computational biology
PulseAugur coverage of computational biology — every cluster mentioning computational biology across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
LLM驱动的智能体自动化生物轨迹分析，新方法提高预测精度 · 跟踪6个来源
研究人员开发了SpaCellAgent，一个新颖的基于LLM的多智能体框架，旨在自动化空间和单细胞转录组学中的轨迹推断和分析。该框架旨在减少此类分析通常需要的手动干预，为时空建模提供端到端解决方案。据报道，SpaCellAgent在保持专家级性能的同时，分析效率提高了40%以上。此外，IMR和ECTraj等新方法正在推进多智能体轨迹预测在自动驾驶等应用中的发展，重点是提高准确性和降低推理延迟。
-
新的高斯过程框架增强组学数据分类
研究人员开发了一种新的结构化高斯过程分类框架，旨在改进复杂生物数据的分析。该方法将生物通路信息直接整合到核函数构建中，使其能够捕获组学数据中的定量测量和拓扑上下文。该框架在微生物组数据集上进行了基准测试，证明了其在性能上优于非结构化方法，并为稳健分类提供了经过校准的预测不确定性，尤其是在高维和小样本量的情况下。
-
ScheMatiQ 工具使用 LLM 从研究问题中提取结构化数据
研究人员开发了 ScheMatiQ，这是一个开源工具，旨在简化从自然语言研究问题和大型文档集合中提取结构化数据的过程。该系统利用骨干 LLM 生成模式和数据库，并提供 Web 界面供用户优化提取过程。ScheMatiQ 已在法律和计算生物学领域证明了其支持实际分析的实用性，所有资源均公开提供。
-
AI 推动生物学酶-反应检索发展
两篇新研究论文介绍了计算生物学中用于酶-反应检索的先进 AI 框架。第一个框架 TIGER 使用蛋白质到文本生成来创建通用的表示，以连接酶和生化反应，从而提高泛化能力和鲁棒性。第二个框架是一个多对齐对比学习框架，它将酶-反应兼容性与域内关系和几何一致性联合建模，从而提高检索准确性和功能注释。
-
MAMMAL AI架构加速生物医学发现和药物开发
研究人员推出了一种新颖的、用于生物医学发现的多模态架构 MAMMAL。该系统将分子数据与语言模型相结合，以加速药物发现和计算生物学等领域的研发。MAMMAL 旨在增强对复杂生物系统的理解和预测能力。