Gene Ontology
PulseAugur coverage of Gene Ontology — every cluster mentioning Gene Ontology across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
GoCo框架提高了基因本体论注释的准确性和数量
研究人员开发了GoCo，一个旨在提高计算生物学中基因本体论（GO）注释的准确性和数量的新框架。这种结构引导的方法校准现有的预测器分数以控制误差，特别针对基因级别的错误发现比例（FDP）。GoCo-M，一个变体，在遵守多项研究的误差目标的同时，展示了比现有方法发布更多GO术语的能力。另一个变体GoCo-N通过排序基因特异性调用进一步改进了这一点，与在独立数据集上使用Multilabel相比，发布的注释数量显著增加。
-
新的基于Mamba的自编码器改进了心脏RNA测序疾病分类
研究人员开发了scHFBiMamba，这是一种新颖的双向Mamba自编码器，用于从单核RNA测序数据中分类心脏病状态。该模型显著优于现有框架，取得了更高的总体F1分数，并提高了细胞类型和疾病状态识别的准确性。值得注意的是，scHFBiMamba使用的参数比现有模型少得多，同时仍能提供可解释的基因归因以获得生物学见解。
-
ProTok 将蛋白质序列、结构和功能统一为单一标记器
研究人员开发了 ProTok，一种新颖的蛋白质标记器，可将蛋白质序列、结构和功能注释统一为单一离散词汇表。这种模块化方法使用具有模态丢弃的产品量化，允许在不重新训练的情况下从任何模态子集中进行灵活推理。ProTok 在基准测试中表现强劲，实现了高重建精度，并在零样本功能检索方面处于领先地位。它还能够联合生成骨架和序列，性能优于现有基线。
-
SoftGene框架使用蛋白质语言模型进行基因集注释
研究人员开发了SoftGene，一个利用蛋白质语言模型和混合提示方案增强基因集注释的新框架。该方法整合了蛋白质序列信息和由本地LLM生成的辅助上下文，以提高功能基因组学分析的可解释性和准确性。在Gene Ontology和MSigDB等基准数据集上的评估表明，SoftGene结合蛋白质嵌入和文本上下文的方法在各种生物学领域都具有优势。
-
新的Moose方法增强了OWL 2 EL本体的神经符号学习
研究人员开发了Moose，一种新颖的神经符号学习方法，专为OWL 2 EL配置文件设计，该配置文件用于大型本体，如Gene Ontology和SNOMED CT。与处理命题理论或Datalog的先前方法不同，Moose解决了本体设置中的推理捷径意识问题。该方法将OWL EL TBoxes和ABoxes编译成Sentential Decision Diagrams，实现了可微分的加权模型计数，并通过闭包子句克服了部分监督的表达能力限制。…
-
GeneGeoFlow模型利用基因几何预测细胞响应
研究人员开发了GeneGeoFlow，一种预测细胞对基因和药物扰动响应的新颖方法。该方法利用来自生物网络（如基因本体论和共表达网络）的基因几何来条件化控制锚定的残差流。通过学习干预特定的转录响应，GeneGeoFlow在基准测试中取得了高Pearson Delta分数，优于将稳定的基因关系与响应通路混淆的现有基于图的模型。
-
SciReasoner模型实现跨学科的可解释科学推理 · 跟踪5个来源
研究人员推出SciReasoner，一个多模态科学基础模型，专为蛋白质、小分子和无机晶体进行原生结构推理而设计。该模型将结构信息离散化为统一的、结构感知的词汇表，使其能够在科学约束下进行推理，同时保留领域特定数据。SciReasoner在各种科学领域取得了显著改进，包括增强蛋白质的基因本体论预测、提高化学逆合成的准确性以及解决材料科学中的带隙状态。在86个基准测试中，它在67项任务上取得了最先进的性能，专家评估认为其推理过程与前沿大型…
-
Stable-Shift 方法利用生物学背景预测基因反应
研究人员开发了 Stable-Shift，一种预测基因表达如何响应基因扰动的新方法，即使对于训练期间未见的基因也是如此。该方法利用图卷积整合了各种生物学背景，包括蛋白质-蛋白质相互作用和基因注释。在 K562 Perturb-seq 数据上的基准测试中，Stable-Shift 在预测基因反应方面优于 GEARS 等现有方法，展示了其在减少功能基因组学实验负担方面的潜力。
-
新的深度学习框架KEPLA增强了蛋白质-配体结合预测能力
研究人员开发了KEPLA，一个旨在提高预测蛋白质-配体结合亲和力准确性的新型深度学习框架。这是药物发现中的关键一步。与以往仅依赖结构数据的模型不同，KEPLA整合了来自Gene Ontology的生化知识和配体属性。该框架使用两个互补的目标：将全局表示与知识图谱关系对齐，并采用交叉注意力机制进行联合嵌入。实验表明，KEPLA在基准数据集上的表现优于现有方法，并且可解释性分析提供了对其预测机制的见解。
-
新的亚高斯参数估计器达到根号n速率
研究人员开发了一种估计随机变量亚高斯参数的新方法，该参数与其方差相关。所提出的估计器被证明是一致的，并在特定条件下实现了 $O_p(n^{-1/2})$ 的收敛速率，在特定情况下证明了其最优性。该研究还为所有亚高斯分布的最小最大风险建立了下界，在 $\Omega(1/\log n)$ 和 $\Omega(1)$ 之间进行插值。通过在基因本体论富集研究中应用该估计器来构建置换检验中的 p 值，突出了该估计器的实际效用。
-
新的深度学习模型可准确分类多组学癌症数据
研究人员开发了一种名为MOGKAN的新型深度学习框架，用于癌症诊断的多组学数据分类。该框架整合了信使RNA、微小RNA和DNA甲基化样本与蛋白质-蛋白质相互作用网络。MOGKAN实现了96.28%的分类准确率，并通过可训练的单变量函数提供了增强的可解释性，识别出经过基因本体论分析验证的生物标志物。
-
DOGMA框架将生物结构融入单细胞转录组AI
研究人员推出DOGMA，一个新颖的数据中心AI框架，用于单细胞转录组分析。该框架整合了多层次的生物先验知识，超越了纯粹的数据驱动启发式方法。DOGMA通过整合与Cell Ontology和系统发育结构的统计对齐来构建具有生物学基础的细胞图谱，并使用Gene Ontology增强特征级别的语义。该系统在零样本细胞类型评估和跨复杂多物种基准测试中的样本效率方面表现出鲁棒性，同时需要更少的GPU内存和推理时间。