Saccharomyces cerevisiae
PulseAugur coverage of Saccharomyces cerevisiae — every cluster mentioning Saccharomyces cerevisiae across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的BPGS方法增强了多任务学习的鲁棒性
研究人员开发了一种名为有界精度几何缩放（BPGS）的新方法，以改进多任务学习，尤其是在任务损失差异显著的情况下。BPGS通过有界sigmoid参数化映射每个任务的对数方差，将网络优化与不确定性优化解耦。在合成数据和真实世界基准（如NYUv2、Yeast和RF1）上的实验中，该方法比Kendall加权和Nash-MTL等现有方法更具鲁棒性，即使在损失尺度不匹配高达1000倍的情况下，性能下降也很小。
-
中国研究人员改造酵母，使抗癌药物前体生产速度提升1000倍
浙江大学的研究人员改造了酵母，使其生产抗癌药物长春碱的关键前体的速率比以往提高了近1000倍。这项突破是合成生物学和蛋白质工程跨学科合作的成果，解决了从马达加斯加长春花中提取该药物的稀缺性和高成本问题。研究团队成功地将包含30个步骤的合成途径植入了酿酒酵母中，克服了中间化合物不稳定的挑战。
-
新论文为基因调控网络推断提供双重框架
一篇新论文介绍了两种推断基因调控网络（GRNs）的框架。第一个框架PMF-GRN使用概率图模型和变分推断来提供具有不确定性意识的估计和原则性的模型选择。第二个框架GLM-Prior微调Nucleotide Transformer，直接从核苷酸序列预测TF-目标基因相互作用，并能跨物种泛化。这些方法旨在克服当前GRN重建的局限性，例如启发式模型选择和转移先验知识的困难。
-
新的GRNGC框架增强了复杂工业过程中的因果发现能力
研究人员开发了一个新的基于梯度的因果发现框架，名为GRNGC，旨在克服现有基于神经网络的Granger因果模型中的局限性。GRNGC通过使用单一时间序列预测模型而非分量模型来降低计算成本，并通过将L1正则化应用于模型输入和输出之间的梯度来增强对复杂交互的捕捉能力。这个灵活的框架可以与KAN、MLP和LSTM等各种架构实现，并在多个基准数据集（包括DREAM和CausalTime）以及真实世界的基因调控网络数据集上展示了卓越的性能和降低的开销。
-
冰人奥茨的木乃伊体内存在古老的酵母菌和细菌
冰人奥茨的木乃伊体内携带着古老的酵母菌和细菌菌株。这一发现引发了关于人、人造物品和生态系统之间区别的疑问。研究深入探讨了保存在奥茨遗骸中的微生物生命。
-
GNNs 创建层级感知的知识图谱嵌入用于酵母表型预测
研究人员开发了一种新颖的方法，使用图神经网络（GNNs）为知识图谱创建层级感知的嵌入。该方法结合了源自本体的语义损失，以更好地表示领域知识。该方法应用于预测酵母表型，在双基因敲除实验中取得了 0.360 的平均 R^2 分数，优于基线模型。结合语义损失进一步将预测性能提高到 R^2=0.377，证明了本体结构在定量预测中的价值，并可能指导生物学发现。