transcriptomics
PulseAugur coverage of transcriptomics — every cluster mentioning transcriptomics across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
TabBioMed 基准测试规范了生物医学表格学习的评估
研究人员推出了 TabBioMed,这是一个全面的基准测试,旨在规范机器学习模型在生物医学表格数据上的评估。该基准测试包含 94 个精选数据集,涵盖电子健康记录、药物发现和各种组学领域。研究评估了 23 个模型,发现虽然表格基础模型通常提供最强的预测性能,但梯度提升树和多层感知机等传统方法仍然具有竞争力,尤其是在计算资源有限的情况下。
-
新的scAnyOmics框架整合多组学数据用于虚拟细胞模型
研究人员开发了scAnyOmics,一个新颖的生成框架,旨在整合和预测来自不完整单细胞多组学数据的缺失分子信息。该框架将知识从预训练的基础模型蒸馏到一个多模态学生模型中,实现了跨模态预测和重构转录组学、蛋白质组学和染色质可及性等数据。在包含690,880个细胞的大型数据集上进行评估,scAnyOmics在重构缺失模态方面表现优于基线方法,并在细胞类型注释和生物年龄估计等应用中显示出潜力。
-
新框架创建亚细胞分辨率单细胞嵌入
研究人员开发了一种新颖的多模态框架来创建亚细胞分辨率单细胞嵌入。该方法整合了RNA表达谱、蛋白质序列数据和蛋白质结构信息。通过利用交叉注意力架构,该框架模拟了不同亚细胞区室内的相互作用,与以往将细胞整体处理的方法相比,提供了更精细的细胞表示。
-
自然语言处理技术应用于生物序列分析的回顾
一篇最新的综述文章探讨了自然语言处理(NLP)技术在分析基因组学、转录组学和蛋白质组学等生物序列数据中的应用。文章详细介绍了从word2vec到先进的transformer和hyena operator模型等各种NLP方法如何应用于DNA、RNA和蛋白质序列分析。文章还讨论了分词策略、模型架构以及在预测蛋白质结构、基因表达和进化关系方面的最新进展。文章强调,将NLP整合到生物信息学中是理解复杂生物过程的一个有前景的方向。