Gene Ontology
PulseAugur coverage of Gene Ontology — every cluster mentioning Gene Ontology across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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。