Quantitative Biology
PulseAugur coverage of Quantitative Biology — every cluster mentioning Quantitative Biology across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
跨物种神经学习使小鼠和人类大脑动力学对齐
研究人员开发了一种新颖的双规则对比学习框架，用于跨物种对齐神经活动表征，旨在提高对神经系统疾病药物疗效的预测能力。该方法通过基于生物状态而非物种来组织表征，从而学习共享的神经动力学，成功识别出小鼠和人类之间保守的结构。该框架通过将接受治疗的动物投射到跨物种表征中，证明了其解决小鼠癫痫模型与人类患者群体之间不同关系的能力，并回顾性地追踪了十种模型-药物组合已知的临床药物疗效。
-
新型可解释记忆模型SBD提高了间隔重复的准确性
研究人员开发了SBD，这是一种用于间隔重复软件的新型记忆模型，旨在提高准确性和可解释性。与仅依赖测试集准确性的现有模型不同，SBD通过提供更简单的机制解释来推断当前数据之外的性能。据报道，新模型比当前最先进的模型小80%，同时保持了几乎同等的准确性。
-
论文揭示输入对称性如何扭曲AI表征相似性分析
一篇新发表在arXiv上的论文详细介绍了网络输入中的对称性如何混淆表征相似性分析（RSMs）。研究表明，这些刺激对称性会导致功能等效的表征，但产生不同的RSMs，反映出不同的表征几何结构。研究还表明，诸如随机梯度下降或能量正则化等技术可以生成稀疏的、漂移的代码，导致RSMs波动，并且即使在训练了具有潜在对称性的图像数据的网络中，这些现象也是可观察的。
-
新框架使用能量引导流匹配预测细胞对扰动的反应
研究人员开发了scEGFlow，一个利用能量引导流匹配来预测细胞对扰动反应的新框架。该方法模拟细胞状态之间的连续转换，并使用能量梯度来指导预测，无需重新训练即可灵活调整。在成像表型和转录组谱上的评估表明，scEGFlow在重建反应分布方面表现优越，即使在数据有限的新扰动条件下也能准确捕捉基因表达变化。
-
新方法scTrilemma和CellMSA推动单细胞表示学习 · 跟踪2个来源
研究人员开发了两种新方法，scTrilemma和CellMSA，旨在改进单细胞表示学习。scTrilemma利用潜在瓶颈VAE来平衡生物身份、上下文不变性和基因级别保真度，在各种疾病环境中表现强劲。受蛋白质建模的启发，CellMSA引入了类似MSA的归纳偏置，通过对不同细胞批次和类型之间的关系进行建模来捕获基因-基因依赖性，在大型人类单细胞语料库上预训练后，在多个基准测试中表现优于现有方法。
-
AI语言模型离线学习控制生物系统
研究人员开发了一种使用自然语言指令控制生物系统（如Xenobots）的方法。该方法利用视觉语言模型从现有数据集中学习语言指令与生物干预之间的映射，无需进行新的湿式实验进行训练。该系统在新指令上的泛化准确率达到80%，与使用直接真实标签训练的模型相当。
-
万亿参数LLM可在消费级硬件上实现18小时临床肿瘤基因组分析
研究人员开发了一个框架，能够利用万亿参数大语言模型（LLM）对临床肿瘤诊断的全基因组测序（WGS）数据进行分析。该系统可以在消费级硬件（如GeForce RTX 4060笔记本电脑）上运行，并在18小时内完成整个WGS工作流程。该LLM实现了高精度，体细胞变异检测的F1得分为99.62%，通过降低全球医疗机构的计算成本和周转时间，展示了其在普及精准肿瘤学方面的潜力。
-
AI模型识别并预测海洋生态区，并进行不确定性量化
研究人员开发了一种使用无监督机器学习来识别和预测全球海洋生态区的方法，这些生态区是具有生态意义的区域。该研究由Makayla McDevitt领导，利用可解释的密集集成网络从模拟的海洋颜色数据中推断出这些生态区，证明它们既具有生态意义，又能以高技能推断出来。然而，研究也强调，增加输入数据并不总是能提高推断技能，这强调了不确定性量化和仔细验证的必要性。
-
AbFlow框架通过增强的结合亲和力实现端到端抗体设计
研究人员开发了AbFlow，一个用于端到端设计全原子抗体的新颖框架。该方法利用了等变表面多通道编码器，该编码器利用抗原相互作用数据来优化抗体结构，特别是CDR-H3区域。实验证明AbFlow在生成优越的抗原-抗体复合物和提高结合亲和力方面是有效的。
-
新框架ReGeoDTA通过保留分子数据增强药物-靶点亲和力预测
研究人员开发了ReGeoDTA，一个旨在通过在分子表示中保留关键的化学和几何信息来提高药物-靶点亲和力（DTA）预测的新型框架。这种方法旨在防止在模型开发早期阶段数据被压缩或均质化时可能发生的与亲和力相关的区分的丢失。跨多个数据集的实验表明，ReGeoDTA持续提高了预测准确性，优于那些不优先考虑表示保真度的模型。研究结果表明，保持分子表示的完整性是开发更准确和更具泛化能力的DTA预测工具的关键因素，可能影响计算化合物在药物发现中的优先级排序。
-
AI模型高精度预测寡核苷酸熔解行为
研究人员开发了一种条件感知的核苷酸语言模型，能够准确预测寡核苷酸的熔解行为。该模型将上下文序列表示与反应环境的明确信息相结合，实现了亚度级别的预测精度。与传统的热力学方法相比，它显著降低了锁定核酸修饰寡核苷酸的预测误差，并在独立数据集上表现出强大的性能。
-
新的PopPert框架可从非配对单细胞数据预测细胞反应
研究人员开发了PopPert，一个用于预测基因和化学扰动对细胞反应的新框架。与需要细胞间对应关系的先前方法不同，PopPert对群体级别的联合基因表达分布进行建模，使其适用于非配对单细胞数据。该框架利用高斯Copula捕捉基因共表达模式，并在差异表达恢复和扰动效应估计的基准测试中表现出优越的性能。PopPert的代码是公开可用的。
-
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。