物理学
Physics
加速器物理
Accelerator Physics
应用物理学
Applied Physics
大气与海洋物理学
Atmospheric and Oceanic Physics
蛋白质结构测定长期以来一直是结构生物学的主要挑战之一,深度学习(ML)方法越来越多地被应用。 然而,这些ML模型通常不直接包含实验测量,例如X射线晶体衍射数据。 为此,我们探索了一种更紧密地诠释这些传统晶体学和最近基于ML的方法的方法,通过训练混合3D视觉变压器和卷积网络对这两个领域的输入。 我们使用两个不同的输入结构/Patterson地图,这些图可以直接从晶体学数据中获得,以及从AlphaFold蛋白结构数据库中沉积的预测结构中导出的“部分结构”模板图,随后省略了残留物。 通过这些,我们预测电子密度图,然后通过标准的晶体学精细化过程后处理成原子模型。 介绍从蛋白质数据库条目中提取的小蛋白质片段的初始数据集并将其放置在假设的晶体设置中,我们证明我们的方法在改善晶体结构因子的相位和完成部分结构模板中缺失的区域以及改善电子密度图与地面真理原子结构的一致方面是有效的。
内皮(IT)注射是将药物输送到大脑绕过血脑屏障的有效方法。 为了评估和优化IT药物递送,有必要了解中枢神经系统(CNS)中的脑脊液(CSF)动力学。 与实验测量相结合,计算建模在重建CNS中的CSF流中起着重要作用。 现有模型为CSF动力学提供了有价值的见解;然而,大多数人忽略了组织力学的影响,专注于部分几何形状,或在特定条件下依赖测量的CSF流速,使不同生理状态的全CNS CSF流场预测未得到充分探索。 在这里,我们提出了一个全面的CNS多物理物理计算模型,具有三个关键特征:(1)它完全封闭地在CNS的完全封闭的几何上实现;(2)它包括CSF和孔隙组织之间的相互作用以及兼容的脊柱杜拉母体;(3)它具有预测模拟的潜力,因为它只需要心脏血液脉动的数据进入大脑。 我们在生理条件下的模拟表明,我们的模型准确地重建了CSF脉动,并捕获了沿着脊柱下腔空间(SAS)的CSF流的颅骨衰减和相移。 当应用于IT药物递送的模拟时,我们的模型成功地捕获了注射过程中的颅内压力(ICP)升高和注射后的后续恢复。 拟议的多物理场模型提供了一个统一和可扩展的框架,允许对CSF流量动力学进行参数化研究并优化IT注入,作为整合其他生理机制的坚实基础。
注意力机制支撑着Transformer模型的计算能力,这些模型在不同领域取得了显着的成功。 然而,理解和扩展自我关注的基本原则仍然是推进人工智能的关键挑战。 从生物注意力的多尺度动力学和动力学系统理论中汲取灵感,我们引入了分形神经注意力(FNA),这是一个有原则的,神经科学启发的多尺度信息处理框架。 FNA模型通过由分数拉普拉西亚(Lévy)拉普拉西亚(Lévy)扩散(Lévy diffusion)进行代币交互,本质上实现了跨多个尺度的短期和长期依赖。 这种机制产生更大的表现力和更快的信息混合,提高了变形金刚的基础容量。 从理论上讲,我们表明FNA的动力学受分数扩散方程的支配,由此产生的注意力网络表现出更大的光谱间隙和更短的路径长度 - 增强计算效率的机械性特征。 在经验上,FNA即使使用单层和单头也能实现具有竞争力的文本分类性能;它还提高了图像处理和神经机器翻译的性能。 最后,来自几何谐波的扩散图算法实现了FNA权重的维度降低,同时保持嵌入和隐藏状态的内在结构。 这些结果共同建立了FNA作为连接自我注意力,随机动力学和几何学的原理机制,为强大的神经科学启发的人工智能提供了可解释的生物学基础。
神经紊乱的早期诊断和非侵入性监测需要对难以捉摸的细胞水平变化敏感,这些改变比医学成像方式的毫米分辨率可观察到的体积变化要早得多。 轴突的形态变化,如轴突变异或珠子,在神经系统疾病,以及发育和老化中观察到。 在这里,我们揭示了时间依赖性扩散MRI(dMRI)对微米尺度上结构无序轴突形态的敏感性。 散射理论揭示了决定水沿轴突扩散动力学的两个参数:平均对等截面和长距离横截面波动的方差。 这一理论发展使我们能够预测对数以万计轴突改变敏感的dMRI指标,而不是几个月的创伤性脑损伤大鼠模型中的模拟,并用体外dMRI得到证实。 我们的方法弥合了微米和毫米分辨率之间的差距,提供了适用于广泛神经系统疾病的定量和客观生物标志物。
生物膜是一种独立的细菌群落,它使用称为自导体(AIs)的信号分子,通过法定人数传感过程协调反应。 生物膜具有双重作用,既能对抗抗菌素耐药(AMR),又利用其在生物加工中的潜力,因为它们的产品具有商业潜力。 以前的工作已经证明了一些生物膜中独特的各向异性通道几何如何影响AIs的传播。 本文中,将2D各向异生物膜通道模型扩展为时间变化通道(TVC),以表示水通道发展时成熟阶段的扩散动力学。 由于成熟与各向异性的发展有关,时间变化模型捕获了从各向异性扩散到各向异性扩散的转变。 基于粒子的模拟结果说明了 TVC 是如何结合各向异性和各向异性扩散的传播特征的混合场景的。 这种混合行为与生物膜成熟度相一致。 TVC的进一步研究包括对相互信息(MI)的表征,该特征表明,增加的AI计数,减少的发射器 - 接收器距离,更大程度的各向异性,以及更短的符号间干扰长度增加了MI。 最后,简短的尺寸分析演示了各向异通道结果对较大生物膜和时间尺度的可扩展性。
在本方法文章中,我们提供了一个基于玻尔兹曼机器学习的灵活但易于使用的Direct Coupling Analysis(DCA)实现,以及如何使用它的教程。 该软件包以不同的编程语言(C++,Julia,Python)提供,可用于使用通用前端接口的不同架构(单核和多核CPU,GPU)。 除了针对密集和稀疏生成式DCA模型的几种学习协议外,它还可以直接解决常见的下游任务,如残留物接触预测,突变效应预测,序列库的评分和序列设计的人工序列生成。 它很容易适用于蛋白质和RNA序列数据。
尽管它们经常被认为是静态和缓慢的自然,但有些植物的移动速度比眨眼的时间要快。 金星飞渍(Dionaea muscipula)的快速快速关闭运动长期以来一直吸引着研究人员和工程师的兴趣,成为植物启发的软机器和机器人的典范。 快速抢购闭合的翻译激发了各种人造金星飞陷阱(AVF)系统的发展。 然而,将D. muscipula的关闭和重新开放运动转化为自主工厂启发的软机器尚未实现。 在这项研究中,我们展示了一种自动自动关闭和重新开放的AVF,利用新型热响应UV固化形状记忆材料用于软机器人系统。 真人大小的热响应AVF在自然发生的温度范围内表现出关闭和重新开放的运动。 由形状记忆聚合物构建的双曲形陷阱叶,接近38C,而重新开放启动约45C,使用形状记忆弹性体条作为对抗性执行器,以促进叶重新打开。 这项工作代表了在AVF中首次演示热响应关闭和重新打开,并针对温度升高进行编程顺序运动。 这种方法标志着自主双向移动软机器/机器人的下一步。
生物回路是一种神经或生化级联,取输入并产生输出。 生物回路如何学会解决生命历史的环境挑战? 答案肯定遵循了Dobzhansky的名言:“除了进化之外,生物学中没有任何东西是有意义的。 但这句话遗漏了自然选择试错学习发生的机械基础,这正是我们必须理解的。 设计生物电路的学习过程如何实际工作? 我们可以通过研究制造这些电路的过程来获得多少关于生物电路的形式和功能的见解? 因为生命的电路必须经常解决与机器学习所面临的问题相同的问题,例如环境跟踪,稳态控制,尺寸减小或分类,我们可以首先考虑机器学习如何设计计算电路来解决问题。 然后我们可以问:这些计算电路对生物电路的设计提供了多少见解? 生物学与它用来解决问题的特定电路设计中的计算机有多大不同? 本文通过两个经典的机器学习模型,为分析有关生物电路设计的广泛问题奠定了基础。 一个洞见是随机连接网络的惊人力量。 另一个是嵌入在生物电路中的环境内部模型的核心作用,通过尺寸减小和趋势预测模型来说明。 总的来说,生物学中的许多挑战都有机器学习类似物,这表明了生物学电路的设计。
章鱼手臂的陈规定型运动引起了越来越多的关注,因为它有效地控制了一个高度变形的身体。 以前的研究表明,它的特征弯曲传播可能与鞭子的动力学有共同的基本原则。 这项工作调查了水中的鞭子状被动动力学是否可以重现在生物到达中观察到的运动特征及其相似性和差异性。 在水和空气中进行了基于平台的鞭打测试,同时系统地改变材料刚度和行驶速度。 基于图像的量化显示,以150 rpm(运动速度)驱动的Ecoflex Gel 2手臂再现了类似于章鱼到达时观察到的曲率传播。 然而,它的弯曲点速度单调地下降,而不是表现出生物钟形轮廓,证实章鱼到达运动不仅仅是被动鞭打行为。 空气中缺乏传播进一步凸显了周围介质在形成章鱼状到达运动方面的重要作用。 这项研究为理解生物到达运动提供了新的视角,并为未来的流体动力学研究提供了一个潜在的平台。
感官感知源于感觉神经元的反应,这些神经元对与单个感知对象的各种物理属性相关的感官信号集合作出反应。 揭示大脑如何从这些神经元反应中提取感知信息是计算神经科学和机器学习的关键挑战。 在这里,我们引入了一种统计力学理论,其中感知信息首先被编码在感觉神经元的相关可变性中,然后重新格式化为下游神经元的放电率。 应用这个理论,我们用神经协方差来说明运动方向的编码,并通过尖刺神经网络演示高保真方向恢复。 在这个理论下训练的网络也显示出在分类自然图像方面的性能增强,实现更高的精度和更快的推理速度。 我们的研究结果挑战了神经协方差作为神经编码的次要因素的传统观点,突出了其对大脑功能的潜在影响。
相关性的统计是描述循环神经网络集体动力学的核心数量。 我们得出了大量神经元极限中非线性循环网络相关性统计的确切表达式,包括系统 1/N 修正。 我们的方法使用网络随机动力学的路径整体表示,将描述减少到几个集体变量,并实现高效的计算。 这概括了线性网络上的先前结果,包括广泛的非线性激活函数,这些函数在路径积分中作为交互项输入。 这些相互作用可以解决线性理论的不稳定性,并产生严格的积极的参与维度。 我们为电源法激活提供了明确的结果,揭示了由网络耦合控制的缩放行为。 此外,我们还介绍了基于Pade近似值的激活函数类别,并为它们的相关性统计提供分析预测。 数值模拟以出色的一致性证实了我们的理论结果。
组织动力学在从伤口愈合到形态发生的生物过程中起着至关重要的作用。 然而,这些嘈杂的多细胞动力学是出了名的难以预测。 在这里,我们介绍了一个仿生机器学习框架,能够直接从实验电影中推断出嘈杂的多细胞动力学。 这个生成模型结合了图形神经网络,正态流和WaveNet算法,将组织表示为神经随机微分方程,其中细胞是进化图的边缘。 这种机器学习架构反映了底层生物组织的架构,与卷积或完全连接的神经网络相比,大大降低了训练它所需的数据量。 以上皮组织实验作为案例研究,我们表明我们的模型不仅可以捕获随机细胞运动,还可以预测细胞状态在其分裂周期中的进化。 最后,我们证明我们的方法可以准确地生成发育系统的实验动力学,例如飞翼,以及由随机ERK波介导的细胞信号传导过程,为它在生物工程和临床环境中作为数字孪生体的使用铺平了道路。
控制生物种群的随机动力学是在各种生物环境中产生的挑战。 然而,这些动力学本质上是非线性的,涉及离散状态空间,即分子,细胞或生物的数量。 此外,灭绝的可能性对动态和控制策略都有重大影响,特别是在人口规模很小的时候。 这些因素阻碍了传统控制理论对生物系统的直接应用。 为了应对这些挑战,我们利用基于f-divergence的控制成本函数,为随机人口动态制定最佳控制问题,这自然解释了特定人群的因素。 如果在成本函数中采用Kullback-Leibler(KL)发散,则复杂的非线性Hamilton-Jacobi-Bellman方程被简化为线性形式,从而有效地计算最佳解决方案。 我们通过将其应用于对相互作用的随机步行者,莫兰过程和SIR模型的控制来证明我们方法的有效性,并观察控制策略中的模式切换现象。 我们的方法为将控制理论应用于广泛的生物学问题提供了新的机会。
反向强化学习(IRL)是一种强大的范式,用于揭示驱动代理行为的激励结构,通过在马尔可夫决策过程(MDP)中从观察到的轨迹中推断出未知的奖励函数。 然而,大多数现有的IRL方法都需要访问过渡函数,无论是规定还是先验估计,当底层动力学未知,不可观察或不容易采样时,这会带来重大挑战。 我们提出了Fokker-Planck逆强化学习(FP-IRL),这是一个新颖的物理约束IRL框架,专为受福克-普朗克(FP)动力学管理的系统而设计。 FP-IRL同时直接从轨迹数据中推断奖励和过渡功能,而无需访问采样过渡。 我们的方法利用了MDP和FP方程之间的猜想等价物,将MDP中的奖励最大化与FP动力学中的自由能量最小化联系起来。 这种连接可以使用我们的变异系统识别推理方法推断潜在的功能,从中可以使用分析表达式恢复全套MDP组件 - 奖励,过渡和政策。 我们通过合成基准实验和山地车问题的修改版本证明了FP-IRL的有效性。 我们的结果表明,FP-IRL实现了精确恢复代理激励,同时保持计算效率和物理可解释性。
单细胞RNA测序(scRNA-seq)数据模拟受到依赖线性相关性的经典方法的限制,未能捕获内在的非线性依赖关系以及同时的基因-基因和细胞-细胞相互作用。 我们介绍了qSimCells,这是一种新颖的混合量子经典模拟器,利用量子纠缠来模拟单细胞转录组。 核心创新是一个量子内核,它使用带有CNOT门的参数化量子电路来编码复杂的非线性基因调控网络(GRN)和具有显性方向性(因果关系)的细胞通信拓扑。 合成数据表现出挑战标准分析的非经典依赖性。 我们证明经典的相关性方法(Pearson和Spearman)未能重建完整的编程量子因果路径,而是报告了由高基基因表达概率驱动的虚假统计工件。 将CellChat2.0应用于模拟的细胞-细胞通信验证了真正的机械性链接,仅在量子纠缠活动时才显示强大的相对增加的通信概率(高达75倍)。 这项工作证实,量子内核对于创建高保真数据至关重要,突出表明需要先进的推理技术来捕捉基因调控中固有的复杂、非经典依赖。
细胞外基质(ECM)重塑是各种健康和患病组织过程的核心。 不幸的是,在各种化学和机械条件下预测ECM重塑已被证明是极具挑战性的,部分原因是其通过细胞内和细胞外分子反应网络的复杂调节,这些细胞内和细胞外分子反应网络在空间和时间上是动态的。 我们介绍了 ECMSim,这是一个高度互动、实时和 Web 应用程序,旨在模拟异构矩阵重塑。 目前的模型使用心脏成纤维细胞信号网络的大规模模型模拟具有可配置输入条件的心脏疤痕组织。 心裂成是多种形式心力衰竭的主要成分。 ECMSim实时模拟超过130万个方程,其中包括100*100个空间阵列(10,000个细胞)中每个细胞中超过125个物种和200多个边缘,这些单元占输入,受体,细胞内信号级联,ECM产生和反馈回路以及分子扩散。 该算法由一组与ECM分子扩散耦合的普通微分方程(ODE)表示。 这些方程是使用编译的C++和WebAssembly标准按需解决的。 该平台包括刷式细胞选择,以针对具有可调节输入分子浓度的细胞子集,按需调整参数的参数滑块,以及多个尺度上网络动力学的多个耦合实时可视化。 在标准 Web 技术中实施 ECMSim 可以实现功能齐全的应用程序,该应用程序结合了实时仿真、可视化交互和模型编辑。 该软件能够调查病理或实验条件,假设情景,矩阵重塑或测试具有目标受体的实验药物的影响。
蛇、无肢体蜥蜴、蠕虫、鳗鱼和灯笼等无瑕动物在三维空间中移动其纤细的长体,以穿越不同的环境。 准确量化其连续身体的3D形状和运动对于理解复杂地形中的身体与环境相互作用非常重要,但这很难实现(特别是对于局部方向和旋转)。 在这里,我们描述了一种插值方法,以量化连续的身体3D位置和方向。 我们简化身体作为弹性棒,并应用骨干优化方法在跟踪标记施加的末端约束之间插入连续的身体形状。 尽管生物力学过度简化,但我们的方法实现了更高的插值精度(50
目的 血液或血清中胆红素浓度对于评估肝功能以及监测治疗效果具有重要价值。本研究评估了一种新型床旁检测设备在血清胆红素检测中的临床性能。该床旁检测设备集成了微型光电传感模块和微流控测试盒。方法 使用床旁检测设备和标准实验室方法（n=20）测量患者血清总胆红素浓度，浓度范围为2 μmol/L至480 μmol/L。采用Bland-Altman分析和Passing-Bablok回归分析方法，将床旁检测设备与标准实验室测量结果进行比对。通过受试者工作特征分析评估床旁检测设备在临床相关胆红素浓度阈值（200、300和450 μmol/L）下对血清样本进行分类的诊断能力。结果 床旁检测设备与标准实验室方法之间的平均差异为-5.6 μmol/L，95%置信区间为-15.2至4.0 μmol/L。结论 本研究表明，所提出的床旁检测设备能够以临床可接受的准确度测量患者样本中的胆红素水平。
我们提出了一个新的机械化学建模框架,以探索多组分囊泡膜中的形状变形和图案形成。 在这个框架中,膜的形状由弹性弯曲模型描述,而膜结合激活蛋白的相分离则由Ohta-Kawasaki(OK)模型确定。 耦合动力学由膜几何形状的过阻力平衡方程和可变形膜上的OK型前向反应扩散方程组成。 我们实施高效的光谱方法来模拟二维和三维中的这些动力学。 数值实验表明,该模型成功地再现了广泛的实验观测到的膜形态<cit.>。 总之,该框架统一了曲率力学,微相分离和主动强迫,为膜结合多组分囊泡动力学提供了新的见解,并为研究多组分生物膜形态提供了实用的平台。
智能可穿戴设备通过光度图(PPG)对心率、心率变异和血氧饱和度等已建立的生物标志物进行持续跟踪。 除了这些指标之外,PPG波形还包含更丰富的生理信息,正如最近的深度学习(DL)研究所证明的那样。 然而,DL模型通常依赖于生理意义不明确的特征,在预测能力、临床可解释性和传感器设计之间造成了张力。 我们通过引入PPGen来解决这一差距,PPGen是一种将PPG信号与可解释的生理和光学参数联系起来的生物物理模型。 基于PPGen,我们提出了混合摊销推理(HAI),实现PPG信号相关生理参数的快速,稳健和可扩展的估计,同时纠正模型错误。 在广泛的硅内实验中,我们表明HAI可以在不同的噪声和传感器条件下准确地推断生理参数。 我们的研究结果说明了通往PPG模型的道路,该模型保留了基于DL的功能所需的保真度,同时支持临床解释和明智的硬件设计。
继续滚动加载更多
