PHI: рабочий процесс на основе Galaxy для воспроизводимого анализа взаимодействия профагов и хозяев и стандартизированной отчетности по вирусной геномике

Протяженные структуры тела развивались многократно у животных, однако механизмы, лежащие в основе развертывания таких органов, часто остаются неизвестными. Личинки мух-эриталин (мух с длинным хвостом) обладают чрезмерно удлинёнными задними дыхательными сифонами, однако механизм их продления не был экспериментально исследован. В этом исследовании, используя пойманные в дикой природе личинки Helophilus virgatus, мы показали, что продление заднего сифона достигается через механизм складывания и раскладывания, выявленный с помощью флуоресцентной маркировки. Окрашивание фаллоидином также показало, что, в отличие от Episyrphus sp. и Drosophila melanogaster, H. virgatus обладает плотной сетью поперечно ориентированных мышечных волокон в заднем сифоне. Поведенческий анализ также продемонстрировал, что задний сифон функционирует не только в дыхании, но и как пропульсивный орган для движения у поверхности с помощью ассиметричного гребка. В целом, наши результаты определяют структурные и кинематические основы развертывания заднего сифона и демонстрируют, как специализированный дыхательный орган может эволюционировать в многофункциональный придаток, который поддерживает как дыхание, так и локомоцию.

Правильное управление поведением стволовых клеток имеет решающее значение для поддержания гомеостаза тканей. В организме Drosophila белки, связанные с гладкими септатными юнкциями (sSJ), играют ключевую роль в регулировании пролиферации кишечных стволовых клеток (ISC) через активность атипичного PKC (aPKC). В данном исследовании мы исследуем основные механизмы этого процесса. Мы обнаружили, что уровень aPKC в апикальной коре уменьшается в процессе дифференцировки энтеробластов, что соответствует апикальному накоплению белков sSJ. В условиях недостатка белков sSJ aPKC оставался в апикальной коре энтеробластов, что сопровождалось избыточной пролиферацией ISC. Манипуляции с Kibra, активатором пути Hippo, который связывается с aPKC, повлияли на избыточную пролиферацию ISC, вызванную дефицитом белков sSJ, в зависимости от домена связывания с aPKC, что выявляет связь между aPKC и путями Hippo и/или Misshapen-Yorkie в пролиферации ISC. Это исследование предоставляет новые идеи о механизме регуляции стволовых клеток, в котором участвует антагонистическое взаимодействие между aPKC и юнктинными белками в дифференцирующихся предшественниках.

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.

Пространственная и одноклеточная транскриптомика являются трансформирующими подходами в расшифровке клеточной динамики. Поскольку основной парадигмой для реконструкции путей развития клеток является вывод траекторий, этот процесс критически важен. Однако существующие методы требуют значительного ручного вмешательства и знаний о разнородных инструментах, что создает значительные барьеры для эффективного анализа траекторий. Чтобы преодолеть этот разрыв, мы предлагаем SpaCellAgent — автономную многоагентную структуру, которая автоматизирует анализ спатиовременных данных и генерацию нарративов от начала до конца. SpaCellAgent использует многоагентную архитектуру для стратегического планирования рабочего процесса, динамический движок оркестровки инструментов для адаптивного выбора алгоритмов и модуль самоэволюции, который поэтапно уточняет производительность на основе обратной связи. Мы оцениваем SpaCellAgent на шести разнородных наборах данных, охватывающих сложные временные траектории развития, различные платформы секвенирования и пространственно разрешенные архитектуры тканей. SpaCellAgent последовательно демонстрирует улучшение аналитической эффективности более чем на 40% при сохранении производительности, соответствующей экспертным стандартам. Конвертируя спецификации на естественном языке в оптимизированные аналитические рабочие процессы и полностью автоматизируя конвейер, SpaCellAgent демократизирует продвинутое спатиовременное моделирование и устанавливает масштабируемую, управляемую агентами парадигму для вычислительной биологии. Код и материалы доступны по адресу https://github.com/LittleXH-shw/SpaCellAgent.

Какое значение имеет биологическая проводка для нейронных вычислений? Поведенческие эксперименты могут проверить правильность выводов модели, но они не могут определить, являются ли ее внутренние представления биологически верными. Брунтон и др. (2026) сделали это конкретным: коннектом червя C. elegans, обученный с помощью глубокого обучения с подкреплением, генерирует реалистичную походку мухи Drosophila, однако модель не имеет биологического смысла, так как достоверность поведения может быть достигнута без биологической достоверности. Нам нужен метрический показатель на уровне популяции, который отличал бы настоящую биологическую проводку от произвольной, не требуя поведенческого декодера. Мы предлагаем представительную геометрию как такой метрический показатель. Представительная геометрия — это структура парных расстояний между ответами популяции на различные стимулы — отражает, как нейронная цепь организует свое представительное пространство независимо от того, какое поведение она вызывает. Мы применяем анализ представительной схожести (RSA) и центрированное выравнивание ядер (CKA) к ансамблю зрительной системы Drosophila melanogaster Flyvis (Лаппалаинен и др. (2024)): 50 сетей, архитектура которых фиксирована на коннектоме Flyvis (восстановленном на основе частичных источников электронной микроскопии), в сравнении с ограниченными по стабильности случайными базelines (перетасовка весов, сохраняющая знак, выборка отклонений для динамической стабильности, n = 50). Сети, ограниченные коннектомом, создают гладкую круговую геометрию направления, которую случайные сети не могут воспроизвести: RSA Спирмен r = 0.686 (p < 0.0001) для стимулов на границе ON и r = 0.846 (p < 0.0001) для стимулов ON+OFF границы, что подтверждается CKA (p < 0.05 в обоих экспериментах). Геометрия также отслеживает биологическую настройку направления T4/T5, зарегистрированную у живых мух (Майсак и др. 2013): геометрия, ограниченная коннектомом, значительно лучше соответствует биологии, чем случайная геометрия (r = 0.930 против r = 0.603, разрыв {triangleup}r = 0.327, p < 0.0001). В пределах каждой полярности стимула путь ON кодирует направление с более сильным геометрическим разделением, чем путь OFF ({triangleup}r = 0.138, 95% CI [0.091, 0.236]); мы сообщаем об этом как о свойстве представлений ансамблей модели, а не как об установленной биологической разнице: Майсак и др. (2013) находят T4 и T5 функционально эквивалентными, кроме полярности контраста. Чтобы устранить смещение в обучении, мы сравнили незатренированные сети с перетасованными базелинами: предшествующий коннектом формирует геометрию направления на уровне ансамбля до любой тренировки задачи (r = 0.260, p = 0.041 и r = 0.215, p = 0.048; оба предельные, не откорректированные), что предполагает, что проводка кодирует геометрический предшественник, который обучение усиливает. Эти результаты устанавливают представительную геометрию как кандидата на метрическую меру достоверности, которая позволяет различать биологическую и произвольную проводку, используя только ответы популяции на структурированный набор стимулов, и указывает на практический путь к метрическим мерам достоверности для эмуляций на уровне коннектома, приближающихся к коре млекопитающих.

В данной статье предлагается теоретическая основа для понимания интеллекта как процесса атомного сжатия и композиционного повторного использования. Мы утверждаем, что когнитивные, биологические, вычислительные и организационные системы достигают масштабируемого интеллекта, разбивая сложные явления на повторно используемые атомные единицы, которые могут быть переработаны в структуры более высокого порядка. Основываясь на доказательствах из когнитивной науки, теории информации, эволюционной биологии, программной инженерии, медицины, юридического мышления, образования, музыки и искусственного интеллекта, статья разрабатывает концепцию атомных единиц как основополагающих слоев сжатия, которые поддерживают эффективность, переносимость, интерпретируемость и эволюционность. Центральный вклад заключается в Сжатии Вычислений, формальной структуре для сопоставления поверхностных представлений с атомными представлениями и описания того, как выгоды от сжатия накапливаются на уровнях абстракции. Мы вводим тезис каскада накопления, согласно которому каждый дополнительный уровень абстракции мультипликативно увеличивает представительную эффективность, а не просто добавляет накопительные экономии. В статье также утверждается, что современные системы ИИ часто функционируют на субоптимальных уровнях представления, полагаясь на обработку на уровне токенов или извлечение на уровне документов, а не на стабильных атомных структурах концептов. С этой точки зрения, большие языковые модели лучше всего понимать не как полные архитектуры знаний, а как динамические двигатели слияния, способные навигировать, последовательность и перерабатывать атомные единицы. Эта структура предоставляет основу для проектирования самоэволюционирующих систем знаний, которые могут открывать, уточнять и складывать новые примитивы с течением времени. Переформулировав интеллект как сжатие через композиционную абстракцию, статья предлагает единый взгляд на экспертизу, представление знаний, объяснимый ИИ и будущую архитектуру адаптивных интеллектуальных систем.