108 Arbeiten
Diese Arbeit stellt eine quantitative Theorie vor, die erklärt, wie die Linsenwirkung des Zellkörpers bei augenlosen *Chlamydomonas*-Mutanten durch die Dominanz des schnellen, zeitlich stark veränderlichen Signals der fokussierten Lichtkaustiken gegenüber dem direkten Licht die Vorzeichenumkehr der Phototaxis bewirkt.
Diese Studie demonstriert die Reproduzierbarkeit des Gouwens-Frameworks für die Abbildung von Elektrophysiologie auf Transkriptomik in GABAergen Interneuronen und zeigt, dass ein auf Mausdaten vortrainiertes, aufmerksamkeitsbasiertes BiLSTM-Modell durch Transferlernen die Vorhersagegenauigkeit für menschliche Neuronenklassen im Vergleich zu einem rein menschlichen Trainingsansatz verbessert.
Diese Studie nutzt Restricted Boltzmann Machines, um die Aktivität von etwa 1500 bis 2000 Neuronen aus dem Allen Institute Visual Behavior Neuropixels-Datensatz zu modellieren, wodurch hochpräzise Nachbildungen komplexer neuronaler Korrelationen und die Aufdeckung anatomisch strukturierter, effektiver Wechselwirkungen ermöglicht werden.
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.
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 Autoren stellen ein generalisiertes, sampling-basiertes kontinuierliches Optimierungsframework vor, das durch iteratives Erzeugen und Bewerten synonym codierender mRNA-Sequenzen unter Verwendung von Black-Box-Metriken effizientere Designs für Stabilität und Leistung im Vergleich zu bestehenden Methoden wie LinearDesign und EnsembleDesign ermöglicht.
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.
Diese Studie zeigt durch Monte-Carlo-Simulationen, dass die thermische Stabilität des geknoteten Proteins YibK nicht von dessen Topologie abhängt und dass die Diskrepanz zwischen experimentellen und computergestützten Ergebnissen auf einer starken Trennung der Zeitskalen für das Entknoten und Entfalten beruht, die dazu führt, dass DSC-Experimente oft einen Nicht-Gleichgewichtszustand erfassen.
Dieser Artikel stellt ein einheitliches funktionalanalytisches Rahmenwerk für neuronale Spike-Trains vor, das auf der Schwartz'schen Distributionstheorie basiert und eine exakte, diskretisierungsfreie Analyse von Spike-Dynamiken sowie präzise Ergebnisse für synaptische Antriebe und zeitliche Sensitivität in neuronalen Schaltkreisen ermöglicht.
Die Studie zeigt, dass irreversible EvAM-Modelle trotz der Vernachlässigung reversibler Dynamiken robuste Aussagen über die relative Reihenfolge und Kernstruktur evolutionärer Pfade liefern können, während Schätzungen von Unsicherheiten und Feature-Interaktionen anfälliger für Fehler sind.
Die Studie zeigt, dass die Integration multimodaler epigenomischer Signale durch das neuartige Prism-Framework, das Verwirrungseffekte mittels Backdoor-Adjustment reduziert, für die Vorhersage der Genexpression effektiver ist als die bloße Verlängerung der DNA-Sequenzlänge.
Die Studie zeigt, dass die Unterscheidung und Kombination akustischer und erwartungsbezogener Darstellungen künstlicher neuronaler Netze als Lehrziele die Identifizierung von Musik aus EEG-Signalen signifikant verbessert und damit neue Wege für die prädiktive Musikwahrnehmung und neuronale Entschlüsselung eröffnet.
Diese Studie zeigt, dass die Generalisierung von antimikrobiellen Resistenzvorhersagen über verschiedene Spezies hinweg durch die Nutzung stabiler Embeddings aus genomischen Foundation-Modellen in Kombination mit einer MiniRocket-basierten Aggregation lokaler Aktivierungsmuster signifikant verbessert werden kann, anstatt sich auf globale Pooling-Methoden zu verlassen.
Die Arbeit stellt GGE vor, ein Open-Source-Python-Framework, das durch die Bereitstellung standardisierter, biologisch fundierter Metriken die inkonsistente Evaluierung generativer Modelle für Einzelzell-Genexpressionsdaten behebt und vergleichbare Benchmarking-Prozesse ermöglicht.
Die Studie zeigt, dass der makakeninferiore Temporallappen (IT) Objektpositionen in wahrnehmungsgerechten Koordinaten kodiert, die durch Bewegungsnachbilder beeinflusst werden, während aktuelle künstliche Sehsysteme diese historienabhängige räumliche Kodierung nicht aufweisen.
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.
Diese Arbeit fasst aktuelle Forschung zusammen, die menschliches Navigationsverhalten und die damit verbundenen Gehirndynamiken in vier Kategorien untersucht – reale Umgebungen, Alltagsdaten, virtuelle Simulationen und mobile Aufzeichnungsmethoden – um ein ökologisch gültigeres Verständnis zu entwickeln.
Das Paper stellt `abx_amr_simulator` vor, eine Python-basierte Simulationsumgebung, die auf Reinforcement-Learning-Methoden abgestimmt ist, um Antibiotika-Verschreibungsstrategien unter Berücksichtigung von antimikrobieller Resistenz und Unsicherheiten zu optimieren.