108 Arbeiten
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.
Diese Übersichtsarbeit beleuchtet die rasante Entwicklung und die aktuellen technischen Fortschritte sowie Herausforderungen von ein- und multiphotonen-Mikroskopen (Miniscopes), die die Erforschung neuronaler Dynamik in frei beweglichen Tieren ermöglichen.
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.
Diese Studie stellt ein gaze-aware Encoding-Modell vor, das Eye-Tracking-Daten mit CNN-Features kombiniert, um fMRI-Aufnahmen unter natürlichen Blickbedingungen effizienter und mit deutlich weniger Parametern zu modellieren als herkömmliche Ansätze.
Diese Arbeit stellt einen skalierbaren DNA-Ternärvolladdierer vor, der durch einen innovativen kompetitiven Blockierungs-Schaltkreis und eine dynamische Konzentrationsanpassung die Grenzen binärer Systeme überwindet und experimentell Additionen bis zu 17 Bit ermöglicht.
Die Studie entwickelt eine exakte analytische Theorie, die zeigt, dass ein dimensionsloser Parameter aus dem Verhältnis des Exklusionsvolumenradius zur Seillänge bestimmt, ob entropische Kräfte Nanofilamentbündel trennen oder paradoxerweise in metastabilen, attraktiven Zuständen zusammenhalten.
Die Arbeit stellt ELISA vor, einen interpretierbaren hybriden KI-Agenten, der scGPT-Embeddings mit BioBERT und LLMs verbindet, um mechanistische biologische Hypothesen direkt aus scRNA-seq-Daten abzuleiten und dabei die Leistungsfähigkeit bestehender Modelle wie CellWhisperer signifikant zu übertreffen.
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.
Die Studie zeigt durch Monte-Carlo-Simulationen, dass topologische Knoten in Proteinen deren kinetische Stabilität signifikant erhöhen, was als evolutionärer Vorteil für die Persistenz knötiger Proteine spricht.
Die Studie stellt ein auf Temporal Convolutional Networks basierendes Multi-Label-Deep-Learning-Framework vor, das die Vorhersage von Transkriptionsfaktor-Bindungsstellen verbessert, indem es kooperative Mechanismen und Korrelationen zwischen verschiedenen Transkriptionsfaktoren erfasst.
Die Arbeit konstruiert explizit eindeutige Nash-Gleichgewichte für ein dynamisches SI-Sozialdistanzierungsspiel mit endlichen Kosten, die sich als zeitabhängige „Bang-Bang"-Strategien (eine Warte-Phase gefolgt von einer Lockdown-Phase) darstellen und zeigen, dass die optimale öffentliche Politik mit diesem Gleichgewicht übereinstimmt.
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 ein multiskaliges mathematisches Modell auf Basis der kinetischen Theorie aktiver Teilchen vor, das unter Berücksichtigung von DTI-Daten und realer Patientengeometrie die Wirksamkeit kombinierter Therapien (Strahlen-, Chemo- und Anti-Angiogenese-Therapie) bei der Gliom-Invasion untersucht.
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.
Der Artikel stellt GenomeBits vor, ein physikbasiertes Werkzeug zur Analyse von Genomsequenzen mittels Signalverarbeitung und Quantenmechanik, das durch die Umwandlung von Nukleotiden in numerische Sequenzen charakteristische Mutationen und Ordnungsübergänge bei SARS-CoV-2-Varianten und Monkeypox aufdeckt.
Diese Studie stellt ein hybrides diskret-kontinuierliches Modell vor, das die Wechselwirkungen zwischen onkolytischen Viren und dem Immunsystem untersucht, wobei die Ergebnisse die Bedeutung einer zeitlich abgestimmten Immunmodulation für die Therapieeffizienz unterstreichen.
Die Studie stellt eine neue Methode zur Parameterschätzung in stochastischen Quasi-Reaktionssystemen vor, die durch eine nichtlineare lokale Mittelwertnäherung und eine analytische Lösung der Hazard-Rate eine effizientere und robustere Schätzung kinetischer Raten ermöglicht, insbesondere bei großen Messintervallen und steifen biologischen Systemen.