Ненавязчивое сканирование H3 K27M в педиатрической диффузной срединной глиоме с использованием радиомики на неоднородной МРТ с T2-взвешиванием

Глубокие мультимодальные модели кодирования мозга теперь предсказывают реакции фМРТ на натуралистические видео с высокой точностью. Неизвестно, предсказывают ли их предполагаемые нейронные сигналы также поведенческое вовлечение. Мы запустили TRIBE, выигравшую модель конкурса по кодированию мозга Algonauts 2025 года (Llama-3.2 + V-JEPA2 + Wav2Vec-BERT), на 48 видео YouTube и снизили ее предсказанную кортикальную реакцию до кривой вовлечения в секунду — глобального поля силы. Сравнивая это с теп maps «наиболее повторяемых» моментов каждого видео, что является пассивно собираемым аналогом того, к каким моментам зрители возвращаются, кривая не показывает доказательств предсказания поведения повторного просмотра. Объединенная контролируемая частичная корреляция составляет +0.058 (95% ДИ [-0.04, 0.15]; односторонний t(47)=1.21, p=0.23), не отличаясь от нуля и не значительно превышающая простые базовые уровни громкости и движения (громкость +0.04, парный p=0.74). Если рассматривать необработанную корреляцию, она также близка к нулю; умеренные значения, зарегистрированные для музыкальных видео, отражают артефакт жанра, связанный с интро/повторением начала, а не предсказание содержания и не обобщаются. Нулевое значение сохраняется для шести считываний кортикальной сети и при тесте перестановки, сохраняющем автокорреляцию. Мы выпускаем код, манифест идентификаторов видео и метод приобретения, который работает, несмотря на стриминг только по протоколу SABR YouTube.

Скрининг на антиген простаты (PSA) снижает смертность от рака простаты (PCa), но ограничен из-за переобследования и низкой специфичности для клинически значимой болезни. Эти ограничения подчеркивают необходимость более точных биомаркеров для различения агрессивных раков и инертных образований. Настоящий обзор исследовал продвинутые маркеры на основе крови, включая изоформы PSA, компоненты жидкой биопсии и индекс здоровья простаты; мочевые биомаркеры, такие как антиген рака простаты 3, фьюжн сериновой протеазы трансперембр качественного второго и панель MyProstateScore 2.0; и генетические маркеры, варьирующие от мутаций с высоким проникающим эффектом до полигеновых оценок риска. Дальше было рассмотрено интеграция этих биомаркеров с мультипараметрической МРТ, моделями калькуляторов риска и оценками для здравоохранения для оптимизации путей скрининга. Направления будущих исследований включают мультиомное профилирование, искусственный интеллект и новые технологии биосенсорики. Настоящий обзор направлен на то, чтобы предоставить всестороннюю и сбалансированную точку зрения на новые биомаркеры, которые изменяют персонализированный скрининг PCa.

Недавние модели генерации и редактирования изображений могут создавать визуально привлекательные натуральные изображения, однако они остаются ненадежными, когда целевое изображение представляет собой знания-интенсивную диаграмму, корректность которой зависит от дисциплинарных концепций, символической структуры и точных пространственных отношений. Мы представляем DisciplineGen-1M, набор данных многодисциплинарного масштаба с миллионом образцов, который поддерживает генерацию изображений из текста и редактирование изображений. Он содержит 1,2 миллиона образцов из математики, физики, химии, биологии, географии, информатики, экономики, истории, музыки и спорта. Для создания набора данных мы разрабатываем масштабируемую структуру, которая объединяет рендеринг векторной графики, редактирование на основе OCR, программный синтез и крупномасштабную фильтрацию текстов в изображения. Эти рабочие процессы обеспечивают создание аннотаций, инструкций по редактированию, структурированных аннотаций и пар изображений с контролируемыми семантическими различиями. Основываясь на DisciplineGen-1M, мы дополнительно представляем модель генерации рассуждений, учитывающую дисциплину, для генерации изображений из текста и редактирования изображений. Эксперименты на связанных с дисциплиной моделях, GenExam и GRADE, показывают значительные улучшения по сравнению с открытыми эталонами, в то время как оценки на общих моделях, информированных рассуждениями, WISE и RISE, дополнительно указывают на более широкий перенос. Результаты свидетельствуют о том, что структурированные академические визуальные данные большого объема являются ключевым компонентом для перехода генерации изображений от эстетической правдоподобности к верифицируемому созданию визуального контента на основе знаний. Мы публично выпустим наш набор данных, модель и исходный код процесса кураторства данных, чтобы обеспечить воспроизводимость и содействовать будущим исследованиям.

Понимание механистической функции гена является критически важной отправной точкой для биологии. Однако, для значительной части человеческого протеома эти знания разбросаны по тысячам первичных публикаций или остаются плохо установленными, в то время как кураторские базы данных, на которые полагаются биологи, могут отставать на годы от свежей литературы. Большие языковые модели теперь могут читать и синтезировать эту литературу по запросу, но делать это достоверно для многих генов — это дорогостоящая, неповторяемая сессия извлечения, которая не масштабируется среди пользователей. Здесь мы представляем Аффинаж, конвейер LLM, который выполняет это извлечение и механистическое рассуждение один раз для каждого гена — только на основе первичной литературы — и хранит результат в виде структурированной аннотации, которую можно повторно использовать. Программа чтения, разработанная биологами, извлекает только прямые экспериментальные доказательства, а синтетический этап рассуждает только на основе этих находок. Применяя анализ по всему геному, Аффинаж аннотирует 19 293 человеческих белок-кодирующих генов. Этот анализ предоставляет механизмы для тысяч генов, чей функционал в UniProt пуст или неполный, превосходя кураторские справочные материалы по 99.1% генов в прямом сравнении, оцененным независимо судьями LLM разных семейств. Аффинаж также определяет 10% протеома, которые остаются механистически не охарактеризованными, и будет служить постоянно обновляемым, основанным на литературе перепиской функций генов. Все записи доступны открыто по адресу https://affinage.wi.mit.edu. Более широко, Аффинаж служит примером того, как эксперты в области могут закодировать свои знания в масштабируемые конвейеры LLM, чтобы улучшить публично доступные данные, которые направляют биологические гипотезы и эксперименты.

Классификация гетерогенных омических данных по-прежнему остается основной проблемой в вычислительной биологии, особенно в условиях высокой размерности и малых выборок, где доминируют нелинейные взаимодействия, а дисбаланс классов дополнительно усложняет надежное предсказание редких фенотипов. Хотя традиционные методы на основе ядров полагаются на изобилие признаков, они не используют известные ландшафты взаимодействий биологических систем. В данной работе мы предлагаем структуру классификации на основе гауссовского процесса, которая интегрирует закодированные графом биологические пути непосредственно в конструкцию ядра. Пропагируя информацию вдоль известных сетей взаимодействия и комбинируя это с признаками, основанными на изобилии, полученный классификатор захватывает как количественные измерения, так и топологический контекст. Мы проводим оценку нашей предложенной методологии на трех общедоступных наборах данных по микробиому кишечника и кала. Для решения проблемы серьезного дисбаланса классов мы оцениваем дополнительные стратегии, включая ресемплирование на уровене данных, калибровку порогов и корректировки на основе матрицы замешательства, и сообщаем о результатах для класса меньшинства наряду с общей точностью. Гибридный подход дает прирост производительности по сравнению с неструктурированными базовыми решениями и соответствует показателям установленных эталонов для аналогичных наборов данных. Кроме того, вероятностная природа данного подхода естественным образом предоставляет откалиброванную предсказательную неопределенность, позволяя надежно различать уверенные предсказания и неоднозначные образцы.

Социабельность по отношению к людям является ключевым адаптивным признаком у бродячих собак, позволяющим им получать ресурсы, сталкиваясь с рисками, связанными с взаимодействием с человеком. В этом исследовании мы проверили, влияет ли оперантное обуславливание на социабельность индийских бродячих собак и обобщаются ли приобретенные ответы на незнакомых людей. Мы экспериментально подвергли 58 групп собак либо положительному, либо угрожающему сигналу в течение пяти последовательных дней и оценили их поведение, используя пропорцию подходов, латентность подхода и манеру поведения на протяжении повторных взаимодействий с знакомым экспериментатором, после чего провели тест с незнакомым человеком. Используя байесовские обобщенные линейные смешанные модели, мы обнаружили, что тип сигнала и повторное воздействие существенно влияют на социабельность. Собаки, подвергшиеся положительному сигналу, показали увеличение поведения подхода и снижение латентности подхода с течением времени, наряду с увеличением аффилиативной манеры. В отличие от этого, собаки, подвергшиеся угрожающим сигналам, продемонстрировали снижение поведения подхода, увеличение латентности подхода и изменение в сторону нейтральных и менее аффилиативных ответов на протяжении дней. Важно отметить, что положительные сигналы частично обобщались на разных особей, так как собаки показали увеличенный подход к незнакомому экспериментатору, хотя это сопровождалось колебанием в подходе. В противовес этому, угрожающие сигналы не обобщались аналогичным образом; собаки не сократили свой подход к незнакомым людям, но показали увеличенную латентность подхода, что указывает на повышенную осторожность. Наши результаты демонстрируют, что оперантное обуславливание играет ключевую роль в формировании взаимодействий между собаками и людьми, с асимметричным обобщением положительных и угрожающих опытов.