60 Arbeiten
Die Studie stellt pHapCompass vor, einen probabilistischen Algorithmus zur Haplotyp-Assemblierung polyploider Genome, der die Unsicherheit bei der Zuordnung von Sequenzreads explizit modelliert, eine realistische Simulationsumgebung für Polyploide entwickelt und durch Benchmarks eine wettbewerbsfähige Leistung bei gleichzeitiger präziser Quantifizierung der Phasenunsicherheit nachweist.
Die Arbeit stellt Equivariant Asynchronous Diffusion (EAD) vor, ein neues Diffusionsmodell, das durch einen adaptiven, asynchronen Denoising-Plan die Hierarchie molekularer Strukturen besser erfasst und gleichzeitig einen molekülweiten Horizont bewahrt, um den Stand der Technik bei der Generierung 3D-molekularer Konformationen zu erreichen.
Die Autoren stellen eine flexible Stichprobenmethode mit stochastischer Beam-Suche für Masked Language Models vor, die durch systematische in silico- und in vitro-Evaluierungen im Bereich der Antikörper-Engineering zeigt, dass die Wahl der Sampling-Methode mindestens genauso entscheidend für den Erfolg ist wie die Wahl des Modells selbst.
Die Studie zeigt, dass die modulare Architektur von Symptomnetzwerken bei jungen Erwachsenen während der COVID-19-Pandemie stabil blieb, sich jedoch die Kontrolle zwischen den Modulen von einer frühen, stresszentrierten Konfiguration zu einem späteren, breiter verteilten Muster über emotionale, kognitive und soziale Domänen verschob.
Die Arbeit stellt LabConstrictor vor, ein Tool, das Jupyter-Notebooks mithilfe von CI/CD-Automatisierung in einfach installierbare Desktop-Anwendungen verwandelt, um die Verbreitung und Wiederverwendung von Open-Source-Software in den Lebenswissenschaften durch vereinfachte Distribution und eine benutzerfreundliche Oberfläche zu fördern.
Die Studie stellt TCR-EML vor, einen neuartigen Ansatz, der erklärbare Modellschichten in Protein-Sprachmodelle integriert, um die Vorhersage von TCR-pMHC-Bindungen sowohl präzise als auch biologisch nachvollziehbar zu machen.
Die Studie zeigt durch eine autonome Screening-Loop von 141 Hypothesen, dass biologische Foundation-Modelle wie scGPT und Geneformer eine genuine, über Modelle hinweg geteilte topologische und geometrische Struktur in ihren Repräsentationen lernen, die jedoch unter strengen Nullkontrollen vorwiegend auf Immungewebe beschränkt ist.
Die vorgestellte Methode verbessert die unüberwachte Erkennung medizinischer Anomalien in MRT-Bildern, indem sie durch Batch-basierte Hypergraph-Schätzung und Graph-Convolution-Netze kontextuelle Ähnlichkeiten innerhalb einer gesunden Kohorte in die latente Repräsentation integriert, was zu einer signifikanten Reduktion von falsch-positiven Ergebnissen und einer Steigerung der Genauigkeit führt.
Die Arbeit stellt ein privatsphäreschonendes Framework (PPCMI-SF) für die kollaborative medizinische Bildsegmentierung vor, das durch verschlüsselte latente Transformationen und serverseitige Übersetzung eine hohe Segmentierungsgenauigkeit über mehrere Institutionen hinweg ermöglicht, ohne dass sensible Rohdaten geteilt werden müssen.
Diese Studie kombiniert experimentelle Untersuchungen an multizellulären Tumorsphäroiden mit mathematischer Modellierung, um zu zeigen, wie Pulsintensitäten die Freisetzung von DAMPs und das Wiederauftreten von Tumoren beeinflussen, wobei insbesondere die duale Rolle ruhender Zellen für das Therapieergebnis hervorgehoben wird.
Die Arbeit stellt AllScAIP vor, einen skalierbaren, auf All-to-All-Attention basierenden Machine-Learning-Interatomic-Potential-Ansatz, der durch einen rein datengetriebenen Mechanismus langreichweitige Wechselwirkungen präzise erfasst und dabei in großen Datenszenarien traditionelle physikalische Induktionsvoraussetzungen übertrifft.
Das Paper stellt drGT vor, ein auf Graph-Deep-Learning basierendes Modell, das mithilfe eines heterogenen Netzwerks aus Wirkstoffen, Genen und Zelllinien nicht nur die Arzneimittelansprechraten mit hoher Genauigkeit vorhersagt, sondern auch durch Aufmerksamkeitskoeffizienten interpretierbare Biomarker und biologische Prozesse identifiziert.
Diese Arbeit stellt ein neues praktisches Identifizierbarkeitskriterium namens (e, q)-Identifizierbarkeit vor und kombiniert es mit einer effizienten, rauschrobusten Schätzmethode auf Basis schwacher Formen (WENDy), um die Parameteridentifizierbarkeit in biologischen Systemen mit nicht beobachteten Variablen schneller und zuverlässiger zu bewerten als herkömmliche Ansätze.
Die Arbeit zeigt, dass herkömmliche zustandsbehaftete Zufallszahlengeneratoren in agentenbasierten Modellen zu kausal inkonsistenten Gegenfaktoralvergleichen führen, wenn Eingriffe den Ausführungsfluss ändern, und schlägt als Lösung die Kombination von zählerbasierten Generatoren mit Ereignis-IDs vor, um eine kausal gültige Stochastik sicherzustellen.
Diese Arbeit stellt den SMLM-C-Benchmark vor, um State Space Models auf biologisch realistischen, langfristigen Daten der Einzelmolekül-Lokalisierungsmikroskopie zu evaluieren, und zeigt dabei, dass deren Leistung bei zunehmender zeitlicher Diskontinuität und schwerfälligen Blinkdynamiken erheblich abnimmt.
Diese Studie analysiert systematisch, wie numerische Schlechtbedingtheit durch starke Korrelationen in Kandidatenbibliotheken die datengestützte Identifikation biologischer Dynamiken erschwert, und zeigt, dass orthogonale Polynombasen nur dann die Modellgenauigkeit verbessern, wenn die Datenverteilung mit der entsprechenden Gewichtsfunktion übereinstimmt.
Die Studie stellt eine hybride Methode vor, die die exakte Clustergrößenbestimmung durch Union-Find mit analytischen GRF-p-Werten kombiniert, um die Cluster-basierte Inferenz in der Voxel-basierten Morphometrie ohne Permutationstests sowohl um Größenordnungen zu beschleunigen als auch die Genauigkeit zu erhalten.
Die Arbeit führt den Begriff der Parameter-Zustands-Symmetrien ein, um lokale strukturelle Identifizierbarkeit und Beobachtbarkeit mechanistischer ODE-Modelle durch die Analyse universeller Invarianten dieser Symmetrien zu charakterisieren und zu vereinen.
Die Studie stellt „Sorometry" vor, eine künstliche Intelligenz-basierte Pipeline, die durch die Kombination von 2D-Bild- und 3D-Punktwolkenanalyse sowie bayesscher Modellierung die manuelle Phytolithen-Analyse automatisiert, die Klassifizierungsgenauigkeit verbessert und die Rekonstruktion vergangener Vegetation auf ein „Omics"-Skalenniveau hebt.
Das Papier stellt Nyxus vor, eine neuartige, skalierbare Bibliothek zur effizienten Extraktion von Bildmerkmalen aus großen Datenmengen, die sowohl für 2D- als auch 3D-Daten optimiert ist und über flexible Schnittstellen für verschiedene Benutzergruppen sowie eine hohe Rechenleistung auf CPUs und GPUs verfügt.