60 artigos
O artigo apresenta o pHapCompass, um algoritmo probabilístico inovador para a montagem de haplótipos em genomas poliploides que modela explicitamente a ambiguidade na atribuição de leituras para quantificar a incerteza da fase, ao mesmo tempo em que oferece um fluxo de trabalho de simulação realista e métricas de avaliação generalizadas para superar as limitações das abordagens anteriores.
O artigo apresenta o Equivariant Asynchronous Diffusion (EAD), um novo modelo de difusão que combina agendamento assíncrono e mecanismos de agendamento dinâmico para superar as limitações dos métodos existentes e alcançar desempenho state-of-the-art na geração de conformações moleculares 3D.
Este artigo propõe e valida experimentalmente um método de amostragem flexível e eficaz, baseado em busca estocástica em feixe, para otimizar modelos de linguagem mascarados (MLMs) na engenharia de proteínas, demonstrando que a escolha do método de amostragem é tão impactante quanto a seleção do modelo em campanhas de desenvolvimento de anticorpos terapêuticos.
Este estudo analisa dados de jovens adultos dos EUA durante a pandemia de COVID-19 e conclui que, embora a organização modular das redes de sintomas de saúde mental tenha permanecido estável, o controle entre esses módulos se redistribuiu de um foco inicial em sintomas relacionados ao estresse para um padrão mais amplo e diversificado ao longo do tempo.
O artigo apresenta o LabConstrictor, uma ferramenta que automatiza a conversão de notebooks Jupyter em aplicativos de desktop instaláveis, superando barreiras de distribuição e reprodutibilidade para facilitar a adoção de software acadêmico nas ciências da vida.
O artigo propõe o TCR-EML, um modelo de aprendizado de máquina com camadas explicáveis por design que integra mecanismos bioquímicos conhecidos de ligação para prever a interação entre receptores de células T e complexos peptídeo-MHC com alta precisão e interpretabilidade.
Este estudo utiliza um ciclo autônomo de geração e teste de hipóteses para demonstrar que modelos de base biológica aprendem estruturas geométricas e topológicas genuínas e compartilhadas, embora essas descobertas sejam mais robustas em tecidos imunes do que em outros contextos.
Este trabalho propõe uma abordagem de detecção de anomalias médica não supervisionada que, ao enriquecer representações latentes com similaridades contextuais dentro de um lote de imagens saudáveis via estimativa de hipergrafos e convolução em grafos, reduz significativamente falsos positivos e melhora a precisão na distinção entre variações anatômicas normais e patologias em ressonâncias magnéticas cerebrais.
Este artigo apresenta o PPCMI-SF, um framework colaborativo de segmentação de imagens médicas que preserva a privacidade ao utilizar transformações latentes criptografadas para permitir treinamento multi-institucional com alta precisão e resistência a ataques, sem a necessidade de compartilhar dados brutos.
Este estudo combina experimentos in vitro e modelagem matemática para demonstrar que a exposição de esferoides tumorais a campos elétricos pulsados desencadeia a liberação de DAMPs e revela um papel dual das células quiescentes, que podem tanto morrer quanto sobreviver e promover o crescimento acelerado do tumor em intensidades intermediárias.
O artigo apresenta o AllScAIP, um modelo de potencial interatômico baseado em aprendizado de máquina que utiliza atenção entre todos os nós para capturar interações de longo alcance de forma orientada por dados, superando as limitações de modelos anteriores e alcançando precisão de ponta em sistemas moleculares e materiais.
O artigo apresenta o drGT, um modelo de aprendizado profundo em grafos heterogêneos que utiliza coeficientes de atenção para prever a resposta a medicamentos e identificar biomarcadores com alta precisão e interpretabilidade biológica, validado em grandes conjuntos de dados de câncer.
Este trabalho define o critério de identificabilidade prática (e, q) para avaliar a robustez de estimativas de parâmetros em sistemas com variáveis não observadas, utilizando um método de forma fraca computacionalmente eficiente e robusto ao ruído, demonstrado em exemplos de modelagem biológica.
O artigo demonstra que o uso de geradores de números aleatórios baseados em estado compromete a validade causal em modelos baseados em agentes ao alterar o índice de extração quando o fluxo de execução muda, e propõe como solução o uso de geradores baseados em contadores acoplados a identificadores de eventos para garantir que os números aleatórios correspondam consistentemente aos mesmos eventos em cenários contrafactuais.
Este artigo apresenta o desafio SMLM-C, um benchmark biologicamente inspirado que revela que os modelos de espaço de estado (SSMs) enfrentam dificuldades significativas ao modelar a dinâmica de "piscamento" irregular e de cauda pesada em dados de microscopia de localização de molécula única, destacando a necessidade de modelos sequenciais mais adequados para processos temporais esparsos e irregulares na imagem científica.
Este estudo analisa sistematicamente como a má condicionalidade numérica, causada por multicolinearidade em bibliotecas de funções, compromete a descoberta de equações dinâmicas em sistemas biológicos, demonstrando que bases polinomiais ortogonais só melhoram a recuperação do modelo quando os dados são amostrados de distribuições alinhadas às suas funções de peso.
O artigo apresenta o método híbrido eTFCE-GRF, que combina a estrutura union-find para recuperação exata do tamanho de clusters com inferência analítica baseada em campos aleatórios gaussianos, permitindo mapeamento estatístico de morfometria baseada em voxels com valores-p exatos e sem necessidade de testes de permutação, resultando em uma aceleração de até 75 vezes em comparação com métodos anteriores.
Este artigo introduz o conceito de simetrias parâmetro-estado, um subconjunto de simetrias de Lie, para caracterizar a identificabilidade estrutural local e a observabilidade de modelos mecânicos baseados em EDOs, provando que os parâmetros e estados identificáveis correspondem a invariantes universais dessas simetrias.
O artigo apresenta o Sorometry, um pipeline de inteligência artificial que integra análise de imagens 2D e nuvens de pontos 3D para automatizar a identificação e quantificação de fitólitos, superando as limitações dos métodos manuais e permitindo análises em escala "ômica" de amostras arqueológicas e paleoecológicas.
O artigo apresenta o Nyxus, uma nova biblioteca de extração de características de imagens projetada para ser escalável e eficiente no processamento de grandes volumes de dados (2D e 3D) em ambientes de big data e IA, oferecendo múltiplas interfaces de acesso e permitindo a otimização programática para aplicações de aprendizado de máquina.