OCOO-T: Modelo Celular Virtual para Predicción de Respuestas Transcripcionales
OCOO-T: modelo de célula virtual minimalista que predice respuestas transcripcionales a perturbaciones con alta precisión y escalabilidad.
#transcriptómica
scLLM-DSC: Clustering multimodal con LLM para ARN-seq unicelular
scLLM-DSC: un novedoso marco de clustering multimodal que aprovecha grandes modelos de lenguaje para mejorar la precisión en el análisis de células individuales.
Agentes de IA aumentados con habilidades para análisis de investigación médica
Descubre cómo los agentes de IA con habilidades especializadas mejoran la calidad en análisis de biomarcadores de cáncer de pulmón. Resultados prometedores de una evaluación humana exploratoria.
Leyes de escalado para transformers de reconstrucción enmascarada en células únicas
Primer estudio de leyes de escalado en transformers para transcriptómica unicelular. Con datos suficientes, el rendimiento sigue una ley de potencia. Ideal para modelos fundacionales.
scTransformer: atención de Transformer guiada por regulación genética
scTransformer: integra regulación genética en Transformers para análisis scRNA-seq interpretable. Mejora clasificación celular.
SNR-ST-Mix: Aumento de datos para transcriptómica espacial
SNR-ST-Mix mejora la imputación en transcriptómica espacial con aumentos basados en vecinos espaciales y similitud de expresión, sin aumentar la complejidad del modelo.
Predictores simples de perturbaciones transcriptómicas con grafos y LLMs
Los grafos de conocimiento y LLMs con RL logran predecir perturbaciones transcriptómicas con alta precisión, superando a métodos complejos. Descubre cómo.
Modelado generativo espacial de programas transcriptómicos en neurodegeneración
Descubre como un modelo de IA generativa espacial predice la vulnerabilidad cerebral en Alzheimer con un 86% de precisión. Revolución en neurociencia.
HEIST: modelo fundacional de grafos para datos espaciales de transcriptómica y proteómica
HEIST: modelo fundacional de grafos para transcriptómica y proteómica espacial. Aprende cómo analiza tejidos con grafos jerárquicos y logra predicciones clínicas de vanguardia.
BRAINCELL-AID: Un sistema de IA multiagente para anotación de células cerebrales
Descubre cómo BRAINCELL-AID usa IA multiagente y RAG para anotar tipos de células cerebrales con alta precisión, facilitando la investigación en neurociencia.
YOTO: selección diferenciable de subconjuntos para datos ómicos
Descubre cómo YOTO selecciona subconjuntos óptimos de genes con un solo entrenamiento, mejorando la predicción y la interpretabilidad en datos ómicos.
Transcriptómica espacial como imágenes para preentrenamiento a gran escala
Descubre cómo tratar la transcriptómica espacial como imágenes permite preentrenar modelos masivos, mejorando el rendimiento en estudios clínicos y patológicos.
Alineación con transcriptómica espacial mejora perfiles moleculares en patología
Descubre cómo STAMP alinea transcriptómica espacial con modelos de patología para mejorar el perfil molecular tumoral sin análisis genómicos costosos.
Screening rápido para resultados y predictores de alta dimensión
Nuevo enfoque de screening rápido para datos multimodales: GIDS reduce dimensiones y revela interacciones biológicas clave en Alzheimer.
Transformadores multi-ómicos guiados por prior para redes reguladoras de genes
EpiAwareNet emplea transformadores multi-ómicos y prior biológico para inferir redes reguladoras de genes en célula única, logrando mayor precisión y relevancia biológica.
Chem-PerturBridge: compendio de efectos transcriptómicos de moléculas pequeñas
Descubre Chem-PerturBridge, un recurso que unifica más de 37,000 compuestos y 1.25M muestras transcriptómicas para impulsar modelos de IA en descubrimiento de fármacos.
Aprendizaje de representaciones biológicas enmascarando expresión génica
Descubre cómo TxFM, un modelo de autoaprendizaje por enmascaramiento, logra representaciones genómicas de alta fidelidad superando a modelos masivos.
ScaleMAP: Preserva densidad local y estructura de vecindario en embeddings
ScaleMAP preserva densidad local y estructuras de vecindario que UMAP pierde. Ideal para transcriptómica y citometría de flujo.