60 Arbeiten
Die Studie stellt DBFE vor, eine endzustandsbasierte Methode zur Berechnung absoluter Bindungsfreier Energien in implizitem Lösungsmittel, die ohne alchemische Zwischenzustände auskommt und durch ihre Effizienz sowie vergleichbare Genauigkeit vielversprechend für virtuelle Screening-Workflows ist.
Diese Studie zeigt, dass biologisch informierte neuronale Netze (BINNs) genutzt werden können, um interpretierbare, von BINNs geleitete partielle Differentialgleichungsmodelle zu trainieren, die das Verhalten stochastischer agentenbasierter Modelle der kollektiven Migration sowohl für nicht gesehene räumliche Daten als auch für bisher unerforschte Parameterwerte genau vorhersagen und damit effiziente Datenanalysen ermöglichen.
Diese Studie entwickelt ein hybrides, KI-gestütztes Modell auf Basis zeitverzögerter verallgemeinerter Lotka-Volterra-Gleichungen, das die Dynamik der onkolytischen Virustherapie präzise vorhersagt und validierte Biomarker identifiziert, um personalisierte Immuntherapien zu optimieren.
Die Studie stellt SSRCA vor, eine neuartige maschinelle Lern-Pipeline, die die Sensitivitätsanalyse für komplexe agentenbasierte Modelle in der Biologie vereinfacht, indem sie empfindliche Parameter identifiziert, gemeinsame Ausgabemuster aufdeckt und robuste Ergebnisse im Vergleich zur Sobol'-Methode liefert.
Die Autoren stellen einen Näherungs-Expectation-Maximization-Algorithmus vor, der die dreidimensionale Struktur kleiner Moleküle direkt aus kryoelektronenmikroskopischen Mikrogrammen rekonstruiert und dabei die bei niedrigem Signal-zu-Rausch-Verhältnis problematische Vorverarbeitungsschritt der Bildlokalisierung umgeht.
Das Paper stellt UNISEP vor, ein einheitliches Framework zur standardisierten Platzierung von Sensoren für verschiedene Modalitäten wie EMG und EEG, das die Reproduzierbarkeit und Interoperabilität von Daten in der menschlichen Bewegungsanalyse und Gesundheitsüberwachung durch anatomische Landmarken und Kompatibilität mit bestehenden Standards wie BIDS sicherstellt.
Diese Arbeit stellt den CAN-STRESS-Datensatz vor, der physiologische Messdaten und Selbstauskünfte von 82 Teilnehmern im Alltag erfasst, um den Einfluss von Cannabiskonsum auf die Stressreaktion zu untersuchen.
Diese Studie stellt eine label-freie Methode vor, die Autofluoreszenz-Bildgebung mit Deep Learning kombiniert, um Non-Small-Cell-Lung-Cancer-Subtypen schnell und präzise zu klassifizieren sowie virtuelle immunhistochemische Färbungen zu erzeugen, wodurch zeitaufwändige konventionelle Färbeprozesse überflüssig werden.
Die Autoren stellen CITS vor, ein nichtparametrisches Framework zur Inferenz kausaler Strukturen aus hochauflösenden neuronalen Zeitreihen, das durch theoretische Konsistenz, überlegene Genauigkeit in Benchmarks und die erfolgreiche Anwendung auf große Aufzeichnungen aus dem Mäusegehirn eine theoretisch fundierte und empirisch validierte Methode zur Entdeckung interpretierbarer kausaler Netzwerke bietet.
Eine Modellstudie in Mato Grosso do Sul zeigt, dass die Kombination aus intensiver Depopulation und begrenzter Impfung die wirksamste Strategie zur vollständigen Eindämmung von Maul-und-Klauenseuche-Ausbrüchen ist, während reine Impfmaßnahmen als unzureichend erweisen.
Das Paper stellt GWASPoker vor, ein Python-basiertes Werkzeug, das durch teilweise Downloads und Header-Analyse GWAS-Katalog-Daten effizient auf ihre Eignung für Polygenische Risikoscores filtert, ohne dass vollständige Dateien heruntergeladen werden müssen.
Diese Studie nutzt ein zeitvariierendes Lambda-Omega-Modell aus der Theorie dynamischer Systeme, um die asymmetrischen metabolischen Anpassungen und die allmähliche Verschiebung des metabolischen Setpoints zu beschreiben, die das Übergewicht und die Schwierigkeit der Gewichtsreduktion erklären.
Diese Studie präsentiert eine Implementierungsanalyse bei Shriners Childrens, die durch die Modernisierung des Datenwarehouses auf OMOP CDM v5.4, die Entwicklung eines Python-basierten Datenqualitäts-Tools nach dem METRIC-Rahmenwerk und den Vergleich von KI-Implementierungsstrategien für Kraniofaziale Mikrosomie dazu beiträgt, vertrauenswürdige KI in der Gesundheitsversorgung zu fördern.
Diese Studie verbessert die Klassifizierung von Pflanzenwasserstress durch die Analyse von Blattbewegungen mittels eines verfeinerten morpho-kinematischen Rahmens, der nichtlineare Deskriptoren und Bewässerungskontexte integriert und dabei zeigt, dass ein adaptives Ensemble-Verfahren (ALOP) in Kombination mit bestimmten Sektoreneinteilungen die Robustheit und Genauigkeit der Vorhersage signifikant steigert.
Die Autoren stellen eine Methode vor, die auf der Straight-Through-Gumbel-Softmax-Schätzung basiert, um durch exakte stochastische Simulationen differenzierbare Gradienten zu berechnen, was eine effiziente Parameterschätzung und inverses Design in biologischen und physikalischen Systemen ermöglicht.
Die Studie stellt Ab-Affinity vor, ein neues Large Language Model, das mithilfe künstlicher Intelligenz die Bindungsaffinität von Antikörpern gegen SARS-CoV-2 präzise vorhersagt.
Die Studie stellt INTENSE vor, ein Open-Source-Framework, das mithilfe informationstheoretischer Methoden und spezifischer statistischer Kontrollen neuronale Selektivität in Kalzium-Bildgebungsdaten von frei verhaltenden Tieren zuverlässig detektiert und von Verhaltenskorrelationen entwirrt.
Die Arbeit stellt Spinverse vor, eine differentiable Physik-Methode, die mittels eines durchgängig differenzierbaren Bloch-Torrey-Simulators und lernbarer Durchlässigkeitsparameter auf einem Tetraeder-Gitter die rekonstruierte Mikrostruktur aus Diffusions-MRT-Daten explizit als durchlässigkeitsbewusste Grenzflächen zurückgewinnt.
Die Studie stellt ERDES vor, den ersten öffentlich zugänglichen Datensatz aus okulären Ultraschallvideos zur automatisierten Klassifizierung von Netzhautablösungen und deren Makulabeteiligung, und liefert Benchmark-Ergebnisse für verschiedene Deep-Learning-Architekturen.
Die Studie stellt SMMA vor, ein auf Deep Learning basierendes, vollautomatisiertes Framework zur präzisen Messung der Geniohyoid-Muskeldicke während der Sprache, das manuelle Annotationen überflüssig macht und neue Einblicke in die Sprachmotorik sowie potenzielle Anwendungen bei der Diagnose von Sprech- und Schluckstörungen ermöglicht.