108 artículos
Este artículo presenta una teoría cuantitativa que explica cómo la acción de lente del cuerpo celular en mutantes "sin ojos" de *Chlamydomonas* genera señales luminosas internas que, al dominar la respuesta flagelar sobre la iluminación directa, provocan una inversión en el signo del fototaxis y un comportamiento bistable.
Este estudio valida la reproducibilidad del marco de mapeo de electrofisiología a transcriptómica en interneuronas GABAérgicas, demuestra que los modelos de secuencia basados en atención pueden igualar a los baselines tradicionales y confirma que el aprendizaje por transferencia de datos de ratón a humano mejora la predicción de subclases en el cerebro humano.
Este estudio utiliza Máquinas de Boltzmann Restringidas (RBMs) para modelar la actividad simultánea de miles de neuronas en el cerebro de ratones, demostrando que estos modelos pueden capturar con alta precisión dependencias de alto orden y revelar redes de interacciones efectivas con estructura anatómica clara, superando las limitaciones de los modelos de entropía máxima tradicionales.
Este artículo presenta un método de detección de anomalías médicas no supervisado que mejora la precisión al integrar variaciones anatómicas normales mediante estimación de hipergrafos y convolución gráfica en lotes, logrando una reducción significativa de falsos positivos en imágenes de resonancia magnética cerebral.
Este estudio combina experimentos in vitro y modelado matemático para demostrar que la liberación de patrones moleculares asociados a daños (DAMPs) y la supervivencia de células quiescentes en esferoides tumorales tras la exposición a campos eléctricos pulsados dependen de la intensidad del campo, revelando un mecanismo de regeneración acelerada a intensidades intermedias que debe considerarse en el diseño de terapias.
Este artículo presenta un marco de optimización continua basado en muestreo que mejora el diseño de ARNm al iterativamente generar y evaluar secuencias sinónimas para optimizar múltiples objetivos, superando a métodos anteriores en métricas clave como la probabilidad de no apareamiento y el porcentaje de uridina accesible.
El modelo drGT es una herramienta de aprendizaje profundo basada en grafos heterogéneos que predice la respuesta a fármacos con alta precisión e interpretabilidad biológica, identificando biomarcadores y asociaciones genéticas respaldadas por literatura mediante el análisis de coeficientes de atención.
Este trabajo presenta un nuevo criterio de identificabilidad práctica, denominado (e, q)-identificabilidad, que evalúa la calidad de la estimación de parámetros en presencia de ruido mediante un método de forma débil computacionalmente eficiente y robusto, demostrando su eficacia en ejemplos de modelado biológico.
Mediante simulaciones de Monte Carlo del modelo Go de la proteína YibK, este estudio demuestra que la temperatura de fusión (Tm) es independiente del estado topológico de la proteína, atribuyendo las discrepancias previas entre resultados experimentales y computacionales a una marcada separación de escalas de tiempo entre el desanudamiento y el desplegamiento que impide alcanzar el equilibrio térmico completo durante los experimentos de calorimetría.
Este artículo presenta un marco funcional-analítico unificado basado en la teoría de distribuciones de Schwartz para representar las trenes de potenciales de acción, permitiendo un análisis exacto y cerrado de la dinámica neuronal sin recurrir a aproximaciones de discretización o suavizado.
El estudio demuestra que, aunque los modelos de acumulación evolutiva asumen la irreversibilidad de las características, pueden proporcionar información fiable sobre el orden relativo de adquisición y la estructura dinámica de las vías evolutivas reales reversibles, a pesar de presentar errores en la estimación de interacciones e incertidumbre.
El artículo propone Prism, un marco que integra señales epigenómicas multimodales mediante ajuste de retroceso para mitigar efectos de confusión, logrando un rendimiento superior en la predicción de expresión génica utilizando secuencias cortas en lugar de depender de longitudes de secuencia extendidas.
Este estudio demuestra que distinguir y combinar representaciones de redes neuronales artificiales basadas en señales acústicas y expectativas mejora la identificación de música a partir de la actividad cerebral (EEG), superando a los modelos de referencia y abriendo nuevas vías para el descifrado neural y la cognición musical predictiva.
Este artículo demuestra que la predicción de resistencia antimicrobiana entre especies mejora significativamente al utilizar representaciones de modelos fundacionales genómicos estables, extraídas cerca de un umbral de estabilidad en capas profundas, y al aplicar la técnica MiniRocket para preservar patrones de activación local en lugar de depender de agrupaciones globales que fallan en generalizaciones fuera de distribución.
Este artículo presenta GGE, un marco de código abierto en Python que establece un protocolo de evaluación estandarizado y reproducible para modelos generativos de expresión génica de células individuales, abordando la falta de consistencia en las métricas actuales mediante un conjunto integral de medidas distribucionales y análisis biológicamente fundamentados.
El estudio demuestra que la corteza IT de los macacos codifica la posición de los objetos en coordenadas perceptuales alineadas con la ilusión de movimiento, una capacidad de adaptación dependiente del historial que falta en las redes neuronales artificiales de visión actuales.
Este trabajo presenta el desafío SMLM-C, un conjunto de datos de referencia biológicamente inspirado para evaluar modelos de espacio de estado en procesos temporales estocásticos de microscopía de localización de moléculas individuales, revelando que su rendimiento se degrada significativamente ante discontinuidades temporales y dinámicas de parpadeo de cola pesada.
Este estudio analiza cómo la mala condición numérica, causada por la multicolinealidad en las bibliotecas de funciones, compromete la identificación precisa de ecuaciones dinámicas en sistemas biológicos mediante regresión dispersa, demostrando que el uso de bases polinómicas ortogonales alineadas con la distribución de los datos puede mitigar estos problemas y mejorar la recuperación de los modelos.
Este artículo revisa investigaciones recientes que integran entornos reales, datos de la vida cotidiana, simulaciones virtuales y grabaciones cerebrales móviles para comprender de manera más ecológica el comportamiento de navegación humana y su dinámica cerebral.
Este artículo presenta `abx_amr_simulator`, un entorno de simulación en Python compatible con aprendizaje por refuerzo diseñado para modelar la dinámica de la resistencia antimicrobiana y optimizar las políticas de prescripción de antibióticos bajo condiciones de incertidumbre y observabilidad parcial.