新闻及观点

最近的一项研究提出了一个框架，用于从传统的静态降维可视化方法中生成和解释动态可视化。

随着人工智能开始深刻地影响结构生物学，下一个挑战之一是仅从单个序列预测蛋白质结构。深度学习模型通过用蛋白质语言模型表示单个序列并从多序列结构预测器中提取知识来解决这一挑战。

抗原抗体预测仍然是一个复杂的计算挑战。模拟与新的绝对!软件包为解决这一问题的模型和数据集提供了新的见解。

提出了一种使大规模纳米光子模拟计算效率更高的方法，使广泛的研究减少时间和内存密集型。

为了理解机器学习系统的设计是否可以集成领域专业知识，最近的一项工作提出了将领域科学与机器学习综合起来的方法，这显示出额外的好处。

在超导量子计算机上演示了量子机器学习的脆弱性，以及基于噪声中等规模量子(NISQ)对抗性学习的防御策略。

最近的工作使用语言模型来深入了解人类大脑如何理解句子中单词的组合含义，并揭示大脑中有助于这种理解的部分。

生物系统中非线性形态变化的建模是一项具有挑战性的任务。通过对水果表面奇异图案形成过程的观察，揭示了手性起皱拓扑结构的机械结构不稳定性，然后将其用于增强型自适应抓取器的设计。

从流体到气体的相对论性流动的模拟对计算方法提出了挑战。提出了一种晶格动力学方案来模拟这种流动，它允许强相互作用和弱相互作用制度的计算探针。

在最近的一项研究中，使用现象学模型研究了活动依赖髓鞘形成(ADM)对大脑网络活动和信息传递的影响。该模型探索了轴突的传导速度如何随着神经活动的变化而变化，从而探究了整体传输延迟。

最近的一项研究提出了一种度量标准，以量化不同类型的流行病学监测数据(如病例数和死亡数)所传达的关于流行病实时传播的信息。

将社会混合数据整合到流行病模型中，可以帮助决策者更好地理解流行病的传播。然而，在大多数人群中可能无法立即获得经验混合数据。在最近的一项工作中，提出了一种网络模型方法来构建微观层面的社会混合结构，当经验数据不可用时。

一项针对远程工作数据的新贝叶斯分析支持了社交网络中最古老的理论之一，对未来的工作环境具有新的意义。

提出了一种算法，用于模拟复杂几何上的反应-扩散系统，提供了关于细胞几何和生物化学如何相互作用控制活细胞中的极性的见解。

在许多科学领域，确定信息如何在相互连接的组件组成的网络中流动是一项具有挑战性的任务。提出了一个框架来解构在任何两个区域(如大脑区域)传输的信号流，并定义每个区域如何表示这些信号。

自动确定物理系统的状态变量是一个具有挑战性的问题，但在几乎所有科学和工程过程的建模过程中是必不可少的。提出了一种基于深度神经网络的方法来寻找视频帧数据系统的状态变量。

设计能够精确折叠成预先指定的3D结构的蛋白质序列是一项具有挑战性的任务。与传统的基于物理的蛋白质设计方法相比，最近提出的深度学习算法改进了这种设计。

介绍了一种基于图神经网络的工具，使用空间分辨的转录组学数据来执行无监督的细胞聚类，这些数据可以揭示组织和器官中的细胞身份、相互作用和空间组织。

适配体有望成为下一代药物，但考虑到巨大的搜索空间，识别候选适配体是一项具有挑战性的任务。现在，一种名为RaptGen的人工智能(AI)驱动工具被提出用于提高适体序列的成功识别。

在多个尺度上描述大脑的连接体对于揭示皮层信息处理的基本原理以及它如何影响行为是至关重要的。提出了一种基于gpu的连接体修剪实现，其速度比之前基于cpu的实现提高了100倍以上。