ANGLE: Угловое нейронное генеративное обучение через регрессию

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.

Статистическое обучение является важным для того, чтобы индивидуумы могли обнаруживать структуры в сенсорной среде, особенно во время общения через речь или музыку. Индивидуальные различия в способностях статистического обучения были предложены для объяснения различий в различных когнитивных функциях и их развитии, включая развивающиеся расстройства такие, как дислексия. В данном исследовании мы использовали иерархическую байесовскую модель статистического обучения (HBSL) для моделирования индивидуальных траекторий обучения, которые были зарегистрированы с помощью электроэнцефалограммы (ЭЭГ), в то время как взрослые с дислексией и без неё слушали структурированные тоновые последовательности. Хотя мы не обнаружили значительных различий между группами, наши результаты показали близкое соответствие между моделированием и реальными данными ЭЭГ, а новые последовательности, созданные на основе индивидуальных моделей, были очень похожи на оригинальную стимульную последовательность. Это предоставляет доказательство концепции для будущих исследований и предполагает, что модель HBSL точно отражала статистическую структуру последовательностей так же, как и человеческие слушатели.

Глубокое обучение в области компьютерного зрения для научных приложений требует сбора и аннотирования больших наборов данных в трудоемком, дорогом и подверженном ошибкам процессе. Генерация синтетических данных с помощью 3D-моделирования и рендеринга может упростить этот процесс и повысить точность аннотаций, генерируя их программно. Однако минимизация разрыва между реальными и синтетическими изображениями визуально является субъективной и не имеет систематических количественных критериев. Мы представляем GraNatPy, пакет для Python с метриками, помогающими улучшить рендеринг сцены. Мы показываем, что количественное увеличение реалистичности, разнообразия и размера созданного набора данных коррелирует с улучшением визуального восприятия сцены и более высоким качеством нулевого отслеживания в модели обнаружения объектов. Более того, мы продемонстрировали на примере фотографий вирусологических анализов, что сходство градиентов влияет на эффективность обнаружения небольших объектов, что может быть улучшено смешиванием реальных и синтетических данных. Наконец, мы превращаем процедурный рендеринг данных в агентную технологию (SynthClaw) для автоматизации оптимизации процедурных параметров.

Многие биологические процессы управляются сложными динамическими механизмами, которые остаются недостаточно понятными, несмотря на растущий объем экспериментальных данных. Нейронные сети, учитывающие биологические аспекты (BINNs), стремятся решить эту проблему, внедряя механистические дифференциальные уравнения в обучение нейронной сети, что позволяет восстанавливать интерпретируемые конститутивные операторы непосредственно из разреженных и зашумленных наблюдений. Однако надежное восстановление операторов чувствительно к архитектуре сети, стратегии оптимизации и информативности данных. В настоящей работе мы представляем систематическое эмпирическое исследование того, как эти факторы влияют на механистическую интерпретацию с использованием BINNs, примененных к каноническим моделям одномерного адекватно-диффузионно-реакционного уравнения вpartial differential equations. В рамках набора контрольных задач мы исследуем, как выразительность сети, скорость обучения, вес потерь и размер пакета влияют на поведение оптимизации и восстановление операторов. Мы показываем, что успешная механистическая интерпретация зависит от баланса competing objectives, а не от максимизации какого-либо единственного аспекта модели или оптимизации. Умеренно выразительные архитектуры превосходят чрезмерно сложные нейронные сети, промежуточные скорости обучения улучшают стабильность оптимизации, сбалансированные данные и потери PDE являются необходимыми для точного восстановления операторов, а промежуточные размеры пакетов обеспечивают наилучший компромисс между вычислительной эффективностью и воспроизводимостью. Мы также определяем практические диагностические методы для распознавания распространенных способов отказа, включая переобучение, нестабильную оптимизацию и плохое механистическое восстановление, когда истинные данные недоступны. Все эти результаты предоставляют обоснованные рекомендации для применения BINNs в качестве надежных инструментов для открытия биологических моделей.

Мужское бесплодие значительно увеличивает глобальную проблему бесплодия, а анализ спермы остается центральным элементом для диагностики, планирования лечения и вспомогательных репродуктивных технологий. Однако традиционная оценка семенной жидкости трудоемка, зависит от оператора и ограничена вариативностью между и внутри наблюдателей, что побуждает к разработке объективных и воспроизводимых вычислительных подходов. Этот обзор представляет собой всесторонний и перспективный синтез анализа спермы с использованием искусственного интеллекта, с акцентом на компьютерное зрение, глубокое обучение, многомодальную интеграцию, надежность и клинический перевод. Сначала мы рассматриваем специальные методы для обнаружения и подсчета сперматозоидов, оценки подвижности на основе отслеживания, семантической и экземплярной сегментации, классификации морфологии и дефектов, функциональной оценки и оценки генетической целостности. Затем мы подводим итоги открытых наборов данных, эталонов, метрик оценки и возникающих многомодальных стратегий, которые интегрируют микроскопические изображения, временные видеозаписи, параметры, полученные из CASA, тесты на целостность ДНК и клинические метаданные. Помимо алгоритмической эффективности, мы обсуждаем ключевые препятствия для внедрения в реальный мир, включая дефицит данных, межцентровый сдвиг домена, непоследовательность аннотаций, интерпретируемость, калибровку неопределенности, сохранение конфиденциальности данных и интеграцию в рабочие процессы. Наконец, мы очерчиваем поэтапный дорожный план клинического перевода, охватывающий техническую стандартизацию, многогранную ретроспективную валидацию, молчаливую перспективную оценку, клиническое тестирование с участием человека, валидацию результатов ВРТ, получение регуляторного одобрения и мониторинг после выхода на рынок. Упорядочивая область от задач визуального распознавания до надежного многомодального репродуктивного интеллекта, этот обзор подчеркивает как достижения, так и неразрешенные проблемы, необходимые для перевода анализа спермы с помощью ИИ в клинически значимую поддержку решений.

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.