Quantitative Biology
PulseAugur coverage of Quantitative Biology — every cluster mentioning Quantitative Biology across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
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。
-
概率流匹配从单细胞数据中学习基因调控的生物物理模型
研究人员引入了概率流匹配（PFM），一个旨在从时间分辨的单细胞测量中学习具有生物物理一致性的随机过程的新框架。该方法旨在提高基因调控动力学推断的机制可解释性和泛化能力，而这一直是当前方法的局限性。PFM应用于造血作用数据集，证明了其准确捕捉谱系转换和基因扰动反应的能力，并推断了细胞增殖和死亡动力学。