新的DynImmune-BERT模型使用神经ODE进行动态免疫图谱分析

研究人员推出DynImmune-BERT，这是一种用于分析动态免疫图谱随时间变化的新型模型。该模型采用连续时间方法，将神经常微分方程与Transformer相结合，以捕捉免疫细胞行为的复杂信号。DynImmune-BERT旨在通过考虑克隆存在、采样间隔和测序深度等因素来改进患者级别的免疫状态预测，而这些因素在静态模型中通常表示不足。评估表明，这种事件感知的时间建模可以在有纵向数据可用时提高预测精度，但解释小型外部队列的结果时应谨慎。 AI

影响 为纵向生物数据引入了一种新的建模方法，有望提高免疫学中的预测准确性。

排序理由 该集群描述了一篇介绍用于生物数据分析的新型模型的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• bounded neighborhood self attention
• centered log ratio
• DynImmune-BERT
• Hugging Face
• low rank meta adapter
• Neural ODE
• Neural Ordinary Differential Equations
• T-cell receptor
• transformers

• 论文
• 模型发布

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