Понимание самоорганизации через кворм-сенсоринг: кластеризация и упорядочение частиц с дефектами

Использование крупных языковых моделей (LLM) для молекул в качестве единой платформы для понимания молекулярных структур и функций становится новой тенденцией в таких задачах, как молекулярный дизайн и открытие лекарств. Тем не менее, эти модели не способны в полной мере отражать визуальное представление молекулярных структур, что ограничивает их потенциал. Хотя существующие молекулярные модели визуального языка (VLM) показывают обнадеживающие результаты, они по-прежнему сталкиваются с проблемами структурной подгонки и недостатком необходимого топологического моделирования для точного понимания молекул. Чтобы решить эту проблему, мы предлагаем MolSight — платформу модели визуального языка, учитывающую графы, предназначенную для повышения понимания молекулярных изображений с помощью VLM. MolSight интегрирует Модуль молекулярной топологии, чтобы внедрить информацию о соседстве химических связей в визуальные токены, и Модуль молекулярного сопоставления для согласования визуальных особенностей с химической символикой семантики. Наши эксперименты показывают, что MolSight значительно превосходит существующие VLM, молекулярные LLM и специализированные инструменты по множеству задач понимания химических изображений, достигая нового уровня рассуждений о молекулярных изображениях.

Является основным зоонозным патогеном, вызывающим у людей фульминантный менингит и синдром, подобный стрептококковому токсическому шоку (STSLS). Последний обусловлен дисрегулированными воспалительными реакциями и взрывными цитокиновыми штормами. Остается неясным, действует ли PANoptosis как согласованная защитная реакция хозяина или же служит вредным фактором, провоцирующим цитокиновый шторм во время бактериальной инфекции. В данном исследовании мы выявляем аутофагию как верховного организатора PANoptosis во время зоонозной инфекции, переопределяя STSLS как болезнь, управляемую интегрированной программой клеточной смерти PANoptosis, а не параллельной активацией отдельных путей смерти. Механистически инфекция активирует метаболический путь iNOS/NO-Bcl-2-ауттофагия, который, в свою очередь, устанавливает PANoptosis в качестве доминирующего драйвера цитокинового шторма и повреждения хозяина. Нокаут iNOS, осуществленный с помощью CRISPR/Cas9 in vitro, вместе с ингибированием iNOS/NO с использованием селективного ингибитора 1400 W, заметно подавляет индуцированную аутофагией PANoptosis, ослабляет цитокиновые штормы и защищает мышей от летального STSLS, тем самым устанавливая PANoptosis как центральный драйвер повреждения хозяина в патологии STSLS. В этом исследовании мы раскрываем аутофагию как ранее нераспознанный верховный регулятор PANoptosis и выделяем путь iNOS/NO-ауттофагия как ключевую точку для PANoptosis и разумную мишень для терапии, направленной на хозяина, в случае STSLS.

Гипероднородные системы, определяемые аномальным подавлением крупномасштабных флуктуаций плотности, являются парадигмой неравновесной самоорганизации. Хотя механизмы, лежащие в основе самоорганизации гипероднородных состояний, были широко изучены, энергетика этого процесса остается неизученной. Это поднимает фундаментальный вопрос: какова энергетическая стоимость самоорганизации гипероднородной системы? В нашей работе мы рассматриваем этот вопрос на нескольких системах с шариками, подверженных шуму, взятых из области мягких материалов и машинного обучения, в которых гипероднородность может быть вызвана настройкой корреляций шума. Несмотря на их различные микроскопические динамики, мы выявляем универсальное поведение во всех системах: гипероднородные состояния являются максимально необратимыми, что количественно определяется скоростью производства энтропии. Кроме того, мы разрабатываем формулировку интеграла по траектории для скорости производства энтропии, основанную непосредственно на микроскопической динамике, что объясняет наши наблюдения. Наша работа устанавливает прямую связь между возникающей длинноRange структурой и временной необратимостью и открывает новый путь к исследованию энергетических затрат гипероднородной самоорганизации, которая повсеместно встречается в физике, биологии и материаловедении.

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.

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.

Современные модели "визуального языка" (VLMs) часто испытывают трудности с выполнением сложных визуальных задач, которые требуют последовательного и детализированного мышления. Недавние методы нацелены на обучение моделей, способствующих саморефлексии, то есть пересмотру и улучшению сгенерированного рассуждения. Однако они требуют больших объемов аннотированных данных и не обладают явным рефлексивным поведением во время тестирования. Эта работа направлена на устранение этого разрыва через вдохновение из нейробиологии. Человеческий мозг демонстрирует эффективное обратное предсказание, то есть предсказание того, какие текущие состояния вероятны для предшествования данному будущему состоянию. В этой работе мы сначала подтверждаем, что основные VLMs могут выполнять обратное предсказание, аналогично человеческому мозгу. Затем мы предлагаем "Вдохновленное мозгом несупервизированное саморефлексия" (BUS), бесконечную рамку для обучения, чтобы улучшить возможности рефлексивного мышления в сложном анализе изображений. BUS позволяет VLMs выполнять обратное предсказание и предоставляет явные сигналы обучения на данных без истинных меток. Тем самым, BUS устраняет зависимость от аннотированных данных, улучшая при этом производительность рассуждений. Заметим, что BUS совместим с популярными методами тонкой настройки, такими как супервизированная тонкая настройка (SFT) и обучение с подкреплением (RL). Наконец, обширные эксперименты на 8 бенчмарках демонстрируют эффективность BUS в широком диапазоне сложных визуальных задач. Она достигает значительных улучшений по сравнению с базовой моделью, используя только необработанные данные для обучения. Наши экспериментальные данные подтверждают, что способность к обратному предсказанию имеет решающее значение для рассуждений VLM.