genome
PulseAugur coverage of genome — every cluster mentioning genome across labs, papers, and developer communities, ranked by signal.
-
GenoMAS系统使用LLM智能体进行基因组数据发现
研究人员开发了GenoMAS,一个新颖的多智能体编程系统,旨在促进从基因组数据中进行科学发现。该系统采用了一队基于LLM的智能体,它们结合了结构化工作流和自适应能力,使其能够处理基因组数据的复杂性并减少对广泛领域专业知识的需求。GenoMAS在GenoTEX、ScienceAgentBench和DiscoveryBench等基准测试中表现出色,在识别与性状相关的基因和基因-表型关联方面优于现有方法。
-
食欲素研究揭示基因组在睡眠和发作性睡病中的作用
近期对食欲素的科学探索阐明了其在调节清醒状态中的关键作用及其与发作性睡病的联系。这项研究强调了遗传因素如何影响这些与睡眠相关的功能,为新的治疗方法铺平了道路。研究结果还建议对基因组中不太为人所知的蛋白质功能进行更广泛的调查。
-
Google DeepMind 创建人工智能生成的基因变异图谱 · 跟踪 4 个来源
Google DeepMind 开发了一个由人工智能生成的基因变异图谱,旨在加速生物学研究。该图谱旨在帮助科学家理解和预测基因突变的影响,从而可能加速新疗法的发现。该项目利用先进的人工智能技术分析海量的基因组数据。
-
研究发现上下文学习跨越多种AI模态涌现
一篇新研究论文提出了汇聚式涌现假说,认为在大型语言模型中观察到的少样本上下文学习(ICL)能力可能广泛地出现在不同的数据模态中。该研究开发了一个框架来测试这一假说,将任务应用于六种模态:语言、基因组、整数序列、时间序列、图像和蛋白质。结果表明,ICL出现在这些模态中,并且在大多数模态中显示出相关的难度剖面,在某些领域支持了该假说。
-
AI模型分析细菌基因组以获得噬菌体疗法见解
研究人员探索了大型语言模型(LLMs)分析细菌基因组和预测噬菌体疗法有效性的潜力。通过在基因组数据上训练模型,科学家们旨在了解细菌耐药机制并识别适合治疗的噬菌体。这种方法可以加速针对抗生素耐药细菌的新疗法的开发。
-
自然语言处理技术应用于生物序列分析的回顾
一篇最新的综述文章探讨了自然语言处理(NLP)技术在分析基因组学、转录组学和蛋白质组学等生物序列数据中的应用。文章详细介绍了从word2vec到先进的transformer和hyena operator模型等各种NLP方法如何应用于DNA、RNA和蛋白质序列分析。文章还讨论了分词策略、模型架构以及在预测蛋白质结构、基因表达和进化关系方面的最新进展。文章强调,将NLP整合到生物信息学中是理解复杂生物过程的一个有前景的方向。
-
AI 在解释人类进化等复杂生物学过程方面面临挑战
《Quanta Magazine》的撰稿人 Philip Ball 强调,理解人类进化等复杂的生物学过程是一项持续的科学探索。他指出,许多关键机制仍未得到解释,这归因于塑造我们基因组的四亿年进化史。Ball 认为,人类基因组复杂的物理结构可能会给人工智能带来挑战。