60 articles
Le papier présente pHapCompass, un algorithme probabiliste innovant pour l'assemblage de haplotypes chez les organismes polyploïdes, qui quantifie l'incertitude d'assignation des lectures, propose un nouveau workflow de simulation réaliste et démontre des performances compétitives tout en fournissant une estimation précise de l'incertitude de phase.
Le papier présente l'EAD, un modèle de diffusion équivariant et asynchrone doté d'un mécanisme de planification dynamique qui surpasse les méthodes existantes en générant des conformations moléculaires 3D en combinant les avantages des approches auto-régressives et synchrones.
Cette étude propose une méthode d'échantillonnage flexible et efficace par recherche faisceau stochastique pour optimiser les modèles de langage masqués dans l'ingénierie des protéines, démontrant par des évaluations in silico et in vitro sur des anticorps thérapeutiques que le choix de la méthode d'échantillonnage est aussi déterminant que le modèle lui-même.
Cette étude révèle que, malgré une réorganisation de la distribution du contrôle entre les modules de symptômes psychologiques chez les jeunes adultes américains durant la pandémie de COVID-19, l'architecture modulaire globale de la psychopathologie est restée stable.
Le papier présente LabConstrictor, un outil qui automatise le conditionnement des notebooks Jupyter en applications de bureau installables via une pipeline GitHub, afin de surmonter les barrières techniques à l'adoption et au partage des logiciels open-source en sciences de la vie.
Ce papier propose TCR-EML, un modèle prédictif pour la liaison TCR-pMHC intégrant des couches explicatives basées sur des mécanismes biochimiques connus afin de concilier haute précision et interprétabilité, surpassant les approches actuelles en matière d'explicabilité.
Cette étude démontre, grâce à une validation autonome de 141 hypothèses, que les modèles de fondation biologiques apprennent une structure géométrique et topologique réelle et partagée, bien que localisée principalement dans les tissus immunitaires, qui dépasse la simple métrique euclidienne pour capturer des relations biologiques significatives.
Cette étude propose une méthode d'apprentissage non supervisé pour la détection d'anomalies médicales qui, en enrichissant les représentations latentes d'un autoencodeur par des similarités contextuelles au sein d'un lot via une estimation d'hypergraphe et une convolution graphique, améliore significativement la précision et réduit les faux positifs en distinguant mieux les variations anatomiques normales des pathologies.
Cet article présente le PPCMI-SF, un cadre collaboratif de segmentation d'images médicales qui préserve la confidentialité des données en utilisant des transformées latentes chiffrées et des autoencodeurs, permettant ainsi d'atteindre une précision élevée et une robustesse contre les attaques sans partager les données brutes entre institutions.
Cette étude combine expériences in vitro et modélisation mathématique pour démontrer que l'exposition des sphéroïdes tumoraux à des champs électriques pulsés déclenche une mort cellulaire et une libération de DAMP proportionnelles à l'intensité du champ, tout en révélant le rôle dual des cellules quiescentes dans la régénération tumorale, ce qui souligne la nécessité de les prendre en compte pour optimiser les thérapies d'électroporation.
Ce travail présente AllScAIP, un potentiel interatomique basé sur l'attention qui, grâce à un mécanisme d'attention tout-à-tout, surpasse les modèles traditionnels à forte biais physique pour capturer précisément les interactions à longue portée dans les grands systèmes moléculaires et matériaux à grande échelle de données.
Le modèle drGT, présenté dans cet article, est une approche d'apprentissage profond sur graphes hétérogènes qui prédit la réponse aux médicaments et améliore l'interprétabilité des résultats en identifiant des biomarqueurs et des processus biologiques pertinents grâce à des coefficients d'attention, tout en démontrant des performances compétitives sur plusieurs jeux de données de référence.
Cet article propose un critère d'identifiabilité pratique, nommé (e, q)-identifiabilité, qui évalue la fiabilité des estimations de paramètres dans des systèmes biologiques bruités en combinant une méthode d'estimation faible (WENDy) basée sur l'algèbre différentielle pour une efficacité computationnelle accrue avec une prise en compte explicite du bruit des données et de l'erreur quadratique moyenne.
Cet article démontre que l'utilisation de générateurs de nombres aléatoires d'état dans les modèles basés sur des agents fausse les comparaisons contrefactuelles causales en raison de l'altération des chemins d'exécution, et propose une solution fondée sur le hachage d'événements couplé à des générateurs à compteur pour rétablir la cohérence causale.
Cet article présente le défi SMLM-C, une nouvelle référence biologique pour évaluer les modèles d'espace d'état sur des données d'imagerie moléculaire, révélant ainsi leurs limites face aux dynamiques de clignotement irrégulières et à forte queue de distribution.
Cette étude analyse systématiquement l'impact de l'ill-conditionnement sur l'apprentissage d'équations dynamiques par régression parcimonieuse en biologie des systèmes, démontrant que les corrélations fortes entre termes du dictionnaire compromettent la stabilité numérique et que l'utilisation de bases polynomiales orthogonales ne garantit une amélioration que lorsque la distribution des données correspond à leur fonction de poids.
Ce papier présente une méthode hybride eTFCE-GRF qui combine la structure union-find pour une récupération exacte de la taille des clusters et la théorie des champs aléatoires gaussiens pour des valeurs p analytiques, permettant ainsi une inférence neuroimagerie à base de morphométrie voxelique précise et jusqu'à 1000 fois plus rapide que les tests de permutation.
Cet article introduit une sous-classe de symétries de Lie, appelées symétries paramètre-état, pour caractériser l'identifiabilité structurelle locale et l'observabilité des modèles mécanistes en démontrant que les paramètres identifiables et les états observables correspondent aux invariants universels de ces symétries.
L'article présente Sorometry, une pipeline d'intelligence artificielle intégrant l'analyse d'images 2D et de nuages de points 3D pour automatiser la classification et l'interprétation des phytolithes, surmontant ainsi les limites des méthodes manuelles et transformant cette discipline en une science à grande échelle.
Le papier présente Nyxus, une bibliothèque de nouvelle génération conçue pour l'extraction évolutive et hors mémoire de caractéristiques d'images 2D et 3D, offrant une solution polyvalente et performante pour les défis du big data et de l'IA dans divers domaines scientifiques.