Некортежевая модель потенциала для сознательного, предсознательного и подсознательного процессов

Происхождение импульсного излучения гамма-всплесков (ГВ, GRB) остается открытым вопросом. Модель внутренних ударов (МВУ) является одним из ведущих сценариев преобразования кинетической энергии релятивистских выбросов в гамма-лучи, однако её параметры еще не были полностью откалиброваны на основе наблюдаемых кривых света ГВ для воспроизведения их разнообразия. Мы принимаем машинное обучение как основу для оптимизации модели МВУ, сравнивая свойства симулированных и наблюдаемых кривых света из трех каталогов ГВ (Swift/BAT, Fermi/GBM, CGRO/BATSE). Предполагая зависимость скорости формирования ГВ от красного смещения, мы используем генетический алгоритм для минимизации функции потерь, основанной на шести независимых метриках, которые учитывают как средние значения, так и статистические распределения. Оптимизированная модель воспроизводит несколько ключевых наблюдательных свойств, включая средний временной профиль после пика, функцию автокорреляции и распределения длительности, отношения сигнал/шум, числа пиков, пикового потока и потока энергии. Мы также выводим ограничения на активность центрального двигателя: (i) количество выбрасываемых оболочек хорошо описывается обобщенным распределением Ципфа, аналогичным закону Гутенберга-Рихтера для землетрясений, и (ii) времена эмиссии оболочек в системе покоя следуют отрицательному экспоненциальному распределению, указывая на стохастический процесс с постоянной вероятностью выброса. Эта откалиброванная модель МВУ предоставляет физически обоснованную основу для интерпретации изменчивости ГВ и прогнозирования популяций ГВ, detectable в будущих миссиях.

Большинство потенциально обитаемых планет, обнаруженных на сегодняшний день, вероятно, довольно отличаются от Земли, например, они имеют больший радиус и массу, различающийся уровень вращения и спектр родительской звезды, отличающийся от Солнца. Поэтому первая обнаруженная внеземная жизнь, возможно, будет существовать в условиях, которые не встречаются на нашей планете. Это требует универсального подхода к моделированию биологии, который можно применить к многочисленным планетарным сценариям, опираясь на базовые знания о жизни на Земле, но не ограничиваясь ими. Здесь мы исследуем универсальную модель микробной клетки, чья метаболическая скорость определяется термодинамикой и диффузией субстрата через клеточную мембрану. Мы моделируем биосферу с одним видом, состоящим из метанопродуцирующих микробов, и определяем, как изменение размера клетки, скорости клеточной гибели и затрат на синтез биомассы влияют на биосигнатуру на планете - в данном случае метан. Мы обсуждаем подходы к предсказанию верхних оценок для изобилия газов-биосигнатур и применимость модели к другим метаболизмам. Этот инструмент пополняет массив работ, стремящихся справиться со сложностью потенциальных внеземных биосфер.

Продуктивность антител и качество гликозилирования в культурах CHO возникают из динамически меняющейся метаболической среды, однако модели часто работают в изоляции или на одном уровне. В данной работе мы представляем мультимасштабную механистическую модель, связывающую молекулярный, клеточный и процессный уровни, для предсказания того, как входные параметры формируют траектории биопроцессов. Основой модели является кинетическая модель на уровне одной клетки, которая связывает метаболические и гликозилирующие сети, управляющие выходом и критическими качественными характеристиками (CQA). Стохастическая модель одной клетки описывает зависящие от окружающей среды переходы между ростом, производством и упадком, учитывая гетерогенность популяции. Мы также вводим накопительное изменение скорости поглощения кислорода, интегрируя общее метаболическое изменение со временем, как компактный биомаркер для предсказания метаболических изменений. В отличие от подходов, основанных на среднем по популяции, модель передает метаболические состояния с разрешением на уровень клеток (включая pH Гольджи, регулируемое аммиаком, доступность нуклеотидных сахаров, марганцевые кофакторы и скорость синтеза) в процесс гликозилирования. Модель была оценена на культурах CHO-K1, производящих VRC01 IgG1 при целевом стрессе от аммиака, в условиях контроля и с использованием стратегии пирамидальной подачи с более строгим контролем. Она точно предсказывает траектории плотности клеток, метаболитов, продуктивности и гликозилирования, включая увеличение G0F и снижение галактилирования при стрессе от аммиака, и количественно оценивает, как метаболическая гетерогенность влияет на изменчивость продуктивности и CQA. Эта работа предоставляет единое основание для предсказательной биопроизводства и продвинутого управления процессами.

Современные вычислительные подходы к дизайну лекарств обычно сосредоточены на генерации молекул, основанных на определенных мишенях или общих молекулярных свойствах, часто забывая о влиянии контекста болезни на поведение мишеней и терапевтические результаты. Чтобы устранить этот недостаток, мы представляем DrugGen-2, новую генеративную модель, которая разрабатывает маломолекулярные соединения с учетом как онтологии болезни, так и последовательностей целевых белков. DrugGen-2 была разработана путем дообучения предобученной модели GPT-2 на курированном наборе данных одобренных лекарств, связанных с их заболеваниями и мишенями, с использованием двухступенчатой стратегии, которая включает контролируемое дообучение, за которым следует обучение с подкреплением через оптимизацию групповой относительной политики (GRPO). Этот процесс был направлен функциями вознаграждения, которые оптимизировали химическую валидность, новизну, разнообразие и высокую предсказанную связующую аффинность. При оценке на пяти белковых мишенях, связанных с диабетической нефропатией, DrugGen-2 значительно превзошла базовые модели (DrugGPT и DrugGen). Она продемонстрировала превосходные способности генерировать уникальные молекулы, показала большую структурную схожесть с одобренными лекарствами и достигла улучшенной предсказанной связующей аффинности для всех целевых объектов. Анализы молекулярного докинга дополнительно подтвердили эти выводы, выявив кандидатов-лигандов с сильным связывающим потенциалом, включая соединения с предсказанными аффинностями (-9.917, -9.485 и -9.367), которые превышают таковые дляReference drugs, таких как эналаприл, для ангиотензин-превращающего фермента (-8.283). Интегрируя специфический для болезни контекст в генерацию молекул, DrugGen-2 продвигает вспомогательное основанное на ИИ открытие лекарств, предлагая мощный инструмент для нового дизайна и перепрофилирования лекарств с учетом сложного взаимодействия между заболеваниями и молекулярными мишенями.

В данной статье предлагается игровая модель, позволяющая рассматривать любопытство как экосистему. Прежде всего, предполагается, что политике запроса одного агента (как, когда и почему агент задает вопрос) сопутствуют факторы, такие как ценность немедленного уменьшения неопределенности, затраты, отсроченные результаты и ценность сохранения вопроса открытым. Ключевым понятием в данной модели является то, что значения этих связанных с принятием решения параметров могут изменяться в зависимости от опыта. Например, период дешевых, быстро отвечаемых вопросов может изменить стоимость запроса на коротком временном интервале и повлиять на то, к каким вопросам агент будет стремиться ответить в более долгосрочной перспективе. Во-вторых, эти идеи распространяются на множество агентов, исследующих общую область знаний, и в этой модели отслеживаются объем запросов, разнообразие тем, направленность на передний край, избыточность и возможность повторного использования знаний. В результате получается концептуальная игровая модель для изучения экологии любопытства и для будущих усилий по проектированию многократных агентных систем ИИ для открытия. Она служит сопутствующей статьей к работе, которая в настоящее время находится на рецензии в журнале Trends in Neurosciences.

Проектирование белковых последовательностей, которые связывают специфические лиганды, выигрывает от модели обратного сворачивания, основанной на полной геометрии лиганда. Мы представляем UMA-Inverse, которая заменяет разреженную графовую основу LigandMPNN на плотный кодировщик парного представления: шесть блоков PairMixer (умножение треугольников, без самовнимания треугольника или отслеживания последовательности) уточняют все пары остатков-остатков и остатки-атомы лиганда, под контролем вспомогательной цели дистограммы, а авторегрессионный декодер обращает внимание на атомы лиганда через обученное, позиционно-специфическое считывание парного тензора. Модель компактна (~3.3 млн параметров). На тестовых подвыборках LigandMPNN она достигает 56.1%/55.1%/35.3% восстановления интерфейса (маломолекулярный/металлический/нуклеотидный). Она уступает LigandMPNN, но не так сильно, как это предполагают опубликованные данные: повторный запуск по нашему идентичному протоколу дает LigandMPNN баллы 59.8/64.4/53.3 (по сравнению с опубликованными 63.3/77.5/50.5). В условиях фиксированного кармана переработанные конструкции уверенно сворачиваются и способны связываться с лигандом при совместном сворачивании Boltz-2, снова немного уступая LigandMPNN. Ее отличительной чертой является представительная способность: плотный кодировщик передает идентичность лиганда на остатки далеко за пределами интерфейса, где сигнал LigandMPNN затухает. Мы предлагаем UMA-Inverse в качестве компактной базовой модели для обратного сворачивания, реагирующего на лиганд, которая уступает LigandMPNN в точности, вместе с характеристикой того, как плотный кодировщик всех пар распространяет информацию о лигандe.