AI اور دنیا کے مشکل مسائل ─ حیاتیاتی علوم
AI کے ذریعے آگے بڑھنے والے سائنس اور علم، شعبے کے لحاظ سے
RSS فیڈ · 14 آئٹمز
LitGene: جینز کی نمائندگی سیکھنے کے لیے متن اور اونٹولوجی کو یکجا کرنے والا قابلِ تشریح ٹرانسفارمر ماڈل
اصل عنوان: LitGene: an interpretable transformer model integrating text and ontology for gene representation learning
جین کی نمائندگی کی سیکھ اکثر سائنسی لٹریچر کو نظر انداز کر دیتی ہے، جس سے کم مطالعہ شدہ جینز کے خلاف نتائج میں جانبداری پیدا ہو سکتی ہے۔ LitGene ایک قابلِ تشریح ٹرانسفارمر ہے جو contrastive learning کے ذریعے متن کو Gene Ontology کی تشریحات کے ساتھ مربوط کرتا ہے۔ اس نے آٹھ پروٹین بینچ مارکس پر مسابقتی درستگی حاصل کی، زیرو شاٹ طریقے سے GO terms، KEGG pathways اور جین اور بیماری کے روابط کی پیش گوئی کی، اور ANGPTL6 کو idiopathic pulmonary fibrosis کے لیے ایک امیدوار جین کے طور پر نشان زد کیا، جس کی تائید آزاد نمونوں میں مختلف اظہار سے ہوئی۔
Seal کے ذریعے نشوونما پاتے انسانی دماغ میں جین کے ضابطے اور ویریئنٹ کے اثرات کی مکانی و زمانی AI پر مبنی ماڈلنگ
اصل عنوان: Spatiotemporal AI-based modeling of gene regulation and variant effects in the developing human brain using Seal
یہ مطالعہ اس سوال کو دیکھتا ہے کہ نشوونما پاتے انسانی دماغ میں، جہاں ڈیٹا محدود ہے، جینیاتی تغیر جین کے ضابطے کو کیسے تشکیل دیتا ہے۔ مصنفین نے Seal بنایا، جو ایک قابلِ تشریح AI ٹرانسفر لرننگ فریم ورک ہے اور 26 خطوں، 30 قسم کے خلیات اور 7 نشوونمائی مراحل میں جین کے اظہار اور ویریئنٹ کے اثرات کی پیش گوئی کرتا ہے۔ آٹزم کے مکمل جینوم ڈیٹا میں، Seal نے عارضی جنینی تحریکی نیورونز میں de novo ریگولیٹری ویریئنٹس کا نمایاں بوجھ پایا۔
بڑے پروٹین کمپلیکسز کی ساخت کی بہتر پیش گوئی کے لیے ہائبرڈ ماڈلنگ
اصل عنوان: Hybrid modeling for improved structure prediction of large protein complexes
اس مطالعے کا مقصد بڑے پروٹین کمپلیکسز کی ساختوں کی پیش گوئی کرنا ہے۔ مصنفین نے HDOCK-Multimer (HDM) تیار کیا، جو ایک خودکار فریم ورک ہے اور ab initio ڈاکنگ کو امتزاجی اسمبلی کے ساتھ جوڑتا ہے۔ تین بینچ مارکس میں، بڑے پروٹین اسمبلیز کے لیے HDM جدید ترین اسمبلی اور ڈیپ لرننگ پر مبنی طریقوں کے مقابلے میں زیادہ درست اور مضبوط ثابت ہوا۔
AI ماڈل خلیات کے باہمی رابطے کی زبان کو سمجھ لیتا ہے
اصل عنوان: AI model decodes the language cells use to communicate
جنینی نشوونما کے دوران خلیوں کو کیمیائی اشارے ملتے ہیں جو جینز کو فعال یا غیر فعال کرتے ہیں اور ان کا کردار طے کرتے ہیں۔ کسی خلیے کو ملنے والے اشاروں کی ترتیب کا سراغ لگانا مشکل رہا ہے، کیونکہ یہ فرض کیا جاتا تھا کہ سگنلنگ پاتھ ویز مختلف اقسامِ خلیات میں بہت مختلف ہوتے ہیں۔ MIT اور Whitehead Institute کے محققین نے اس مسئلے کے حل کے لیے ایک کمپیوٹیشنل فریم ورک تیار کیا، جو اسٹیم سیل انجینئرنگ کو تیز کرنے، بیماریوں کے ماڈلز کو بہتر بنانے اور کینسر کے علاج میں رہنمائی کرنے میں مدد دے سکتا ہے۔
مصنوعی نیورل نیٹ ورکس اپنی سیکھنے کی مشینری خود کیسے بناتے ہیں
اصل عنوان: How artificial neural networks build their own learning machinery
بے ترتیب طور پر جڑی اکائیوں کا ایک گروہ، جب اسے یہ سادہ اصول دیے جائیں کہ روابط کب اور کیسے بدلنے چاہئیں، تو خود کو از سرِ نو منظم کر کے معلومات پر عمل کرنے والا مؤثر نیٹ ورک بن سکتا ہے۔ MIT کی ٹیم کا موقف ہے کہ مصنوعی نیٹ ورک کا ڈویلپر کی رہنمائی کے بغیر خود کو منظم کرنا حیاتیاتی قابلِ فہم ہونے کا ایک اہم امتحان ہے۔ محققین خبردار کرتے ہیں کہ ایسے نیٹ ورکس حیاتیاتی سیکھنے کے بارے میں زیادہ بصیرت فراہم نہیں کر سکتے۔
Claude نے ایک نیا اینزائم نظام دریافت کیا
اصل عنوان: Claude discovers a novel enzyme system
Anthropic کی نئی لائف سائنسز لیب Claude کے ذریعے DNA ڈیٹاسیٹس میں غیر شناخت شدہ پروٹین خاندانوں کی کھوج کرتی ہے۔ ابتدائی نتائج میں، سائنس دانوں کی صرف اعلیٰ سطحی رہنمائی کے ساتھ، Claude ایجنٹس نے نامعلوم فعل والا ایک نیا اینزائم نظام دریافت کیا جس کی خصوصیات CRISPR کی یاد دلاتی ہیں۔ اس کام کا مقصد بڑے پیمانے پر مفروضے تیار کرنا اور لیب میں ان کی جانچ کرنا ہے۔
NiCLIP: دماغی ایکٹیویشن امیجز سے متن کی پیش گوئی کے لیے نیورو امیجنگ کنٹراسٹیو لینگویج-امیج پری ٹریننگ ماڈل
اصل عنوان: NiCLIP: neuroimaging contrastive language-image pretraining model for predicting text from brain activation images
NiCLIP ایک AI ماڈل ہے جو دماغی ایکٹیویشن کے نمونوں سے علمی کاموں، تصورات اور شعبوں کو ڈی کوڈ کرتا ہے۔ اسے 23,000 سے زائد مضامین پر تربیت دی گئی تھی اور بتایا گیا ہے کہ یہ گروپ سطح کی ڈی کوڈنگ میں روایتی ڈی کوڈرز سے بہتر کارکردگی دکھاتا ہے۔ اس نے Human Connectome Project کے گروپ سطح کے نقشوں سے علمی کاموں کی درست پیش گوئی کی، لیکن شور والے سبجیکٹ سطح کے نقشوں کے ساتھ اس کی حدود سامنے آئیں۔
ETSAM: کرائیو الیکٹران ٹوموگرامز میں خلوی جھلیوں کی مؤثر سیگمنٹیشن
اصل عنوان: ETSAM: effectively segmenting cell membranes in cryo-electron tomograms
شور والے کرائیو الیکٹران ٹوموگرافی والیمز میں خلیاتی جھلیوں کو الگ پہچاننا مشکل ہوتا ہے۔ مصنفین نے ETSAM پیش کیا ہے، جو دو مرحلوں پر مشتمل طریقہ ہے اور جھلیوں کی سیگمنٹیشن کے لیے Segment Anything Model 2 (SAM2) کو فائن ٹیون کرتا ہے، اور اسے 83 تجرباتی اور 28 مصنوعی ٹوموگرامز پر تربیت دی گئی۔ 17 تجرباتی ٹیسٹ ٹوموگرامز پر اس نے اعلیٰ حساسیت اور بہتر پریسیژن کے ساتھ دیگر ڈیپ لرننگ طریقوں سے بہتر کارکردگی دکھائی۔
Tangermeme: گہری لرننگ ماڈلز کے ذریعے سس-ریگولیٹری منطق کو سمجھنے کا ایک ٹول کٹ
اصل عنوان: Tangermeme: a toolkit for understanding cis-regulatory logic using deep learning models
ڈیپ لرننگ ماڈلز جینومک ڈیٹا کی اچھی پیش گوئی کر سکتے ہیں، لیکن زیادہ مشکل مرحلہ انہیں حیاتیاتی دریافت کے لیے استعمال کرنا ہے۔ یہ مقالہ tangermeme کی وضاحت کرتا ہے، جو جینومک ڈیپ لرننگ کے ان حصوں کے لیے، جو خود ماڈل کے علاوہ ہیں، ایک انتہائی بہتر بنایا گیا ٹول کٹ ہے۔ یہ دکھاتا ہے کہ tangermeme ماڈلز کے سیکھے ہوئے cis-ریگولیٹری پیٹرنز کو انسان کے سمجھنے کے قابل بصیرتوں میں کیسے کشید کر سکتا ہے۔
قابلِ تعمیم پرٹربیشن کی پیش گوئی
اصل عنوان: Generalizable perturbation prediction
خلیاتی پرٹربیشن کا ڈیٹا علّتی ریگولیٹری تعلقات کو ظاہر کرتا ہے، لیکن ایسا ڈیٹا اکثر کمیاب ہوتا ہے، جو ایسے طریقوں کی ضرورت پیدا کرتا ہے جو ایک سیاق و سباق میں ردِعمل کی پیش گوئی دوسرے سیاق و سباق سے کر سکیں۔ مصنفین نے State تیار کیا، جو ایک مشین لرننگ ماڈل ہے اور جو واحد خلیے کے پرٹربیشن اثرات کے لیے ٹرانسفارمر پر مبنی اسٹیٹ ٹرانزیشن ماڈل کو پہلے سے تربیت یافتہ سیل ایمبیڈنگ ماڈل کے ساتھ ملاتا ہے۔ اسے 100 million سے زائد خلیوں کے پرٹربیشن ڈیٹا اور 167 million خلیوں کے مشاہداتی ڈیٹا پر تربیت دی گئی، اور ٹیم نے ماڈلز کا موازنہ کرنے کے لیے ایک جانچ کا فریم ورک Cell-Eval بھی بنایا۔
مقامی سالماتی ڈیٹا کا درست اور بھرپور قوت والا کیس–کنٹرول تجزیہ
اصل عنوان: Accurate and well-powered case–control analysis of spatial molecular data
مقامی سطح پر مالیکیولی ڈیٹا کے لیے موجودہ طریقے اکثر پابندی والے مفروضوں پر مبنی ہوتے ہیں جو بیماری کے اہم اشاروں کو نظر انداز کر سکتے ہیں۔ VIMA، ایک ڈیپ لرننگ طریقہ، variational autoencoders کے مجموعے کو استعمال کر کے ٹشو کے چھوٹے حصوں کا خلاصہ تیار کرتا ہے اور ایسے مائیکرو نیشز کی نشاندہی کرتا ہے جن کی مقدار کیس یا کنٹرول کی حیثیت سے مطابقت رکھتی ہے۔ سمولیشنز میں یہ بخوبی کیلیبریٹ اور طاقتور ثابت ہوا، اور تین بیماریوں پر مشتمل ڈیٹا سیٹس پر لاگو کرنے سے اس نے معلوم حیاتیات کو دوبارہ دریافت کیا اور بیماری کی نئی مقامی خصوصیات کی نشاندہی کی۔
ProFormer: ڈیپ لرننگ کے ذریعے واحد خلیوں اور پلازمہ پروٹیومز کی عمومی طور پر قابلِ اطلاق درجہ بندی
اصل عنوان: ProFormer: generalizable classification of single-cell and plasma proteomes using deep learning
موجودہ پروٹیومک ورک فلوز کی تھروپٹ کم ہے اور ان میں ڈیٹا کی وسیع پروسیسنگ درکار ہوتی ہے، جس سے نمونوں کی درجہ بندی سست ہو جاتی ہے۔ ProFormer ٹرانسفارمر پر مبنی ڈیپ لرننگ پائپ لائن ہے جو ماس اسپیکٹرومیٹری ڈیٹا سے MS1 سطح کی پیپٹائڈ آئن خصوصیات براہِ راست لیتی ہے۔ اس نے 14 آرکیٹیکچرز میں روایتی مشین لرننگ اور CNNs سے بہتر کارکردگی دکھائی اور واحد خلیے کے پروٹیومز کو خلیے کی قسم، سائیکل کے مرحلے اور تفریق کے راستے کے لحاظ سے، نیز پلازما پروٹیومز سے مریض کی بیماری کی حالت کے لحاظ سے درجہ بند کیا۔
CellART: ہائی ریزولیوشن اسپیشل ٹرانسکرپٹومکس سے سنگل سیل معلومات نکالنے کا ایک متحدہ فریم ورک
اصل عنوان: CellART: a unified framework for extracting single-cell information from high-resolution spatial transcriptomics
اعلیٰ ریزولوشن والے مقامی ٹرانسکرپٹومکس پلیٹ فارمز یا تو ہر مقام پر ٹرانسکرپٹ کی کم گنتی حاصل کرتے ہیں یا صرف محدود تعداد میں جینز کی پیمائش کرتے ہیں، جس سے واحد خلیے کی معلومات نکالنا مشکل ہو جاتا ہے۔ CellART اسٹیننگ تصاویر، مقامی ٹرانسکرپٹومکس ڈیٹا اور واحد خلیے کے RNA-seq حوالہ جات کو ملاتا ہے، اور ڈیپ لرننگ اور احتمالی ماڈلنگ کے ذریعے خلیوں کی سیگمنٹیشن اور خلیوں کی اقسام کی تشریح بیک وقت کرتا ہے۔ مصنفین کے مطابق یہ مؤثر، قابلِ تعمیم اور مضبوط ہے، اور اس کے نتائج کمیونٹی میں وسیع پیمانے پر استعمال ہونے والے ٹولز سے ہم آہنگ ہیں۔
Quine کا تعارف: حیاتیات کی پیچیدگی کے لیے ڈیزائن کیا گیا ایک AI تحقیقی نظام
اصل عنوان: Introducing Quine: An AI research system designed for the complexity of biology
Microsoft Research کا Quine حیاتیات کا ایک ملٹی موڈل ورلڈ ماڈل اور ایک انٹرایکٹو ہارنیس بنانے کی ابتدائی مرحلے کی کوشش ہے، جو ماڈلز، سائنسی ٹولز، لٹریچر اور محققین کو آپس میں جوڑتا ہے اور سائنس دانوں کو لیب ٹیسٹنگ سے پہلے مفروضوں کو ترجیح دینے میں مدد دیتا ہے۔ Harvard اور MIT کے Broad Institute کے محققین کے تعاون سے، ٹیم نے اسے ان مرکبات کو ترجیح دینے کے لیے استعمال کیا جن کے بارے میں پیش گوئی کی گئی تھی کہ وہ علاجی ٹیومر-حالت کی تبدیلیاں پیدا کریں گے، اور کئی اعلیٰ درجہ بند امیدواروں کی متعدد ویٹ-لیب ایسیز میں توثیق کی۔ یہ نظام تجرباتی ہے، صرف تحقیق کے لیے ہے، اور اس کے نتائج کا اہل محققین سے جائزہ لیا جانا ضروری ہے۔