PulseAugur
中
实时 12:10:23
English(EN) CoDiffGRN: Rethinking Gene Regulatory Network Inference via the BEELINE-KGC Benchmark and Co-evolutionary Discrete Diffusion

新的 CoDiffGRN 框架推进了基因调控网络推断

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种用于从单细胞转录组数据推断基因调控网络 (GRN) 的新颖框架 CoDiffGRN。该新方法通过将 GRN 推断重新构建为归纳式、以排名为中心的图补全问题，解决了现有方法的局限性。CoDiffGRN 利用协同演化离散扩散过程来模拟基因表达状态和调控相互作用，从而实现稳健的泛化能力，并改进了对排名靠前的调控相互作用的发现，特别是对于先前未见的基因。 AI

影响 这项研究推进了人工智能在生物信息学中的应用，有望通过提高基因调控网络推断的准确性来加速生物学发现。

排序理由 该集群包含一篇详细介绍特定科学领域新方法和基准的新学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的 CoDiffGRN 框架推进了基因调控网络推断

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Jiaze Song, Runhao Zhao, Minghao Xu, Bin Cui, Wentao Zhang ·

    CoDiffGRN：通过BEELINE-KGC基准和协同演化离散扩散重新思考基因调控网络推断

    arXiv:2607.13120v1 Announce Type: cross Abstract: Inferring gene regulatory networks (GRNs) from single-cell transcriptomic data is crucial for biological discovery, yet existing approaches suffer from a fundamental misalignment with real-world needs. Researchers typically seek a…

相关话题