LPA
PulseAugur coverage of LPA — every cluster mentioning LPA across labs, papers, and developer communities, ranked by signal.
-
新的CIGTSurv框架利用多模态数据增强癌症生存预测
研究人员开发了CIGTSurv，一个整合临床信息、病理图像和基因组数据的新型生存预测框架。该方法通过使用预训练的基础模型将离散且稀疏的临床数据转换为高维标记嵌入，解决了临床数据利用不足的挑战。CIGTSurv采用双层交互机制，包括用于标记级对应关系的局部原型关联模块和用于跨模态一致性的全局特征对齐损失。在五个TCGA癌症队列上的实验表明，CIGTSurv在生存预测方面取得了最先进的性能。
-
图粗化和标签传播提升推荐系统效率
研究人员开发了一种新颖的两阶段扩散框架，用于基于图的推荐系统，旨在提高可扩展性和效率。该方法结合了图粗化和多步标签传播，首先将节点聚合成有意义的社区，以减小图的大小同时保留关键关系。然后，初始扩散过程在粗化图上传播标签，随后在子图中进行第二次标签传播以生成最终推荐。在真实电信数据集上的实验表明，nDCG@5 有显著提高，与传统的全图方法相比，提升高达 24%，并且在结合轻量级图神经网络时，提升幅度更大。
-
FDA批准首个口服PCSK9抑制剂药物用于治疗高胆固醇
FDA已批准Lipfendra，这是首个通过阻断PCSK9蛋白来降低高胆固醇的口服药物。这种新药在降低低密度脂蛋白胆固醇方面与现有的注射药物（如Repatha和Praluent）效果相当，研究显示降低幅度超过50%。Lipfendra也能适度降低Lp(a)水平，尽管在这方面其效果并不优于目前的注射药物。虽然其在预防心脏病发作和中风方面的有效性仍在研究中，但口服剂型预计将提高患者的依从性。
-
新的ALCMeans算法增强了无监督社区检测
研究人员推出了一种新的无监督社区检测算法ALCMeans，旨在克服传统方法的局限性。这种新颖的方法结合了基于拉普拉斯能量的中心识别和DeepWalk嵌入，以改进节点表示。ALCMeans自动确定社区数量，增强中心选择的结构重要性，并利用表示学习进行更准确的分配，在基准数据集上表现优于现有算法。
-
深度残差网络中的渐进逼近：理论与验证
研究人员引入了层级渐进逼近（LPA），一种深度残差网络的新训练原则。该方法将残差网络重构为逐层逼近过程，证明误差可以随着网络深度的增加而单调递减。LPA使单个训练好的网络能够在不同深度提供有用的预测，从而无需重新训练即可实现高效推理。