Оптимальный выбор фотостимуляции для итеративных карт активности

Мы представляем выбор энергии Гамильтона с переходом интерфейса (HRETIS) — рамочную структуру для выборки путей, предназначенную для эффективного выбора редких событий в системах со сложными потенциальными ландшафтами. HRETIS вводит вспомогательный потенциал в рамках схемы обмена Гамильтоном, что усиливает исследование пространства путей, когда основной потенциал не подходит для традиционных подходов к выборке путей. Это особенно выгодно для систем, демонстрирующих множественные пути, разделенные ортогональными барьерами, например, при (не)связывании лекарств, где стандартные алгоритмы часто показывают медленную сходимость, поскольку они застревают в определенных путях. Обмениваясь Гамильтонами между ансамблями путей, HRETIS преодолевает эти ограничения и увеличивает декорреляцию между последующими путями в цепочке Монте-Карло. Мы демонстрируем, что HRETIS обеспечивает надежную и точную кинетику в нескольких системах, включая грубосеточные симуляции проницаемости аминокислот через мембрану дипальмитоилфосфатидилхолина (DPPC). Более того, HRETIS, как выясняется, улучшает эффективность выборки и сходимость, иллюстрируя свой потенциал как мощного инструмента для выборки редких событий в сложных молекулярных системах.

Рамкришна, Компала и Цао предложили кибернетическую модель микробного роста, в которой клетки распределяют ресурсы синтеза ферментов в соответствии с правилом соответствия, имитирующим рациональное принятие решений. Позже было показано, что это правило является оптимальным при общих предположениях о лежащей в его основе структуре доходности, однако конкретная цель, которую максимизирует клетка, и ограничения, определяющие этот выбор, никогда не были записаны как явное экономическое решение. Здесь мы предоставляем это отсутствующее решение, пересматривая управление синтезом ферментов как проблему потребительского выбора из микроэкономической теории: клетка выделяет ограниченный бюджет протеома между конкурентирующими катаболическими ферментами как линейную программу (ЛП), максимизируя линейную утилиту роста при условии линейного ограничения бюджета протеома. Поскольку утилита линейна, решение ЛП является геометрическим: всякий раз, когда наклон изо-утилитной линии отличается от наклона бюджетного ограничения, оптимум оказывается в углу, и весь бюджет протеома распределяется на фермент для одного наилучшего субстрата. Угловые решения соответствуют диауксному росту, а последовательное потребление субстрата вытекает из выбора угла, а не из отдельного регуляторного механизма. Только когда наклоны двух линий совпадают, оптимум распределяется по всей линии бюджета, а не сосредоточивается в одном углу; этот редукционный случай лежит в основе одновременного использования субстратов. Используя только параметры, оцененные независимо от экспериментов с одним субстратом, кибернетические переменные, полученные из ЛП, воспроизвели диауксный и триауксный рост партии Klebsiella oxytoca на смесях глюкозы-иксирозы и глюкозы-иксирозы-лактозы, достигая точности, сопоставимой с классическим законом соответствия. Таким образом, последовательное использование субстратов является обобщенным результатом специализации, нацеленной на максимизацию роста при идеальной заменяемости, а совместное использование является редукционным случаем равной прибыльности.

Картографические модели обработки информации (IPPM) предлагают масштабируемую основу для формализации сложной последовательности математических преобразований, применяемых к сенсорным стимулам. Эти карты отображают задержку и кортикальное выражение вычислительных шагов, полагаясь на статистическое выведение для связи выходных данных модели с наблюдаемой нейронной активностью. Традиционно это картографирование основывалось на частотном тестировании гипотез. Тем не менее, определение того, какая из нескольких конкурирующих вычислительных моделей лучше всего объясняет нейронные данные, является задачей судебного разбирательства модели, которая, вероятно, лучше подходит для вероятностного вывода. Здесь мы представляем прямое сравнение между установленным частотным подходом и новым байесовским подходом для картирования кортикального энтрайнмента. Хотя байесовская формулировка сохраняет основную силу IPPM — генерация явных предсказаний временно изменяющихся нейронных сигналов — она кардинально изменяет критерий выбора, переходя от отвергания нулевой гипотезы к количественной оценке относительных доказательств конкурирующих вычислительных гипотез. Мы оцениваем производительность и интерпретируемость обоих подходов, используя набор данных аудионейровизуализации для реконструкции известного пути обработки громкости. Мы обсуждаем последствия этого сдвига для системной нейронауки, в частности, касательно обработки коллинеарных моделей и надежного накопления доказательств.

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.

Эпителий кишечника, в основном состоящий из энтероцитов (ECs), интегрирует сигналы питания для регулирования активности кишечных стволовых клеток (ISCs) и поддержания гомеостаза кишечника. Однако основные механизмы остаются не до конца понятными. В данном исследовании мы демонстрируем функции ключевых сенсоров питательных веществ Rag GTPases и mTORC1 в активности ISCs у Drosophila. Ингибирование Rag GTPases в ECs приводит к активации Mitf, что, в свою очередь, индуцирует экспрессию Upd3 и временно увеличивает пролиферацию и дифференцировку ISCs, активируя путь JAK-STAT. Неактивация mTORC1 в ECs также активирует ось Upd3-JAK-STAT и увеличивает активность ISCs, но через механизм, независимый от Mitf. Более того, в отличие от неактивации mTORC1, которая блокирует пролиферацию и дифференцировку ISCs, истощение Rag GTPases в ISCs не демонстрирует явного клеточно-автономного воздействия на активность ISCs. В соответствии с ингибированием пути ответа на питательные вещества в ECs, способствующим пролиферации ISCs, длительное голодание увеличивает активность ISCs и экспрессию Upd3. Таким образом, наши результаты раскрывают сетевую регуляцию, чувствительную к питательным веществам, контролирующую пролиферацию ISCs, включая ось Rag GTPases-Mitf и активность mTORC1.

Динамический оптимальный транспорт объединяет оптимальный транспорт, механику жидкостей и теорию градиентного течения в рамках непрерывной динамики, предлагая язык, учитывающий геометрию, для применения в физике, биологии и машинном обучении. Однако традиционные формулировки рассматривают его как задачу ограниченной оптимизации, которая должна явно удовлетворять уравнению сохранения массы, что затрудняет реконструкцию базовой динамики напрямую из данных. Мы предлагаем энергетический вариационный метод для динамического оптимального транспорта (EVMDOT), который реформулирует проблему в рамках энергетической вариационной теории, сочетая карту потока, принцип наименьшего действия и принцип максимальной диссипации. Карта потока преобразует ограниченную задачу в неограниченную, автоматически обеспечивая выполнение уравнения сохранения массы, в то время как баланс между консервативными и диссипативными силами определяет поле скоростей. Примененный к уравнению Фоккера-Планка, EVMDOT восстанавливает как энергетический ландшафт, так и ландшафт Уаддингтона напрямую из временных данными о плотности. В ходе численных экспериментов мы выяснили, что EVMDOT достигает внутреннего баланса между количеством и качеством данных: достаточное количество данных компенсирует ограниченное качество данных, что делает реконструкцию устойчивой к выбору окна наблюдения. Мы также применили EVMDOT к набору данных Инициативы нейровизуализации болезни Альцгеймера (ADNI) для вывода потенциального ландшафта амилоидного бета и тау, выявляя два минимума, соответствующих когнитивно нормальному состоянию и стадии болезни Альцгеймера, а также переходный путь между ними.