Rapport Hebdomadaire AI Paper : Modélisation De Données De 100 Millions De Cellules/prédiction Efficace Des Trajectoires Génétiques/décryptage Des Ambiguïtés De Commande/récompenses Vérifiables/génération De Jeux Hautement Dynamique, Un Aperçu Rapide De 5 Avancées Majeures
La réponse des cellules aux perturbations est essentielle à la compréhension des mécanismes biologiques et à la sélection de cibles thérapeutiques potentielles. Comparés aux méthodes expérimentales, les modèles informatiques offrent un potentiel considérable pour prédire les effets des perturbations, mais leurs applications pratiques sont limitées par la difficulté de généraliser les effets des environnements cellulaires observés expérimentalement à des environnements non observés.
Sur cette base, l'Arc Institute, en collaboration avec l'Université de Californie et d'autres universités, a introduit une architecture d'apprentissage automatique, State, capable de prendre en compte l'hétérogénéité cellulaire au sein et entre les expériences de perturbation tout en prédisant l'effet de la perturbation. Sur plusieurs grands ensembles de données, la capacité de State à distinguer les effets de perturbation a augmenté de plus de 50%, et la précision d'identification des gènes réellement exprimés différentiellement dans les perturbations génétiques, de signal et chimiques est plus de deux fois supérieure à celle des modèles existants.
Lien vers le document:https://go.hyper.ai/xkBgn
Derniers articles sur l'IA:https://go.hyper.ai/hzChC
Afin de permettre à davantage d'utilisateurs de connaître les derniers développements dans le domaine de l'intelligence artificielle dans le milieu universitaire, le site Web officiel d'HyperAI (hyper.ai) a désormais lancé une section « Derniers articles », qui met à jour quotidiennement les articles de recherche de pointe sur l'IA.Voici 5 articles populaires sur l'IA que nous recommandons, qui comprend l'expression génétique, la génération de vidéos de jeux, ainsi que des jeux de données de référence pour la recherche approfondie et leurs adresses de téléchargement. Nous avons également résumé la carte mentale de la structure de l'article pour tous. Jetons un coup d'œil rapide aux avancées de la semaine en IA.
Recommandation de papier de cette semaine
1 Prédire les réponses cellulaires aux perturbations dans divers contextes avec State
Cet article présente une architecture d'apprentissage automatique appelée State, utilisée pour prédire la réponse des cellules à différents types d'interférences (génétiques, chimiques ou de signalisation, par exemple). En combinant le modèle de transition d'état et le modèle d'intégration cellulaire, le modèle State peut traiter et simuler efficacement plus de 100 millions de données cellulaires perturbées dans 70 environnements cellulaires différents. Comparé aux modèles existants, State est nettement plus performant que 50% sur plusieurs grands ensembles de données, notamment pour identifier l'expression différentielle des gènes, avec une précision plus de deux fois supérieure.
Lien vers l'article :https://go.hyper.ai/xkBgn
* Ensemble de données à cellule unique Tahoe-100M :
* Ensemble de données de séquençage d'ARN unicellulaire Parse-PBMC :
2 AlphaGenome : faire progresser la prédiction des effets des variantes régulatrices grâce à un modèle de séquence d'ADN unifié
Cet article présente un modèle d'apprentissage profond appelé AlphaGenome. Ce modèle permet de prédire diverses pistes génétiques fonctionnelles telles que l'expression des gènes, l'initiation de la transcription, l'accessibilité de la chromatine, les modifications des histones, les sites de liaison des facteurs de transcription, les cartes de contact de la chromatine, etc. à partir de séquences d'ADN. Il permet également de prédire un grand nombre d'effets variants en un seul appel de périphérique, ce qui est extrêmement rapide. AlphaGenome résout deux problèmes majeurs rencontrés par les modèles d'apprentissage profond actuels : le compromis entre la longueur de la séquence d'entrée et la résolution de prédiction, et l'équilibre entre les capacités de prédiction multimodales et monomodales.
Lien vers l'article :https://go.hyper.ai/D4sjw
3 CodeDiffuser : attention améliorée Politique de diffusion via VLM-Generated Code d'ambiguïté des instructions
Cet article présente CodeDiffuser, un framework d'exécution de tâches robotiques pour l'ambiguïté et la polysémie du langage. Ce framework analyse les instructions en langage naturel à l'aide du code généré par le modèle de langage visuel et calcule la carte d'attention tridimensionnelle à partir du modèle de base visuel comme représentation intermédiaire pour résoudre le problème des instructions abstraites et ambiguës. Les résultats expérimentaux montrent qu'après l'introduction de CodeDiffuser, les performances du système ont été considérablement améliorées et qu'il a pu exécuter avec succès des tâches complexes impliquant l'ambiguïté du langage, des opérations intensives et des interactions multi-objets.
Lien vers l'article :https://go.hyper.ai/Y6M3P
4 RAISONING GYM : Environnements de raisonnement pour l'apprentissage par renforcement avec récompenses vérifiables
Cet article présente REASONING GYM (RG), une bibliothèque d'environnements de raisonnement conçue pour l'apprentissage par renforcement. Elle permet de générer un nombre illimité de données d'entraînement avec des récompenses vérifiables et prend en charge diverses tâches de raisonnement, notamment l'algèbre, l'arithmétique, la logique, la théorie des graphes, etc. Les tâches générées automatiquement par l'algorithme peuvent ajuster le niveau de difficulté, permettant ainsi une évaluation et un entraînement dynamiques. Des tests sur des benchmarks externes confirment que les connaissances acquises grâce à l'entraînement RG peuvent être efficacement transférées à des tâches de résolution de problèmes concrets. REASONING GYM offre un outil puissant pour explorer et améliorer systématiquement les capacités de raisonnement des grands modèles linguistiques.
Lien vers l'article :https://go.hyper.ai/JvIlr
5 Hunyuan-GameCraft : Génération de vidéos de jeux interactifs hautement dynamiques avec condition d'historique hybride
Cet article présente un nouveau framework de génération de vidéos de jeux interactifs, Hunyuan-GameCraft, qui permet de générer des vidéos de jeux dynamiques et de haute qualité en combinant modèles de diffusion et contrôle conditionnel. Cette méthode prend en charge les entrées interactives complexes en unifiant les entrées clavier et souris dans un espace de représentation de caméra partagé, et propose une stratégie d'apprentissage conditionnel hybride à historique pour maintenir la cohérence spatiale et temporelle à long terme. Les résultats expérimentaux montrent que, par rapport aux modèles existants, Hunyuan-GameCraft offre des performances nettement supérieures en termes de performances dynamiques, de précision des interactions et de cohérence temporelle et spatiale, ce qui témoigne de son fort potentiel pour la génération de vidéos de jeux interactifs et hautement dynamiques en temps réel.
Lien vers l'article :https://go.hyper.ai/kVEMV
Voici l'intégralité du contenu de la recommandation d'article de cette semaine. Pour découvrir d'autres articles de recherche de pointe en IA, veuillez consulter la section « Derniers articles » du site officiel d'hyper.ai.
Nous invitons également les équipes de recherche à nous soumettre des résultats et des articles de haute qualité. Les personnes intéressées peuvent ajouter leur compte WeChat NeuroStar (identifiant WeChat : Hyperai01).
À la semaine prochaine !