Аффинаж: механистическая аннотация генома на основе опубликованной литературы

Состав научных рецензионных панелей является задачей ограниченной оптимизации, в которой конечный пул экспертов должен быть распределен по нескольким панелям с учетом научной экспертизы и демографического разнообразия. Поскольку количество возможных конфигураций панелей растет очень быстро с увеличением числа рецензентов, исчерпывающие поиски быстро становятся вычислительно нецелесообразными. В этой работе я представляю генетический алгоритм, разработанный для оптимизации состава панелей в процессе оценки предложений Европейской южной обсерватории (ESO). Назначения панелей представлены через кодирование на основе хромосом. Кандидатные решения оцениваются с использованием функции приспособленности, основанной на четырех индикаторах дисбаланса: научной экспертизе, гендере, принадлежности к стране и профессиональной старшинстве. Метод тестируется с использованием реальных данных рецензентов из системы обработки предложений ESO. Результаты показывают, что генетический алгоритм быстро определяет конфигурации панелей с существенно меньшим дисбалансом, чем те, которые получены из случайных назначений, и постепенно улучшает качество общей популяции. Кроме того, вместо того, чтобы создавать одну оптимизированную конфигурацию, подход генерирует набор высококачественных реализаций панелей, которые могут быть впоследствии отфильтрованы в соответствии с дополнительными операционными ограничениями, не включенными явно в функцию приспособленности. Хотя методология была разработана для ESO, она является общей и применима к широкому спектру систем рецензирования на основе панелей.

Статус мутации гистона H3K27M определяет клинически агрессивную подгруппу педиатрической диффузной срединной глиомы и влияет на прогноз и право участия в клинических испытаниях, однако подтверждение обычно требует биопсии из важных срединных структур. Мы оценили, может ли радиомика, основанная на стандартной МРТ с T2-взвешиванием, предоставить дополнительный сигнал для скрининга в неоднородной выборке, где сканирование часто выполняется внешними учреждениями, и MРТ с T2-взвешиванием является единственной последовательно доступной последовательностью. Было проанализировано 98 педиатрических пациентов с подтвержденным статусом по биопсии (73 с положительной мутацией, 25 с дикой формой). Экспертные сегментации опухоли определили области интереса для извлечения признаков PyRadiomics после изотропной переработки, двойного исключения черепной кости и фильтрации на разных масштабах. Мы систематически отключали предобработку, устраняли корреляцию с помощью повторного рекурсивного выбора признаков, объема опухоли и синтетической миноритарной агментации TabDDPM по 100 стратифицированным выборкам обучения/тестирования с реальными тестовыми наборами. Чистая радиомика достигла точности 0.664 и F1-оценки 0.784. Лучший процесс включал предобработку, выбор признаков и объем с CatBoost, достигнув точности 0.730 $\pm$ 0.068 и F1-оценки 0.826 $\pm$ 0.044. TabDDPM улучшил TabPFN до F1-оценки 0.81 $\pm$ 0.05 при 200 увеличенных строках. Эти результаты поддерживают использование радиомики на МРТ с T2-взвешиванием как умеренной вспомогательной помощи для скрининга и триажа, но не заменяют диагностику на основе ткани.

Профилирование метилирования ДНК стало мощным инструментом для классификации опухолей центральной нервной системы (ЦНС), однако существуют важные проблемы, касающиеся переносимости результатов между кохортами, методологической правильности и надежной многоклассовой оценки. В данной работе мы предлагаем новый и методологически строгий подход машинного обучения для классификации опухолей ЦНС на основе метилирования, который сочетает в себе метод разброса с разреженной проекцией для уменьшения размерности и многочленную логистическую регрессию для классификации. Мы оцениваем предложенный подход в том же общем экспериментальном контексте, который установлен широко используемым эталонным классификатором. В когорте из 2,801 образца наш метод достигает средней точности 96% при стратифицированной трехкратной перекрестной проверке. На независимой оценочной когорте из 1,104 образцов он достигает 86% точности на уровне 91 класса и 93% при оценке предсказаний на уровне семейства классов метилирования. Эти результаты превосходят соответствующие показатели современного эталона, составляя 82% согласованности на уровне классов и 88% согласованности на уровне семейства, что дает абсолютное увеличение примерно на 4 и 5 процентных пунктов соответственно. Это улучшение имеет клиническое значение: в диагностической практике увеличение на 5 пунктов в правильной классификации опухолей может напрямую повлиять на назначение подтипа рака и, в свою очередь, повлиять на выбор лечения и последующие клинические решения. Наши результаты показывают, что предложенная модель, основанная на более строгих методологических практиках в области машинного обучения, последовательно превосходит предыдущие современные достижения в различных условиях оценки и может существенно повысить надежность классификации опухолей ЦНС.

Деконволюция клеточных типов, задача оценки пропорций составляющих клеточных типов в гетерогенной биологической пробе, является основной проблемой в вычислительной биологии. Методы, основанные на эпигенетических маркерах, таких как метилирование ДНК, обычно работают с агрегированными оценками метилирования, игнорируя информацию о паттернах, содержащуюся в отдельных чтениях ДНК. Существующие подходы на уровне чтений, которые используют эту информацию, редки, и все они ограничены настройками с небольшим количеством классов; расширение их применения является открытой проблемой, поскольку на больших масштабах недискриминативные чтения доминируют, а жесткие метки противоречат многоместному соответствию между метилированиями и клеточными типами, что препятствует сходимости классификаторов. Чтобы преодолеть это, мы предлагаем данные-управляемую мягкую разметку, которая оценивает условное распределение клеточных типов для каждого чтения и интегрируем эту схему в Syto, новую модульную структуру для деконволюции на основе классификации на уровне чтений. На атласе всего тела из 39 типов клеток человека Syto снижает среднеквадратичную ошибку (MSE) в 2.56 раз по сравнению с SoTA, при этом улучшения переносятся на датасет вне распределения, охватывающий 16 тканей. Syto закладывает основу для моделирования все более крупных панелей клеточных типов с улучшенными приложениями в биологии и здравоохранении. Предложенная схема мягкой разметки также может быть адаптирована для любого сценария с многоместным соответствием сигнала и метки.

Филогенетические сети обобщают филогенетические деревья для эволюционных историй, которые включают ретикулярные события, такие как рекомбинация, горизонтальный перенос генов и гибридизация. В рамках марковской модели замещения нуклеотидов филогенетическая сеть определяет распределение паттернов листьев. В данной работе мы исследуем идентифицируемость топологии сети из этого распределения в рамках моделей Джукса-Кантера (JC), Кимуры с двумя параметрами (K2P) и Кимуры с тремя параметрами (K3P). Нашим первым результатом является то, что полуправильный параметр сети уровня 1 (с учётом перенаправления треугольников) полностью идентифицируем по всем трем моделям на биологически разумном пространстве параметров, где скорости замещения являются вероятностными, а параметры смешивания нетривиальны (т.е. не равны 0 или 1). В отличие от общепринятой идентифицируемости, установленной в предыдущих работах, это действительно для каждой точки параметрического пространства, а не только для подмножества нулевой меры. Наш второй результат отличает филогенетические сети от филогенетических деревьев в том же пространстве параметров при JC и K2P. Мы доказываем, что ни одна филогенетическая сеть и филогенетическое дерево не могут порождать одно и то же распределение паттернов листьев, если только сеть не является деревом, возможно, дополненным определёнными подструктурами, называемыми $2$-болбами. Это означает, что наличие ретикулярной эволюции создает, в большинстве случаев, обнаружимый след в распределении паттернов листьев. Более широко, эти результаты имеют последствия для идентифицируемости за пределами изученных моделей и классов сетей, включая несколько моделей на основе коалесценции.

Обнаружение падений имеет важное значение для ухода за пожилыми людьми и интеллектуального наблюдения; однако существующие подходы на основе компьютерного зрения в основном рассматривают его как классификацию статической позы или сопоставление дискретных временных шаблонов, в корне упуская нестабильную динамику человеческой опорной системы. В данной статье предлагается основанная на физике структура для обнаружения падений, которая трактует падение как событие утраты устойчивости в связанной динамической системе. Мы вводим новую архитектуру двойной LTC, состоящую из подсистемы центра масс (CoM) и подсистемы базы поддержки (BoS), обе реализованы как нейронные сети с жидкими временными константами (LTC), которые непрерывно моделируют эволюцию инерциальной траектории и адаптацию к контакту с землёй с помощью адаптивных временных констант. Физическая интерпретируемость движения при падении. Обучаемый модуль связывания имитирует физическое взаимодействие между двумя подсистемами, в то время как классификатор стабильности Manifold работает в объединённом латентном пространстве для обнаружения пересечения границы через метрики стабильности, вдохновлённые методом Ляпунова. Дополнительное проецирование контрфактической траектории и оценка времени до столкновения (TTC) дальше позволяют оценить необратимость и осуществить раннее предупреждение. Архитектура разработана для поддержки парадигмы предсказания с тремя состояниями (Нормально, Падает, Упал); в этом предварительном исследовании мы проверяем основную способность различения стабильности на датасете из двух классов (Нормально против Падает), оставляя полную трехстадийную временную трансформацию для будущей работы. В отличие от традиционных конвейеров CNN-RNN, предлагаемая формулировка кодирует механическую инерцию непрерывного времени, что позволяет создать сеть с менее чем 50 тыс. параметров, способную выполнять вывод в реальном времени на устройствах с ограниченными ресурсами. Обширные эксперименты демонстрируют конкурентоспособную точность с превосходной физической интерпретируемостью, подтверждая её эффективность для визуального обнаружения падений при низких вычислительных затратах.