跳到主要内容
检索

Heidelberg University

9 篇关联报道

订阅更新
  1. Nature

    胶质母细胞瘤的恶性状态不是随机散布:从发育样细胞到胶质损伤与缺氧,沿坏死核心分层推进

    胶质母细胞瘤的恶性细胞状态此前被当作彼此并列的亚型,单次活检难以代表整个肿瘤。对12例IDH野生型原发肿瘤、57个取样位点做单核转录组与空间转录组配对图谱后,恶性细胞呈现一条从发育样状态走向胶质损伤反应与缺氧状态的轨迹,并在空间上按浸润边缘到坏死核心分层;该轨迹在肿瘤亚型之间和遗传上不同的亚克隆之间都出现,并在患者来源类器官中重现。

  2. medRxiv

    尤文肉瘤的生存差异不在突变里:135例空间图谱分出四种预后类型,干扰素反应型预后最好

    尤文肉瘤基因组近乎单一,却长期无法解释患者生存的巨大差异。研究对135例患者的肿瘤与微环境做单细胞和空间转录组分析,识别出五种肿瘤细胞转录状态与八种由邻近细胞配置定义的生态位,并按生态位组成把患者分为融合活跃型、增殖型、免疫反应型和微环境富集型四类。免疫反应型以干扰素激活的肿瘤细胞为特征、预后较好,四类的生存差异在两个独立的批量转录组队列中得到重现。

  3. npj Precision Oncology

    标准流程判为PTEN野生型的样本里,模型又找出33例缺失,其中75%染色证实蛋白丢失

    德累斯顿大学肿瘤中心在MASTERsg精准肿瘤项目中用梯度提升模型重读TSO500 panel测序的拷贝数原始分箱数据,专门找被标准流程漏掉的PTEN局灶缺失。TSO500按基因内分箱读数取平均,局灶事件达不到倍数变化阈值;模型在204例被判为PTEN野生型的样本中报出33例缺失,其中20例有组织可染色,15例显示PTEN蛋白缺失或明显降低。

  4. Nature

    棕色脂肪不只护心:10万人队列里连焦虑抑郁也更少,AI把活性量化到腋窝

    在10万123名癌症中心患者中,有棕色脂肪的人心血管与精神类疾病更少;研究用机器学习从约8700人的PET–CT半自动量化棕色脂肪活性,发现活性越高,2型糖尿病与冠心病等风险越低,腋窝脂肪库关联最强,并据此找到氯沙坦可在小鼠中提升产热。

  5. arXiv

    分子性质预测不再只喂几何:把密度当输入还不够,要求它落在代理泛函的极小点上

    分子性质预测多了一条新路径:不再只把基态电子密度当作输入特征,而是要求它同时是某个学习到的代理泛函的极小点。此前把密度喂给模型已能提升精度,但密度本身不受任何变分约束。在QM9的七个广延性质中,这一做法在六个上超过已有最好结果,并在只训练小分子的条件下对QM40的更大分子保持更低误差。

  6. arXiv

    同一观测对应多个有效动作时,CVAE 的 KL 正则与流模型的 Lipschitz 平滑度决定策略能否保留多模态,而主流机器人仿真基准其实几乎单模态

    该工作形式化定义了行为克隆中的多模态,证明潜变量策略保留示范模态需要潜表示携带动作条件信息、过强的后验—先验正则会压制该信息,动作空间生成策略则受基分布到动作映射的 Lipschitz 常数限制,并在合成多模态导航、真实机器人双模态组织抓取任务上验证这些机制,同时用基于 GMM 模态聚类的诊断发现 Push-T、UR3、LIBERO、Meta-World 等标准仿真基准的条件多模态很有限、确定性回归仍有竞争力。

  7. Nature Communications

    SpaCEy用可解释图神经网络把组织空间模式与临床结局相连,在肺癌与乳腺癌队列中同时提升预测并给出空间标记物

    作者提出SpaCEy(Spatial Clinical Explainability),一种可解释图神经网络:把每个组织样本按Delaunay三角剖分建成空间图,节点为单细胞蛋白标志物丰度、不使用预定义细胞类型或解剖区域作为输入,用GNN学习预测嵌入并配GNNExplainer式解释器输出边掩码、再聚合k跳邻域得到节点重要性,从而定位与临床结局相关的连续空间区域和关键蛋白;在416例肺腺癌队列预测进展(准确率0.68、F1 0.68、AUC 0.62,优于Ali等0.61/0.59/0.57与SPACE-GM 0.55/0.52/0.52),在720样本JacksonFischer与460样本METAB

  8. arXiv

    用七个模型替换四个腹部CT数据集的人工标注后,预训练对标签质量的依赖消失,而直接部署仍高度依赖

    该研究在WORD、AMOS、CT-1K和AbdomenAtlas四个腹部CT数据集上,用nnU-Net、MedSAM、TotalSegmentator及四个规模的STU-Net共七个模型生成伪标签,构造不同质量的标签版本,再以DynUNet在相同确定性训练设置下分别做域内训练和预训练加微调;结果显示域内性能与标签质量强正相关且呈非线性、数据量可部分补偿质量,而预训练后微调在绝大多数设置下显著优于无预训练基线,且预训练标签质量高低不再明显影响下游结果。

  9. Science Advances

    用神经ODE与符号回归从290条冰晶质量时间序列中反演出冰晶增长方程,并在AIDA云室独立数据上复现了早期增长

    该研究用神经常微分方程(NODE)在290条悬浮扩散云室中生长的冰晶质量比时间序列上同时优化,学习沉积冰增长模型中未知的传递系数G的函数形式,再用符号回归(PySR)导出闭式表达式,发现弱约束NODE模型在290个实验中138个表现最佳(MSE损失16495,优于无表面动力学模型的41396和Nelson and Baker 1996的40751),并给出含冰晶质量m附加项的公式G = a0·Gca1·[a2 + a3/m]^-1 + a4,该式在AIDA气溶胶与云室独立实验中对冰面过饱和度和冰水含量的预测优于电容增长模型与Nelson and Baker 1996模型。

已读完全部报道