Quantitative Biology
PulseAugur coverage of Quantitative Biology — every cluster mentioning Quantitative Biology across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
蜂类智能体在模拟中演化出复杂的通信代码
研究人员模拟了蜂类智能体通信代码的演化，重点关注了蜜蜂的摇摆舞。该研究模拟了在水平蜂巢场景中直接指向性如何演化，以及在垂直蜂巢环境中如何过渡到重力参照代码。研究发现，突变率和垂直蜂巢的外源性收益等因素驱动了这种转变，并且在整个过程中通信保持稳定。
-
蜂类智能体在模拟种群中演化出通信代码
研究人员模拟了蜂类智能体种群中通信代码的出现与演化，重点关注了蜜蜂的摇摆舞。研究发现，当食物的寻找难度适中时，会演化出直接指向食物源的通信方式，而当食物过于稀疏或过于丰富时则会失败。向重力参照代码的转变受到突变率和垂直蜂巢外在益处的影响，在有利条件下会发生可靠的转变。
-
新的认知模型分析具身主动视觉中的视觉空间复杂性
研究人员引入了一个新的框架来分析多模态数据，重点关注复杂性如何影响动态环境中的具身感知和交互。该模型将复杂性分为定量、结构、动态、听觉和交互属性，以表征视觉空间复杂性，特别是在驾驶的背景下。该框架旨在为创建基准数据集和研究视觉空间复杂性对人类主动视觉的影响提供理论基础，最终能够从以人为中心的角度自动解释3D环境中的复杂性。
-
新的READ框架使用检索对齐扩散进行药物设计
研究人员推出了一种用于基于结构的药物设计的新型框架READ，该框架利用检索对齐扩散模型。该方法将分子生成条件化为靶向同源蛋白的小分子，并在整个生成过程中整合检索到的配体作为条件指导。READ旨在通过考虑共享的结合模式来捕捉分子识别的基本原理，解决了现有方法将分子生成视为孤立任务的局限性。在评估中，READ在与最先进的方法相比表现出强大的性能，并为早期计算命中生成提供了一个实用的框架。
-
蚂蚁体型大小预测寿命但不能预测衰老或高温死亡
一项发表在arXiv上的新研究调查了蚂蚁工蚁的死亡风险，研究了18种澳大利亚蚂蚁的寿命长度、衰老轨迹和热敏感性。研究发现，体型大小显著预测寿命长度，体型较大的蚂蚁寿命更长。然而，体型大小与蚂蚁的衰老方式或对高温的敏感性无关。相反，昼夜节律和谱系身份被发现与热敏感性和衰老更相关，这表明基于体型的脆弱性指数可能无法完全捕捉这些昆虫的死亡风险。
-
新的路径积分模型将认知视为成本优化
研究人员开发了一种认知成本优化的数学和物理表述，将目标导向的认知过程建模为投影仪哈密顿量下的虚时演化。这种方法与双括号流一致，并且可以通过维克旋转重新表述为等效的幺正演化，从而允许离散路径积分表示。该模型通过幺正相互作用的强度连接无意识处理和有意识处理，在弱耦合极限下恢复了 Gorini--Kossakowski--Sudarshan--Lindblad 退相干模型，在强耦合极限下恢复了优化状态的投影、可报告的固定。
-
新型EEGNet架构通过多感官反馈改进误差信号解码
研究人员开发了一种新颖的多分支EEGNet架构，用于在复杂的多感官反馈条件下改进误差相关电位（ErrPs）的解码。该方法利用辅助监督来增强视觉、听觉和触觉反馈的鲁棒性，即使在反馈不一致的情况下也是如此。实验表明，与基线模型相比，所提出的模型在分类性能上保持一致，并且准确性有所提高，尤其是在多模态反馈场景下，这表明了一种更稳定的检测误差感知神经信号的方法。
-
掩码自编码器从无标签数据中学习感知相关的神经表征
研究人员证明了掩码自编码器可以从无标签的神经数据中学习有意义的表征，特别是静息态神经活动。通过在一名盲人参与者大脑V1区域的数小时自发多单元活动上预训练掩码自编码器，该模型成功捕获了与大脑空间组织和感知状态分离相关的可解释结构。这种无监督预训练策略被证明能有效改进神经解码，在使用模型冻结的潜在表征进行线性探测时，在一个通用心理测量任务上达到了84.1%的准确率，在一个更具挑战性的阈值水平任务上达到了64.0%的准确率。
-
新AI模型学习紧凑型脑图谱表示以解码认知状态
研究人员开发了一种新颖的方法，利用图Transformer自编码器为功能性脑图谱创建紧凑型表示。该方法将领域特定的几何信息作为归纳偏置来指导学习过程。该无监督方法能够区分认知状态和解码视觉刺激，并在包含神经动力学时提高性能。此外，还为学习到的潜在表示拟合了一个扩散模型，以生成合成脑图谱。
-
AI框架利用知识图谱对生物医学注释进行优先级排序
研究人员开发了一个新框架，通过利用知识图谱对候选注释进行优先级排序，来提高生物医学策展的效率。该方法利用机器学习和知识图谱嵌入来估计注释的可信度，将分类器置信度与语义上下文相结合。实验表明，该方法增强了分类器的鲁棒性，并且优于传统的置信度估计，从而实现了更有效的专家评审和AI辅助策展。
-
神经科学论文提出新的大脑间网络分析几何框架
研究人员提出了一种新颖的几何框架，用于分析神经科学中的大脑间网络动力学。这种方法超越了传统的基于相关性的同步指标，通过解释神经元相互作用的变化以及神经元网络的演化几何结构。该方法利用了一个管道，通过从曲率分布派生的熵指标来识别连接性的关键转变，旨在增强超扫描方法学，以揭示社会行为中的神经机制。
-
新的可微分指标有助于基因表达的密码子协调
研究人员开发了一种名为 Smooth %MinMax (%MinMax(s)) 的新方法，以改进基因工程中的密码子协调过程。该技术提供了现有 %MinMax 指标的可微分松弛，允许基于梯度的同义密码子使用优化。在为在大肠杆菌中表达而协调人类基因序列的实验中表明，Smooth %MinMax 与原始指标非常匹配，同时能够进行神经序列设计。
-
新的高斯过程框架增强组学数据分类
研究人员开发了一种新的结构化高斯过程分类框架，旨在改进复杂生物数据的分析。该方法将生物通路信息直接整合到核函数构建中，使其能够捕获组学数据中的定量测量和拓扑上下文。该框架在微生物组数据集上进行了基准测试，证明了其在性能上优于非结构化方法，并为稳健分类提供了经过校准的预测不确定性，尤其是在高维和小样本量的情况下。
-
REST-GAN模型合成脑电图信号并学习可迁移表征
研究人员开发了REST-GAN，一种新颖的生成对抗网络，旨在合成静息态脑电图（EEG）信号并提取可迁移表征。该框架结合了对抗性训练和自监督重构目标，能够生成逼真的EEG时间序列，准确捕捉时间、频谱和连接性特征。学习到的表征在人口统计学分类任务中表现出有效性，优于在原始EEG上训练的模型，并以显著减少的数据和计算需求，在与现有基础模型竞争中取得优异成绩。
-
新框架使用生成模型模拟解码神经反馈
研究人员开发了DecNefSimulator，这是一个旨在模拟和分析解码神经反馈（DecNef）过程的新框架。该工具利用生成模型充当虚拟参与者，从而可以研究DecNef的动态以及各种协议设计和受试者特征的影响。该模拟器旨在通过提供一个用于计算机实验和协议优化的虚拟实验室，来克服当前DecNef研究中的局限性，例如受试者依赖的变异性和对间接测量的依赖性。
-
新的Morse变换增强了用于虚拟筛选的离散形状分析
一种新的拓扑变换，Morse变换，已被开发出来，用于数值描述对象的几何形状，以用于统计推断和分类任务。该方法利用Morse理论对多个高度函数上的关键点进行分类，比现有变换保留了更精细的形状信息。Morse特征向量已被用作基于配体的虚拟筛选的描述符进行基准测试，与其他拓扑和标准基于形状的描述符相比，实现了最高的平均AUROC。
-
新的拓扑方法增强了分子动力学模拟分析
研究人员引入了一种使用持久同调（PH）分析分子动力学模拟的新颖方法。这种方法包括一种称为掩码洪水复形的蛋白质特定修改，它能生成对蛋白质构象具有几何感知的摘要。这些基于PH的描述符在各种任务中表现出具有竞争力的性能，包括蛋白质类别预测和马尔可夫状态模型估计，并在蛋白质构象的生成模型方面显示出潜力。
-
新型混合模型使用神经ODE学习神经元动力学
研究人员开发了一个新颖的混合建模框架，将神经常微分方程（Neural ODEs）集成到生物物理神经元模型中。这种方法可以直接从电压记录中灵活地发现未知或错误指定的离子通道动力学，同时保持机制的可解释性。该方法已证明其能够拟合现有的离子通道模型并恢复未知的门控动力学，甚至能泛化到不同的刺激模式。此外，通过创建一个具有学习轴向电流的单室混合模型，可以降低复杂神经元模型（如多室皮层神经元模型）的计算成本。
-
Think-aloud 数据改进了超越行为的认知模型发现
研究人员开发了一种新的认知模型发现方法，将“出声思维”痕迹与传统的行为数据相结合。这种方法应用于风险决策，显著提高了在未见过数据上的预测性能。与仅从行为得出的模型相比，使用这种增强方法发现的模型也表现出不同的结构类别，表明对潜在认知机制的更准确表示。
-
AI模型Ligandformer和蛋白质动力学调查推动药物发现和生物研究
研究人员开发了Ligandformer，这是一种旨在预测化合物性质且具有增强可解释性的图神经网络。该模型集成了注意力图，以揭示特定结构特征如何影响预测，解决了深度学习在药物发现中“黑箱”的性质。Ligandformer在不同实验条件和性质预测中展现了鲁棒的性能和泛化能力。