SpaCellAgent: Саморазвивающаяся многоагентная структура на основе LLM для анализа траекторий

Взаимосвязи структура-свойство являются основополагающими для биологии, химии и науки о материалах, где функция, реактивность и физический ответ возникают из пространственной, химической и периодической организации. Механистическое объяснение этих взаимосвязей требует интерпретации структурных доказательств с помощью научных принципов и физических ограничений, начиная с стереохимии и связи и заканчивая симметрией, энергиями и периодическим порядком. Однако применение искусственного интеллекта к этому процессу представляет собой общую задачу представления и логического вывода: модели должны сохранять информацию о структурах, характерную для области, и демонстрировать, как конкретные доказательства поддерживают предсказания в этих рамках. Здесь мы представляем SciReasoner, многомодальную научную модель, основанную на native структурной логике, охватывающую белки, небольшие молекулы и неорганические кристаллы. SciReasoner дискретизирует координаты, топологии и периодические связи в единый словарь, учитывающий структуру, рассматривая структурные токены как адресуемые единицы доказательства во время логического вывода. В контролируемом по гомологии прогнозировании систематики генов SciReasoner улучшает аннотацию клеточных компонентов для белков с низкой гомологией и сиротоподобных белков, увеличивая $F_{\max}$ с 0.42 до 0.55. В химии он увеличивает точность одностадийного ретросинтеза с 0.63 до 0.72, генерируя следы разрыва на уровне фрагментов и проверки предшественников. В науке о материалах его представления разделяют элементарные и композитные фазы и разрешают режимы с высоким и низким энергетическим зазором. По 86 тестовым задачам SciReasoner достигает лучших в своем классе результатов по 67 задачам. Двойная слепая экспертная оценка оценивала его логические следы как предпочтительные или хотя бы сопоставимые с таковыми у модели большого языка передового уровня в 98% случаев. Делая структуру проверяемым субстратом для логического вывода в рамках научных ограничений, SciReasoner связывает точное предсказание с интерпретируемым научным выводом.

Качественный анализ при микроскопии бактерий часто затруднен разнообразными морфологиями клеток, гетерогенностью популяции и необходимостью специализированной компьютерной экспертизы. Чтобы решить эти проблемы, представляется mAIcrobe — открытая платформа, которая расширяет доступ к современному анализу изображений бактерий, интегрируя набор моделей глубокого обучения. mAIcrobe включает несколько алгоритмов сегментации, таких как StarDist, CellPose и U-Net, наряду с комплексной морфологической профилизацией и адаптивным классификатором нейронной сети, все это в экосистеме napari. Эта единая платформа позволяет анализировать широкий спектр бактериальных видов, от сферических Staphylococcus aureus до палочковидных Escherichia coli, в различных микроскопических методах в одной среде. Биологическая полезность mAIcrobe демонстрируется через его применение к антибиотикофенотипированию в E. coli и выявлению дефектов клеточного цикла в мутантах DnaA S. aureus. Модульный дизайн, поддерживаемый Jupyter notebooks, облегчает разработку пользовательских моделей и расширяет возможности анализа изображений на основе искусственного интеллекта для широкой микробиологической аудитории. Основываясь на основании, установленном eHooke, mAIcrobe представляет собой значительный шаг вперед в автоматизированной и воспроизводимой микроскопии бактерий.

Диффузная крупноклеточная В-клеточная лимфома (DLBCL) является агрессивной формой неходжкинской лимфомы с высоким уровнем рецидивов. Молекулярная характеристика опухолей DLBCL привела к созданию нескольких алгоритмов иммуногистохимии для прогностической стратификации. Среди них классификатор Ханса широко используется для классификации DLBCL на подтипы, похожие на В-клетки гомерального центра (GCB), и не гомерального центра/активированные В-клетки (non-GCB/ABC). Классификатор Ханса в первую очередь оценивает экспрессию белков опухолевых маркеров, однако опухолевое микроокружение (TME) DLBCL включает множество иммунных и стромальных клеток, цитокинов и компонентов внеклеточного матрикса, которые способствуют росту опухоли, уклонению от иммунного ответа и частоте рецидивов. Хотя классификатор Ханса предоставляет практический метод для идентификации подтипов, включение информации о TME может улучшить стратификацию риска и дополнительно уточнить группы пациентов. Здесь мы представляем беспристрастный подход на основе глубокого обучения для извлечения значимых особенностей из TME опухолей DLBCL для автоматизированной обработки и анализа множества изображений когорты пациентов с DLBCL. Наш конвейер количественно описывает ряд характеристик, которые отражают клеточный состав образцов опухолей, морфологию и их пространственную организацию. Мы указываем на изменения в пропорциях нескольких клеточных популяций между опухолями GCB и ABC, включая увеличение пропорций иммунных клеток у ABC и их предпочитаемое взаимодействие с M2-макрофагами. Наш анализ предлагает глубокую характеристику подтипов DLBCL и является примером того, как наш конвейер может быть использован для детального количественного анализа опухоли и её подтипов.

Генетические регуляторные сети (ГРС) описывают направленные отношения между регуляторами и целевыми генами, определяя шаблоны экспрессии генов специфично для клеточных типов. Технологии многократного омного секвенирования одиночных клеток, такие как секвенирование РНК одиночных клеток (scRNA-seq) и секвенирование для оценки доступности хроматина одиночной клетки (scATAC-seq), позволяют высокоточно измерять экспрессию генов и регуляцию, специфичные для клеточных типов, как никогда ранее. Тем не менее, инструменты для вывода специфичных для клеточных типов ГРС и моделирования их динамики по-прежнему остаются редкостью. Для содействия выводу и анализу специфичных для клеточных типов ГРС в контекстах, таких как клеточное развитие или прогрессирование заболеваний, где структура и динамика клеточных линий важны, мы разработали рамочные структуру многофункционального обучения, называемую выводом сетей на базе одиночных клеток (scMTNI). ScMTNI и его сопутствующие инструменты анализа сетей предлагают комплексный пакет для определения специфичных для клеточных типов ГРС и изучения их динамики. Эта глава книги описывает инструмент scMTNI и демонстрирует его применение к существующему набору данных о многомодальной репрограммировании одиночных клеток для вывода специфичных для клеточных типов ГРС и выявления ключевых регуляторов переходов клеточной судьбы во время репрограммирования клеток.

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.

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.