda HDOCK-Multimer (HDM), mfumo otomatiki unaounganisha uunganishaji wa ab initio (docking) na uunganishaji wa mchanganyiko. Katika vipimo vitatu vya ulinganisho, HDM ilikuwa sahihi zaidi na imara zaidi kuliko mbinu za kisasa za uunganishaji na mbinu zinazotegemea ujifunzaji wa kina kwa mikusanyiko mikubwa ya protini.
Modeli ya AI yafasiri lugha ambayo seli hutumia kuwasiliana
Kichwa asilia: AI model decodes the language cells use to communicate
Wakati wa ukuaji wa kiinitete, seli hupokea ishara za kemikali zinazowasha au kuzima jeni na kubainisha majukumu yao. Kufuatilia mfuatano wa ishara ambazo seli imepokea kumekuwa kugumu, kwa sababu njia za uashiriaji zilidhaniwa kutofautiana sana kati ya aina za seli. Watafiti wa MIT na Whitehead Institute walitengeneza mfumo wa kikokotozi kushughulikia hili, ambao unaweza kusaidia kuharakisha uhandisi wa seli shina, kuboresha miundo ya magonjwa, na kutoa taarifa kwa matibabu ya saratani.
Jinsi mitandao bandia ya neva inavyojijengea mashine zake za kujifunza
Kichwa asilia: How artificial neural networks build their own learning machinery
Kundi la vitengo vilivyounganishwa kwa nasibu linaweza kujipanga upya kuwa mtandao madhubuti wa kuchakata taarifa likipewa kanuni rahisi za wakati na jinsi miunganisho inavyopaswa kubadilika. Timu ya MIT inasema kuwa uwezo wa mtandao bandia kujipanga wenyewe, bila mwongozo wa msanidi programu, ni kipimo muhimu cha uwezekano wa kibaolojia. Watafiti wanatahadharisha kuwa mitandao kama hiyo huenda isitoe uelewa mwingi kuhusu ujifunzaji wa kibaolojia.
Claude agundua mfumo mpya wa kimeng'enya
Kichwa asilia: Claude discovers a novel enzyme system
Maabara mpya ya sayansi ya uhai ya Anthropic hutumia Claude kuchunguza mikusanyiko ya data za DNA kutafuta familia za protini ambazo hazijabainishwa. Katika matokeo ya awali, kwa mwelekeo wa kiwango cha juu tu kutoka kwa wanasayansi, mawakala wa Claude walipata mfumo mpya wa kimeng'enya wenye kazi isiyojulikana na sifa zinazofanana na CRISPR. Kazi hii inalenga kuzalisha dhana kwa kiwango kikubwa na kuzijaribu maabara.
NiCLIP: modeli ya mafunzo ya awali ya kulinganisha lugha na picha za nyuroimejing kwa kutabiri maandishi kutoka kwa picha za uamilifu wa ubongo
Kichwa asilia: NiCLIP: neuroimaging contrastive language-image pretraining model for predicting text from brain activation images
NiCLIP ni modeli ya AI inayofasiri kazi za kiakili, dhana na nyanja kutoka kwenye mifumo ya uamilifu wa ubongo. Ilifunzwa kwa zaidi ya makala 23,000 na inaripotiwa kuwazidi vifasiri vya kawaida katika ufasiri wa kiwango cha kikundi. Ilitabiri kazi za kiakili kwa usahihi kutoka kwenye ramani za kiwango cha kikundi za Human Connectome Project, lakini ilionyesha mapungufu kwenye ramani za kiwango cha mtu mmoja zenye kelele.
ETSAM: kugawa kwa ufanisi utando wa seli katika tomogramu za cryo-electron
Kichwa asilia: ETSAM: effectively segmenting cell membranes in cryo-electron tomograms
Utando wa seli ni vigumu kutofautishwa katika ujazo wa tomografia ya elektroni ya cryo wenye kelele. Waandishi wanawasilisha ETSAM, mbinu ya hatua mbili inayorekebisha kwa ustadi Segment Anything Model 2 (SAM2) ili kugawa utando, iliyofunzwa kwa tomogramu 83 za majaribio halisi na 28 za kuigwa. Kwenye tomogramu 17 za majaribio halisi za upimaji, ilizipita mbinu nyingine za kujifunza kwa kina kwa unyeti wa juu na usahihi bora zaidi.
Tangermeme: zana ya kuelewa mantiki ya udhibiti wa cis kwa kutumia modeli za kujifunza kwa kina
Kichwa asilia: Tangermeme: a toolkit for understanding cis-regulatory logic using deep learning models
Mifumo ya kujifunza kwa kina inaweza kutabiri data za jenomu vizuri, lakini hatua ngumu zaidi ni kuitumia kwa ugunduzi wa kibiolojia. Makala hii inaeleza tangermeme, zana iliyoboreshwa sana kwa sehemu za kujifunza kwa kina kwa jenomu zisizo mfumo wenyewe. Inaonyesha jinsi tangermeme inavyoweza kuchuja ruwaza za udhibiti wa cis zilizojifunzwa na mifumo kuwa maarifa yanayoweza kueleweka na binadamu.
Utabiri wa mtikisiko unaoweza kujumlishwa
Kichwa asilia: Generalizable perturbation prediction
Data ya mvurugo wa seli hufichua uhusiano wa kisababishi wa udhibiti, lakini data kama hiyo mara nyingi ni adimu, jambo linalochochea mbinu zinazotabiri mwitikio katika muktadha mmoja kutoka kwa mingine. Waandishi walitengeneza State, modeli ya kujifunza kwa mashine inayochanganya modeli ya mpito wa hali inayotegemea transfoma kwa athari za mvurugo wa seli moja na modeli ya uwakilishi wa seli iliyofunzwa awali. Ilifunzwa kwa data ya mvurugo kutoka seli zaidi ya milioni 100 na data ya uchunguzi kutoka seli milioni 167, na timu pia ilijenga Cell-Eval, mfumo wa tathmini wa kulinganisha modeli.
Uchambuzi sahihi na wenye nguvu wa kutosha wa kesi na udhibiti wa data za molekuli za kimaeneo
Kichwa asilia: Accurate and well-powered case–control analysis of spatial molecular data
Mbinu zilizopo za data za molekuli za anga mara nyingi hutumia dhana zenye vikwazo ambazo zinaweza kukosa ishara muhimu za magonjwa. VIMA, mbinu ya kujifunza kwa kina, hutumia kundi la variational autoencoders kufupisha vipande vidogo vya tishu na kutambua microniches ambazo wingi wake unahusiana na hali ya kisa au udhibiti. Katika masimulizi ilipimwa vizuri na ilikuwa na nguvu, na ilipotumika kwenye seti za data zinazohusu magonjwa matatu ilipata biolojia inayojulikana na kutambua sifa mpya za anga za ugonjwa.
ProFormer: uainishaji unaoweza kujumlishwa wa protiomu za seli moja na plasma kwa kutumia ujifunzaji wa kina
Kichwa asilia: ProFormer: generalizable classification of single-cell and plasma proteomes using deep learning
Mifumo ya sasa ya kazi ya proteomiki ina kasi ndogo ya uchakataji na inahitaji usindikaji mkubwa wa data, jambo linalopunguza kasi ya uainishaji wa sampuli. ProFormer ni mfumo wa kujifunza kwa kina unaotegemea transformer unaochukua moja kwa moja vipengele vya ioni za peptidi vya kiwango cha MS1 kutoka kwenye data ya spektrometri ya wingi. Ulizidi mbinu za jadi za kujifunza kwa mashine na CNN katika miundo 14 na uliainisha proteomu za seli moja kwa aina ya seli, hatua ya mzunguko, na mkondo wa utofautishaji, pamoja na hali ya ugonjwa wa mgonjwa kutoka kwenye proteomu za plasma.
CellART: mfumo mmoja wa kuchota taarifa za seli moja kutoka kwa transkriptomiki ya anga yenye azimio la juu
Kichwa asilia: CellART: a unified framework for extracting single-cell information from high-resolution spatial transcriptomics
Majukwaa ya spatial transcriptomics ya azimio la juu hunasa idadi ndogo ya nakala za transcript kwa kila doa au hupima idadi ndogo tu ya jeni, jambo linalofanya taarifa za seli moja kuwa ngumu kuzipata. CellART inaunganisha picha za upakaji rangi, data ya spatial transcriptomics na marejeo ya single-cell RNA-seq, ikitumia kujifunza kwa kina na uundaji wa kiuwezekano kugawa seli na kutambua aina za seli kwa wakati mmoja. Waandishi wanaripoti kuwa ni bora kiutendaji, inaweza kujumlishwa na imara, na kwamba matokeo yake yanaoana na zana zinazotumiwa sana na jamii.
Tunakutambulisha Quine: Mfumo wa utafiti wa AI ulioundwa kwa ajili ya ugumu wa biolojia
Kichwa asilia: Introducing Quine: An AI research system designed for the complexity of biology
Quine ya Microsoft Research ni jitihada ya hatua za awali ya kujenga modeli ya dunia ya baiolojia yenye njia nyingi (multimodal) na mfumo shirikishi unaounganisha modeli, zana za kisayansi, machapisho, na watafiti, ukiwasaidia wanasayansi kuweka kipaumbele kwenye dhana kabla ya majaribio ya maabara. Kwa ushirikiano na watafiti wa Broad Institute of Harvard and MIT, timu ilitumia mfumo huo kuweka kipaumbele kwenye misombo inayotabiriwa kuchochea mabadiliko ya kitiba ya hali ya uvimbe, na ilithibitisha wagombea kadhaa waliopewa nafasi za juu kupitia vipimo mbalimbali vya maabara. Mfumo huu ni wa majaribio, unakusudiwa kwa utafiti pekee, na matokeo yake yanahitaji kukaguliwa na watafiti wenye sifa.