این مقاله مدل هوش مصنوعی LUNA را معرفی می‌کند که نقشه‌های هوادهی ریه را مستقیماً از داده‌های فرکانس رادیویی (RF) بازسازی می‌کند و نیاز به تفسیر تصاویر سنتی B-mode در سونوگرافی ریه را حذف می‌کند.

با استفاده از یک اپراتور عصبی فوریه (Fourier Neural Operator)، LUNA در اسکن‌های ریه خوک به‌صورت برون‌تنی، پس از آموزش با داده‌های شبیه‌سازی‌شده و واقعی، به خطای تخمین هوادهی 9% دست یافته است.

این روش کمی و مستقل از کاربر با هدف بهبود کاربرد تشخیصی و قابلیت تکرارپذیری #سونوگرافی ریه طراحی شده است.

▪️ Ultrasound Lung Aeration Map via Physics-Aware Neural Operators

#مقاله #ایده_جذاب #علوم_پزشکی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

اگر میخواید مقالات مهم مرتبط با یک #مقاله رو پیدا کنید و به صورت نمایش گرافی ببینید، از سایت زیر استفاده کنید
connectedpapers.com

اگر ابزار های دیگه ای هم میشناسید لطفا زیر همین پست کامنت کنید.

#مقاله #ایده_جذاب

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

سلام سلام امیدوارم حالتون خوب باشه.
من برای ترم آینده درس طراحی پایگاه‌های داده رو ارائه می‌دم، خوشحال می‌شم که به عنوان تی‌ای کنار من باشید تا بتونیم با هم مسیر ارزشمندی رو برای دوستامون خلق کنیم.

اگه علاقه‌مند هستین می‌تونید فرم زیر رو تکمیل کنید:
https://docs.google.com/forms/d/e/1FAIpQLSfq3fCRFlU2rCWJ_tJqgapvu6zzc_NVs3c-82MgCTckObkMEA/viewform?usp=header

مشغول مطالعه نمایشنامه " مده آ " هستم و پیشنهاد میدم که این نمایشنامه جذاب رو مطالعه کنید.

https://taaghche.com/book/83955/%D9%85%D8%AF%D9%87-%D8%A2

جیسون مامور می‌شود برای پس گرفتن پشم زرین به سرزمین کلخیس برود، در آن‌جا زنی را می‌بیند و هر دو به هم علاقه‌مند می‌شوند. مده‌آ برای رسیدن به جیسون به پدر و برادر خودش خیانت می‌کند و همراه جیسون بازمی‌گردد. اما مده‌آ جادوگری ماهر است و او را نمی‌پذیرند و از طرفی جیسون برای رسیدن به پادشاهی باید با زنی دیگر ازدواج کند، همین موضوع باعث انتقامی بزرگ می‌شود. نمایشنامه مده‌آ داستان انتقام این زن است.

کاربرد مدل بنیادی در انواع سلول‌های انسانی

معرفی مدل General Expression Transformer (GET): یک مدل بنیادی پیشرفته برای پیش‌بینی بیان ژن در 213 نوع سلول انسانی با استفاده از داده‌های دسترسی کروماتین و توالی ژنتیکی. مدل GET به دقتی در سطح آزمایشگاهی دست یافته است، حتی برای انواع سلول‌هایی که قبلاً دیده نشده‌اند.

کشف تعاملات فاکتورهای رونویسی جهانی و خاص سلول‌ها: مدل GET دیدگاه‌های ارزشمندی درباره مکانیسم‌های تنظیمی ارائه می‌دهد و در شناسایی عناصر تنظیمی (مانند تقویت‌کننده‌های بلندمدت که در روش‌های قبلی نادیده گرفته شده‌اند) عملکرد بهتری نسبت به مدل‌های موجود دارد.

قابلیت‌های پیش‌بینی بدون آموزش اضافی (Zero-shot): مدل GET توانایی پیش‌بینی فعالیت‌های تنظیمی را بدون نیاز به آموزش اضافی دارد. در سلول‌های K562، مدل GET عملکردی برتر نسبت به مدل‌های پیشرفته دیگر نشان داد و دقت بی‌سابقه‌ای در پیش‌بینی بیان ژن داشت.

یادگیری خودنظارتی (Self-supervised learning): مدل GET نحو (syntax) تنظیم رونویسی را ثبت می‌کند و تعاملات میان عناصر تنظیمی و فاکتورهای رونویسی را در انواع سلول‌های متنوع مدل‌سازی می‌کند.

انعطاف‌پذیری برجسته مدل: این مدل قابلیت کارکرد در پلتفرم‌ها و آزمایش‌های مختلف توالی‌یابی را دارد، از جمله کاربرد آن در سلول‌های توموری و موفقیت در پیش‌بینی تعاملات بلندمدت بین تقویت‌کننده و پروموتر.

شناسایی تعامل جدید فاکتور رونویسی خاص لنفوسیت‌ها: این مدل یک تعامل جدید فاکتور رونویسی خاص لنفوسیت را شناسایی کرد که اهمیت عملکردی یک جهش مرتبط با سرطان خون (لوسمی) را توضیح می‌دهد. این دستاورد توانایی مدل را در پیوند دادن تنوع ژنتیکی به تأثیرات تنظیمی نشان می‌دهد.

پیش‌بینی‌های ساختاری با استفاده از AlphaFold2: این مدل دینامیک تا خوردگی تعاملات فاکتورهای رونویسی را نشان داد و امکان ساخت کاتالوگی جامع از شبکه‌های فاکتورهای رونویسی را فراهم کرد که به صورت عمومی برای تحقیقات بیشتر در دسترس است.

مطالعات موردی با استفاده از مدل GET: این مطالعات بینش‌های جدیدی درباره مکانیسم‌های تنظیمی کلیدی در تنظیم هموگلوبین جنینی و پیش‌زمینه‌های لوسمی فراهم کرده‌اند و بر پتانسیل تحول‌آفرین این مدل در تحقیقات ژنتیکی تأکید دارند.

▪️ A foundation model of transcription across human cell types
▪️ Code

#مقاله #ایده_جذاب #علوم_پزشکی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

کتابخانه رو اسمش رو گذاشتن "ملی" ولی فقط ارشد و دکتری رو ثبت نام میکنه . خوب اسمش رو میذاشتین کتابخانه فرهیختگان یا کتابخانه آکادمیک ایران یا کتابخانه این قشر خاص دیگه، "کتابخانه ملی" ؟!😂

پیش‌بینی و بهینه‌سازی مؤثر بیان ژن از توالی‌های پروتئینی

1- این مطالعه یک مسیر جدید مبتنی بر #هوش_مصنوعی معرفی می‌کند که برای پیش‌بینی و بهینه‌سازی بیان پروتئین‌های محلول در میزبان‌های ناهمگون طراحی شده است. با بهره‌گیری از #انتقال_یادگیری و مدل‌سازی پیشرفته پروتئین، نویسندگان به پیشرفت‌های چشمگیری در مهندسی پروتئین دست یافته‌اند.

2- نوآوری اصلی این تحقیق معرفی مدل MP-TRANS است، یک مدل ترنسفورمر از پیش‌آموزش‌یافته که برای پیش‌بینی بیان پروتئین بهینه‌سازی شده است.
این مدل توانست با دقت متوسط 0.78 بیان پروتئین را در 88 گونه پیش‌بینی کند و از روش‌های متداول بهتر عمل کند.

3- در این مطالعه، معیار قدرت سوگیری نسبی اسید آمینه (SRAB) بر اساس شاخص بیان اسید آمینه (AEI) توسعه یافته است.
این معیار جدید ارتباط کمی بین انتخاب اسید آمینه و بیان پروتئین را نشان داده و بینش‌های کلیدی در مورد رابطه توالی و ساختار ارائه می‌دهد.

4- یک مدل پیشرفته برای تولید جهش‌یافته‌ها به نام MPB-MUT معرفی شده است که برای مهندسی پروتئین‌هایی با بیان بالاتر طراحی شده است.
5- به عنوان مثال، سه جهش‌یافته زایلاناز توانستند بیان سطح بالایی را در E. coli به دست آورند و موانع پیشین را پشت سر بگذارند.
این مسیر، یادگیری عمیق را با اعتبارسنجی آزمایشگاهی ادغام می‌کند.
6- جهش‌یافته‌هایی که توسط MPB-MUT تولید و با MP-EXP بررسی شدند، بهبود قابل‌توجهی در بیان نشان دادند، بدون اینکه عملکرد پروتئین مختل شود.

7- تحلیل‌های پیش‌بینی بین گونه‌ها عملکرد قوی در گروه‌های مرتبط از نظر فیلوژنتیکی را نشان داد.
این مطالعه بر پایه تکاملی بیان پروتئین تأکید کرده و انعطاف‌پذیری این روش را برجسته می‌کند.

8- معیار SRAB و مدل‌های MP-TRANS با استفاده از آنزیم‌های سلولاز و PETase بیشتر تأیید شدند.
این بررسی‌ها بهبود بیان را به همراه داشت و قابلیت تعمیم این روش به اهداف پروتئینی متنوع را تأیید کرد.

این مدل با ترکیب #یادگیری_عمیق و روش‌های آزمایشگاهی، مسیر را برای کاربردهای #بیوتکنولوژیکی کارآمد هموار می‌کند.

▪️ Effective Gene Expression Prediction and Optimization from Protein Sequences


#مقاله #ایده_جذاب #علوم_پزشکی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

نمونه‌برداری مغرضانه پیش‌بینی #یادگیری_ماشین از مقاومت ضد میکروبی (AMR) را مختل می‌کند.

1- این مطالعه نشان می‌دهد که نمونه‌برداری جانبدارانه و ساختار جمعیتی در مجموعه داده‌های ژنومی باکتری‌ها به طور قابل توجهی توانایی مدل‌های یادگیری ماشین (ML) را برای پیش‌بینی دقیق #مقاومت_ضد_میکروبی (AMR) محدود می‌کند.

2- با استفاده از بیش از ۲۴,۰۰۰ ژنوم و فنوتیپ‌های AMR از پنج گونه باکتری، نویسندگان نشان می‌دهند که مدل‌های ML که روی مجموعه داده‌های جانبدارانه آموزش دیده‌اند، نشانگرهای فیلوژنتیکی را با ویژگی‌های مقاومت ترکیب کرده و دقت پیش‌بینی را کاهش می‌دهند.

3- افزایش حجم نمونه‌های آموزشی به تنهایی این سوگیری‌ها را کاهش نمی‌دهد. مدل‌هایی که بر روی مجموعه داده‌های بزرگ‌تر آموزش دیده‌اند همچنان در تعمیم دادن به کلادهای فیلوژنتیکی خاص شکست می‌خورند.

4- این تحلیل اثرات گونه- و داروی-خاص را شناسایی می‌کند و نشان می‌دهد که باکتری‌های گرم منفی و برخی از کلاس‌های دارویی چالش‌های منحصربه‌فردی برای پیش‌بینی AMR ایجاد می‌کنند.

5- مطالعه حداقل همپوشانی در ویژگی‌های پیش‌بینی‌کننده بین کلادهای فیلوژنتیکی را نشان می‌دهد و بر دشواری شناسایی نشانگرهای مقاومت جهانی با استفاده از روش‌های فعلی ML تأکید می‌کند.

6- برای مواجهه با این چالش‌ها، نویسندگان پیشنهاد می‌کنند الگوریتم‌های ML کارا توسعه داده شوند و مجموعه داده‌هایی متوازن و نمایانگر کلی که تنوع جمعیت‌های باکتریایی را منعکس می‌کنند، گردآوری شوند.

7- این تحقیق اهمیت استراتژی‌های نمونه‌برداری دقیق، از جمله گسترش نظارت به مناطق کم‌نمایش‌یافته را برای ایجاد مجموعه داده‌هایی که مقاومت مدل‌های ML در برابر عوامل مخدوش‌کننده را بهبود می‌بخشند، برجسته می‌کند.

8- این یافته‌ها توصیه‌های عملی برای پیشرفت پیش‌بینی AMR مبتنی بر ML ارائه می‌دهند که برای نظارت مؤثر و مقابله با تهدید جهانی مقاومت ضد میکروبی حیاتی است.

▪️ Biased sampling confounds machine learning prediction of antimicrobial resistance
▪️ AMR_prediction Code

#مقاله #ایده_جذاب #علوم_پزشکی #ژنتیک #زیست_شناسی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

نمایش‌های دقیق و عمومی DNA از مدل‌های پایه ژنومی در مقیاس وسیع .

1- این مطالعه مدل AIDO.DNA را معرفی می‌کند، یک مدل ترانسفورمر با 7 میلیارد پارامتر که به‌عنوان بزرگ‌ترین مدل نمایش DNA با معماری فقط رمزگذار شناخته می‌شود. این مدل بر روی 10.6 میلیارد نوکلئوتید از 796 گونه آموزش داده شده و استاندارد جدیدی برای نمایش ژنومی، یادگیری انتقالی و تولید توالی ایجاد کرده است.

2- برخلاف مدل‌های پیشین، AIDO.DNA با طول زمینه کوتاه‌تر (4000 نوکلئوتید) کار می‌کند و نشان می‌دهد که افزایش عمق مدل بدون نیاز به افزایش طول زمینه باعث بهبود عملکرد در وظایف نظارت‌شده، بدون نظارت و تولیدی می‌شود.

3- نوآوری کلیدی: این مدل در پیش‌بینی خواص توالی و پیش‌بینی اثر جهش‌ها در حالت (zero-shot) به نتایج پیشرفته‌ای دست یافته و از مدل‌هایی مانند Nucleotide Transformer و DNABERT در دقت عملکرد پیشی گرفته است.

4- توکن‌سازی دقیق در سطح تک نوکلئوتید در AIDO.DNA بهبود چشمگیری در شناسایی جهش‌های ژنومی موثر ایجاد کرده و استاندارد جدیدی برای وظایفی مانند پیش‌بینی بیماری‌زایی در حالت Zero-shot ارائه می‌کند.

5- پیش‌آموزش #خودنظارتی این مدل، عناصر ژنومی هم‌تکاملی را بدون نیاز به حاشیه‌نویسی آشکار کرده است. این موضوع مسیرهای جدیدی را برای کشف مناطق تنظیمی نوین و وابستگی‌ها در توالی‌های DNA باز می‌کند.

6- در زمینه زیست‌شناسی مصنوعی، AIDO.DNA با کارآیی داده‌ای خود برجسته است و با استفاده از تنها 0.01 درصد از مجموعه داده کامل، 73 درصد عملکرد را در پیش‌بینی پروموتر حفظ کرده است. این نشان‌دهنده توانایی آن در شرایط کمبود منابع است.

7- تولید هدفمند توالی‌های تنظیمی DNA با استفاده از AIDO.DNA دقت بالایی در ایجاد پروموترها با سطوح بیان ژنی دلخواه نشان داده و کاربرد آن در مهندسی ژنوم را برجسته می‌کند.

▪️ Accurate and General DNA Representations Emerge from Genome Foundation Models at Scale
▪️ AIDO: AI-Driven Digital Organism

#مقاله #ایده_جذاب #علوم_پزشکی #ژنتیک #زیست_شناسی #ژن #یادگیری_ماشین

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

مقاله «GAN مرده است؛ زنده باد GAN!» با این باور که آموزش GAN دشوار و وابسته به ترفندهای خاص است، مخالفت می‌کند. این تحقیق یک تابع زیان نسبی منظم (regularized relativistic loss) معرفی می‌کند که مشکلاتی مانند عدم همگرایی و از دست رفتن حالت‌ها را حل می‌کند. با به‌روزرسانی معماری‌ها و حذف ترفندهای قدیمی، نویسندگان R3GAN را پیشنهاد داده‌اند که عملکرد بهتری نسبت به StyleGAN2 دارد و با مدل‌های پیشرفته دیگر قابل مقایسه است.

▪️ The GAN is dead; long live the GAN! A Modern GAN Baseline

#مقاله #ایده_جذاب

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

این #مقاله یک چارچوب #یادگیری_عمیق برای تشخیص سرطان ریه با استفاده از یک مدل از پیش آموزش دیده MobileNetV2 پیشنهاد می‌کند که با وزن‌های ImageNet-1K اولیه‌سازی شده و با یک لایه کاملاً متصل جدید و فعال‌سازی softmax اصلاح شده است.

این مدل به دقت 99.6 درصد در مجموعه داده های تصویر سی تی اسکن سرطان ریه سه کلاسه دست می یابد که نشان دهنده بهبود قابل توجهی در استخراج ویژگی نسبت به روش های سنتی است. هدف این رویکرد مبتنی بر #هوش_مصنوعی افزایش کارایی تشخیصی و کاهش حجم کاری پزشک است.

▪️ A CT Image Classification Network Framework for Lung Tumors Based on Pre-trained MobileNetV2 Model and Transfer learning, And Its Application and Market Analysis in the Medical field

#ایده_جذاب

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

آیا #هوش_مصنوعی مولد می تواند #رادیولوژی را دوباره تعریف کند؟

این #مقاله مدل RadTex را معرفی می‌کند که از پیش‌پردازش با روش "کپشن دوطرفه" (bidirectional captioning) برای تحلیل تصاویر پزشکی استفاده می‌کند. این روش، گزارش‌های رادیولوژی دقیق و تفسیرپذیری تولید می‌کند و عملکردی رقابتی با روش‌های یادگیری متضاد (contrastive learning) ارائه می‌دهد. RadTex از معماری مبتنی بر ResNet50 و ترانسفورمرها بهره می‌برد و به‌طور موثری کپشن های تصویری را بهبود می‌بخشد و گزارش‌های پزشکی را با استفاده از ورودی‌های متنی تولید می‌کند. این مدل تولید گزارش‌های کلینیکی دقیق ( دقت 89 % ) کاربردهای عملی گسترده‌ای می تواند در عمل داشته باشد.

▪️ Improving Medical Visual Representations via Radiology Report Generation

#ایده_جذاب #پردازش_تصاویر

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

🔧 معرفی یک ابزار کاربردی برای کار با پروژه‌های GitHub

با ابزار GitIngest می‌تونید بدون دردسر کل اطلاعات یه پروژه رو به راحتی و فقط با تغییر یه آدرس به دست بیارید.

چطور کار می‌کنه؟
کافیه تو آدرس گیتهاب،
کلمه‌ی “hub” رو با “ingest” عوض کنید؛

مثال:
github.com/user/repo
gitingest.com/user/repo

🔍 امکانات این ابزار:
• نمایش کامل و مرتب ساختار دایرکتوری پروژه
• ارائه خلاصه‌ای کوتاه و مفید از پروژه
• تبدیل تمام کدها و محتوا به متن آماده برای استفاده در ابزارهایی مثل ChatGPT
• دارای اکستنشن کروم و امکانات جانبی دیگه

💎@Recomendersystem2023

این مقاله چارچوبی به نام Multimodal Visualization-of-Thought (MVoT) را معرفی می‌کند که توانایی استدلال مدل‌های زبانی بزرگ (LLMs) را با ادغام تفکر مصورسازی بهبود می‌بخشد. این چارچوب با تولید تصویری از مسیرهای استدلال، محدودیت‌های وظایف پیچیده در استدلال فضایی را کاهش می‌دهد. از یک روش آموزشی به نام Token Discrepancy Loss برای بهبود کیفیت بصری استفاده می‌کند و در سناریوهای چالش‌برانگیز، بهبود عملکرد قابل‌توجهی نشان می‌دهد. این رویکرد ادغام استدلال کلامی و تصویری در یادگیری ماشینی را توسعه می‌دهد.
▪️ Imagine while Reasoning in Space: Multimodal Visualization-of-Thought

#ایده_جذاب

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

دیگه ستاره به کانال نمیدین چرا یا boost کانال رو نمیزنین؟! و چرا دیگه اینترکشن روی پست ها ندارین واقعا ک 🚶‍♂

بگین ببینم مشکل کجاست؟!

به من ناشناس پیام بده.

http://t.me/HidenChat_Bot?start=7214197958

ی سری سعی دارن دوره های رایگان andrew ng رو بفروشن فعلا اینو داشته باشین تا این پست رو اپدیت کنم 😂
https://m.youtube.com/@Deeplearningai/playlists

کلاسها و آموزشهای رایگان دانشگاه استنفورد
https://m.youtube.com/@stanfordonline/playlists

اینتراکشن این پست کم باشه لینک نمیدم تا سرتون کلاه بزن اه گفته باشم😂😂

#یادگیری_عمیق #منابع #کلاس_آموزشی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

اینتراکشن این پست باید رکورد بشکنه تا نزارم سرتون کلان بزارن مطالب رایگانو بدم بهتون چ ساده میگیرم قدربدونین😂
https://t.me/AI_DeepMind/2338