metabolomics
PulseAugur coverage of metabolomics — every cluster mentioning metabolomics across labs, papers, and developer communities, ranked by signal.
-
新方法利用计算模型改进复杂数据中的模式发现
研究人员开发了一种新颖的知识引导方法，用于在复杂的多路数据集中发现模式，例如来自人类代谢组或大脑的数据。该方法将真实世界数据与使用耦合张量分解的计算模型生成的模拟数据相结合。在代谢组学数据上的实验表明，这种方法增强了模式发现能力，并可以突出显示观测数据与现有模型之间的差异。
-
MetaboLLM：用于代谢组学知识整合的专用LLM
研究人员开发了MetaboLLM，一个专门为代谢组学量身定制的大型语言模型。该模型整合了来自各种来源的生物化学知识，并构建了预测性代谢物图谱。在代谢组学特定任务上，MetaboLLM的表现优于通用模型和医学适应模型。当与图同构网络（MetaboLLM-GIN）结合使用时，它在预测应激性高血糖和分类绝经后激素方案方面取得了高精度，优于传统方法。
-
FlexMS基准统一了分子质谱预测
研究人员推出了FlexMS，一个旨在标准化深度学习模型在预测分子串联质谱方面的评估的新基准框架。该框架解决了元数据条件和预处理管道中的不一致性问题，这些问题阻碍了不同架构之间的公平比较。FlexMS旨在为科学界提供一个可复现的标准，从而能够更可靠地识别稳定的算法结论和实际应用的可行操作点。
-
LLM框架MetaboT简化代谢组学数据分析
研究人员开发了MetaboT，一个开源的多智能体框架，利用大型语言模型（LLMs）简化基于质谱的代谢组学数据的分析。该框架将自然语言查询转换为代谢组学知识图谱的SPARQL查询，克服了专业查询语言陡峭的学习曲线。MetaboT采用模块化架构，配备专门的智能体来验证范围、解析实体、生成模式感知查询和解释结果，从而减轻了LLM常见的局限性，如幻觉和模式不合规。该系统在实验天然产物知识图谱（ENPKG）上使用专家编写的基准进行了验证，证明了…