Drosophila melanogaster
PulseAugur coverage of Drosophila melanogaster — every cluster mentioning Drosophila melanogaster across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新型SimpSyn模型推动无脊椎动物突触检测进展
研究人员开发了SimpSyn，这是一种新颖的Residual U-Net模型，旨在实现无脊椎动物物种中高效准确的突触检测。该模型在一个包含两个物种（黑腹果蝇和Viggiani巨蜂）的四个数据集的多元基准数据集上进行了训练。与现有的最先进方法（如Synful）相比，SimpSyn在检测突触位点方面表现出更优越的性能，尤其是在组合数据集上训练时。该研究表明，更简单、更轻量级的模型可以为大规模连接组学分析提供可扩展的解决方案。
-
苍蝇大脑拓扑结构启发了鲁棒的机器人导航神经网络
研究人员开发了一种名为FLYNN的新型循环神经网络，该网络直接模仿了果蝇大脑的神经结构。该网络在模拟环境中展现出强大的导航能力，其性能与同等规模的传统网络相当。值得注意的是，与传统网络不同的是，FLYNN在面对不熟悉的数据和感官剥夺时表现出更强的鲁棒性，即使在完全失去视觉输入的情况下也能保持功能。
-
EssentialGIN使用图网络进行基因预测
研究人员开发了EssentialGIN，一种使用图同构神经网络预测必需基因的新方法。该方法整合了基因表达和同源性信息等生物数据与网络拓扑结构，以提高预测准确性。实验表明，EssentialGIN的性能优于现有的基于中心性和机器学习的方法，尤其是在人类等复杂生物体中。
-
新的AGM技术提高了Transformer在跨领域情感分析中的鲁棒性
研究人员开发了归因引导掩码（AGM），一种新颖的训练技术，旨在提高预训练Transformer模型在情感分类任务中的泛化能力。AGM通过在微调过程中识别并惩罚特定领域的虚假标记来解决模型迁移到域外数据时观察到的性能下降问题。该方法不需要目标域标签，在零样本迁移设置中表现出有竞争力的性能，并通过突出驱动泛化差距的特征来提供可解释性。
-
新的ART-Track框架改进了空间科学实验的多目标跟踪
研究人员开发了ART-Track，一个新颖的运动驱动跟踪框架，用于分析空间科学实验中的多动物行为。该系统通过采用多模型运动估计和运动状态驱动的关联，解决了微重力环境中视觉线索弱和运动复杂等挑战。该框架旨在为下游定量行为分析提供更稳定可靠的个体轨迹，特别是针对斑马鱼和果蝇等物种。