Повреждение средней кишки вызывает рекрутирование гемоцитов, зависимое от тромбоксана A2, у Culex pipiens molestus

Метапознание является критически важной составляющей интеллекта, описывающей способность контролировать и регулировать собственные когнитивные процессы. Тем не менее, большие языковые модели (LLMs) демонстрируют системные недостатки в ключевых метапознавательных функциях: они создают неправильные (галлюцинирующие) ответы с высокой уверенностью, не осознают границы своих знаний и неправильно представляют свою внутреннюю неопределенность, что подрывает доверие и надежность. Учитывая, что мониторинг производительности задач и адаптация поведения в соответствии с этим являются центральными для метапознания, мы предполагаем, что модели, способные точно оценивать свою собственную производительность, лучше подготовлены для ее улучшения. Мы реализуем эту идею через два новых механизма: обучение с подкреплением с метапознавательной обратной связью (RLMF) – парадигму, позволяющую улучшать ранжирование завершений во время оптимизации предпочтений на основе качества самосуждений модели о производительности, и выбор метапознавательных данных, который использует аналогичные самосуждения для выявления ценных обучающих примеров, превосходя наивное активное обучение. Мы применяем эти инновации к проблеме надежной калибровки (FC), которая сама по себе является принципиально метапознавательной задачей: цель заключается в согласовании выраженной и внутренней неопределенности, что сложно даже для передовых LLM. Мы принимаем декомпозированный подход в два этапа: сначала используем эти методы для калибровки надежности самооценок моделей, а затем отображаем на естественную, адаптируемую по контексту языковую неопределенность через целевое редактирование выходных данных. Обширные эксперименты показывают, что RLMF достигает обобщаемой, современной надежной калибровки на различных задачах при сохранении точности. Более того, RLMF превосходит стандартное обучение с подкреплением на 63%, при этом улучшая способность моделей оценивать и выражать собственные пределы возможностей. Это ставит RLMF в качестве многообещающей парадигмы для повышения метапознавательных способностей LLM с целью улучшения возможностей моделирования и соответствия, а также предполагает, что метапознавательная производительность является эффективным сигналом обучения с подкреплением для преодоления ограничений ранее используемых методов внутренней обратной связи.

Около 60%-70% пациентов с метастатическим немелкоклеточным раком легкого (НМРЛ) имеют относительно низкую мутационную нагрузку (МНМ), при этом возможности иммунотерапии, ориентированные на биомаркеры, ограничены за пределами экспрессии PD-L1. Мутационные сигнатуры APOBEC (катализатор редактирования мРНК апопротеина B, подобный полипептид) определяются характерными геномными отпечатками и связаны с более высокой МНМ и лучшим ответом на ингибиторы контрольных точек иммунитета (ИКИ). Однако не установлено, предсказывает ли APOBEC ответ на ИКИ в опухолях с низкой МНМ независимо. Мы проанализировали 857 пациентов с метастатическим НМРЛ, получавших ИКИ, и 1328 пациентов, не получавших ИКИ, с низкой МНМ (<10 мут/Мб) из когорты MSK-CHORD. Статус APOBEC был классифицирован с использованием MESiCA, алгоритма машинного обучения для обнаружения мутационных сигнатур из целевых панелей генов. Прогностическая ценность была установлена через тестирование взаимодействия лечения, многофакторную корректировку, взвешивание по шкале предпочтений и анализы вех. Внешняя валидация включала 82 пациента с низкой МНМ из опубликованных исследований полного экзомного секвенирования. Пациенты с положительными результатами на APOBEC (n = 52, 6.1%) имели значительно улучшенную общую выживаемость [медиана 33.7 против 17.4 месяцев; коэффициент рисков (HR) 0.60, 95% доверительный интервал (CI) 0.42-0.85, P = 0.004]. Нижеуказанная польза не наблюдалась у пациентов, не получавших ИКИ (HR 0.98, P = 0.85), с значительным взаимодействием лечения (P = 0.032), что подтверждает прогностический, а не прогностический эффект. APOBEC оставался независимым предиктором после корректировки по статусу PD-L1 и возрасту (откорректированный HR 0.57, P = 0.002). Эта польза была особенно выражена у пациентов с отрицательным статусом PD-L1, получающих ИКИ (HR 0.51, P = 0.002). Эффект был устойчивым в анализах по шкале предпочтений, вехам и бутстрепам. Внешняя валидация подтвердила независимую пользу APOBEC (откорректированный HR 0.23, P = 0.020). Мутационные сигнатуры APOBEC представляют собой надежный предиктивный биомаркер для ответа на ИКИ у пациентов с метастатическим НМРЛ с низкой МНМ, выявляя ответчиков, особенно среди пациентов с отрицательным статусом PD-L1, где наиболее необходима ориентация на биомаркеры, и их можно обнаружить путем анализа целевых панелей генов, используемых в рутинной клинической практике.

Беспилотные летательные аппараты (БПЛА) играют важную роль в различных гражданских и коммерческих приложениях, что требует точной классификации их радиочастотных (РЧ) сигналов. Современные подходы на основе глубокого обучения сталкиваются с высокой вычислительной сложностью, чувствительностью к шуму и ограниченной точностью. В данной статье предлагается новая структура классификации сигналов БПЛА, которая сочетает в себе вейвлетное извлечение признаков с иерархической архитектурой U-Net, дополненной механизмами внимания с раздельным временем (STCA) и остаточной связанностью. Модель WUSTCA эффективно классифицирует сигналы БПЛА и их контроллеров, достигая средней точности классификации 96,6% для БПЛА и 95,83% для контроллеров БПЛА на наборе данных CardRF. Решая такие проблемы, как помехи шума и разнообразие сигналов, данная работа предоставляет надежное и эффективное решение для классификации сигналов БПЛА, открывая путь для приложений в реальном времени в сложных условиях.

Злокачественные опухоли, включая остеосаркому (ОС), являются основными неинфекционными хроническими заболеваниями, обусловленными системным воспалением и окислительным стрессом. Хотя известно, что диетические танины обладают антиоксидантными и противораковыми свойствами, их точные регуляторные механизмы и терапевтические мишени при ОС остаются в значительной степени неизученными. Это исследование интегрировало многоомные наборы данных для систематического изучения потенциала диетических танинов при ОС, используя машинно-обучающий фреймворк, основанный на 10 алгоритмах, для построения риска, связанного с танинами (TRR). Модель TRR продемонстрировала благоприятные прогностические характеристики в ретроспективных когортах, причем у пациентов с высоким TRR наблюдалось худшее выживание, обогащение путями ремоделирования экстрацеллюлярного матрикса и уменьшение инфильтрации CD8T-клеток. Кроме того, инструменты предсказания иммунотерапии предположили более низкую вероятность отклика на блокаду иммунных контрольных точек в группе с высоким TRR. TGFA был выявлен как ключевой ген-центр, способствующий высокому рисковому фенотипу; анализы одноядерной и пространственной транскриптомики показали, что клетки ОС с высоким уровнем TGFA обладают стволовыми характеристиками и усиленной коммуникацией с микросредой. В vitro-тесты подтвердили, что нокаут TGFA подавляет пролиферацию и миграцию клеток ОС, одновременно повышая апоптоз, в то время как переэкспрессия TGFA способствует данным злокачественным действиям. Объединив исследования диетических полифенолов с онкологическим управлением, это исследование определяет иммуноосевую ось, ассоциированную с TGFA, как точную молекулярную дорожную карту для структурной модификации полифенолов и разработки целевых функциональных продуктов на основе танинов для вмешательства в хронические заболевания.

Хотя большие языковые модели (БЯМ) хорошо справляются с задачами, связанными с таблицами, они все же совершают ошибки при ссылках на данные (ЭСД), то есть неправильно цитируют или опускают значения из таблиц, несмотря на понимание их структуры. Кроме того, что ошибки при ссылках на данные влияют на точность финальных ответов, они прямо ставят под сомнение корректность и надежность промежуточных шагов рассуждения. Однако предыдущие исследования предлагали лишь ограниченные и мелкомасштабные анализы. В данной работе мы представляем первую систематическую оценку ошибок ссылок на табличные данные в различных моделях и задачах. Наши результаты показывают, что ЭСД встречаются во всех протестированных моделях (от 1.7 до 20 миллиардов параметров). Кроме того, мы демонстрируем, что внедрение ссылок на данные в качестве критика значительно улучшает точность ответов на 12.0% с помощью фильтрации на основе критика и выборки для отклонения. В заключение, мы обучили легкую модель критика с 4 миллиардами параметров, которая достигает средней F1 оценки 78.2% в обнаружении как внутрираспределенных, так и внераспределенных ЭСД и эффективно способствует выводу для более крупных моделей.

Почему нейронные сети запоминают алгоритмические данные для обучения задолго до того, как начинают обобщать? Мы представляем геометрическое исследование, показывающее, что в задачах, где для общего результата необходимо открыть структурированные низкоразмерные цепи, задержка запоминания-обобщения управляется радиальной инфляцией скрытых представлений при оптимизации кросс-энтропии. Мы формализуем радиально-угловую декомпозицию динамики пространства активаций и выводим три тестируемые гипотезы: (i) что штраф за радиальную инфляцию вызывает анизотропную, зависимую от данных регуляризацию весов; (ii) что это подавляет радиальную градиентную энергию ниже изотропного случайного базиса, заставляя происходить преимущественно угловые обновления; и (iii) что это смещает сходимость к более плоским минимума. Для эмпирической проверки этих предложений мы изучаем норму с одним гиперпараметром, которая мягко ограничивает активации гиперсферы радиусом sqrt(d). При использовании модульной арифметики этот штраф ускоряет усвоение до 6 раз для MLP и Transformer, и сокращает число шагов обучения на половину для nanoGPT с 10 миллионами параметров при решении задачи сложения трехзначных чисел.