Геометрические причинные модели

В данной работе мы рассмотрели различные подходы к математическому моделированию биологически правдоподобных нейронных систем. Модели характеризуются и классифицируются на основе их общих черт и специализированных случаев использования. В дополнение к моделям с всплесками также рассматриваются различные типы дискретных и непрерывных аналогов, чтобы точно смоделировать биологические процессы, включая динамику мембранного потенциала. Под исследование попадают нейроны и различные компоненты, встречающиеся в нейронных системах и влияющие на динамику. Выбор конкретных подходов был продиктован их распространенностью и инновационными перспективами с целью повышения актуальности представленной информации.

Компьютерное моделирование и симуляция являются мощными инструментами для оценки производительности и безопасности медицинских устройств, особенно для клинических испытаний in silico для автоматизированных медицинских систем. В вентиляции, где необходимо управлять газообменом, респираторной механикой и взаимодействием пациента с аппаратом вентиляции в условиях изменяющейся патофизиологии, клинический перевод автоматизированных контрольных стратегий остается медленным и ресурсоемким. В данной статье применяется структура, соответствующая стандартам, для оценки достоверности вычислительной дыхательной модели, продемонстрированная на примере автоматизированного прекращения вентиляции. Эта структура реализует принципы ASME V&V 40 и FDA в рамках структурированного, основанного на руководствах процесса валидации. Вычислительная физиологическая модель интегрирует респираторную механику, газообмен, контроль дыхания и представление вентилятора, валидация которой осуществляется в четко определенном контексте применения и с ясными вопросами интереса. Достоверность модели оценивается через калибровку, физиологическую правдоподобность, оценку на основе популяции и воспроизведение возникающего поведения. Все требования к модели, вытекающие из предполагаемого контекста использования, рассматриваются в предлагаемой программе оценки достоверности, а документированные пробелы сообщаются открыто. Полученный аргумент в пользу достоверности поддерживает применимость модели для ее контекста использования. Сильные стороны демонстрируются в сравнении на основе популяции и механистической правдоподобности, в то время как остаточные ограничения связаны с объемом in vivo данных, представительностью популяции и внешней валидацией. В целом, модель считается подходящей для проведения клинических испытаний in silico со средне-низким риском автоматизированных стратегий прекращения вентиляции. Более того, описанная в данной статье процедура валидации предоставляет пример для валидации этой и аналогичных моделей в других алгоритмах механической вентиляции и сопутствующих случаях использования.

Искусственный интеллект оказал глубокое влияние на биологические науки и, в частности, значительно ускорил исследования в области формы и функции белков. Ферменты не являются исключением: в последнее время было разработано множество предсказательных моделей для решения различных задач, связанных с ферментами. Модели, рассматривающие совместимость фермент-субстрат (ES) или фермент-реакция (ER), могут быть особенно полезными для аннотирования ферментов, расшифровки биосинтетических путей и извлечения биокаталитиков, главной задачей которых является идентификация истинного катализатора (или действительно совместимой реакции) среди множества схожих кандидатов. В то время как существующие модели демонстрируют высокую эффективность на альтернативных эталонах, менее известны их возможности в данном контексте. В этом исследовании мы оцениваем четыре недавно выпущенные модели предсказания ES и ER, используя задачи и наборы данных, адаптированные для данного условия. Сначала мы показываем, что две представительные модели предсказания ES показывают результаты, близкие к случайным исходным данным, по двум семействам ферментов, когда речь идет о ферментах и субстратах, не встреченных во время обучения. Для оценки дополнительных моделей по последовательному набору данных мы далее собираем самый крупный на сегодняшний день набор данных реакций цитохрома P450 (CYP) — 2922 реакции по 768 ферментам, и строим эталон ранжирования CYP, в котором правильно выбранный фермент должен быть приоритезирован среди всех CYP в своем естественном организме. Мы снова обнаруживаем, что большинство моделей не превосходят базовые показатели на основе последовательностей (BLAST), даже после тонкой настройки. Наконец, мы адаптируем модель предсказания биомолекулярной структуры Boltz для предсказания ES, обучая контролируемые классификаторы на векторных вложениях остатков-лигандов, и показываем, что этот подход последовательно превосходит базовые показатели BLAST на нашем эталоне ранжирования CYP. В совокупности наши результаты свидетельствуют о необходимости более актуального бенчмаркинга и предполагают, что учитывающие взаимодействия представления из полных биомолекулярных комплексов могут служить многообещающей основой для приоритизации ферментов.

3D-фенотипирование растений известно сложностью процедур и низкой производительностью из-за обширной многовидовой съемки, хрупкой цепочки 3D-реконструкции и дополнительных затрат на извлечение фенотипической информации из восстановленной геометрии. Эти ограничения усиливаются при низкозатратном сборе данных, когда видео со смартфонов или малонагруженные многовидовые изображения обеспечивают ограниченное перекрытие видов и самозатемнение. В этой работе мы показываем, что традиционную схему 3D-фенотипирования растений можно упростить и значительно ускорить с помощью 3D-фундаментальных моделей (3DFMs), и в частности, представляем одну из первых схем 3D-фенотипирования кросс-культур, основанную на 3DFMs. Эта схема заменяет разреженную инициализацию в стиле COLMAP на основанное на 3DFM геометрическое восстановление с прямой связью, сочетает 3D Gaussian Splatting с ограничениями по геометрии для плотной реконструкции, позволяет реконструировать из нескольких видов через итеративный синтез и уточнение видов и преобразует восстановленную геометрию в измеримые органы через семантический перенос из 2D в 3D, восстановление метрического масштаба и разделение экземпляров органов. Мы также создаем набор данных для кросс-культур с приобретением изображений на основе смартфонов, разнообразными морфологиями растений и ручными аннотациями для сегментации и фенотипической оценки. Эксперименты на 26 последовательностях растений показывают, что 3D-фундаментальные модели сокращают среднее время реконструкции с 6,52 минут до 1,58 секунд, сохраняя при этом высокое качество реконструкции и точность фенотипирования. Эти результаты предполагают новый технический путь для высокопроизводительного 3D-фенотипирования растений, начиная с недорогого получения изображений и заканчивая быстрой реконструкцией, восприятием, восстановлением масштаба и фенотипическим измерением.

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.

Механизмы реакций состоят из пошаговых последовательностей элементарных реакций, которые объясняют химические преобразования. Поэтому изучение логики механизмов имеет решающее значение для повышения фундаментального химического интеллекта больших языковых моделей (БЯМ). Пошаговое выведение механизмов реакций естественно соответствует парадигмам рассуждений БЯМ. Однако текущие химические БЯМ в первую очередь акцентируют внимание на грубых наименованиях реакций для предсказания продуктов и ретросинтеза, что часто приводит к физическим несоответствиям и галлюцинациям. В отличие от этого, специализированные небольшие генеративные модели для вывода механизмов, как правило, страдают от ограниченной способности к обобщению в различных химических пространствах. Чтобы преодолеть эти ограничения, мы создали новый обширный набор данных для рассуждения о механизмах реакций. Более того, мы разработали FukuyamaBench — сложный эталон, основанный на книге Фукуямы «Современные механизмы органических реакций», для строгой оценки производительности моделей в иерархическом рассуждении о механизмах. Наша дообученная модель Qwen3-30B-A3B достигает 8,3% точного совпадения путей в наборе FukuyamaBench Set~A, превосходя специализированную модель FlowER (5,1%), что демонстрирует, что обучение с учетом механизмов значительно улучшает химическое рассуждение в языковых моделях.