Zaten birçok DNA büyük dil modeli var, ancak çoğu hala sınıflandırma görevleri için dizi özelliklerini çıkarma gibi geleneksel kullanımları takip ediyor. Hızlı mühendislik, RAG ve sıfır atışlı veya az atışlı tahmin gibi büyük dil modellerinin daha yenilikçi uygulamaları DNA tabanlı modeller için zorlu olmaya devam ediyor. Temel sorun, DNA modelleri ve insan doğal dil modellerinin tamamen ayrı olması gerçeğinde yatmaktadır; ancak hızlı mühendislik gibi teknikler doğal dilin kullanımını gerektirdiğinden, DNA büyük dil modellerinin uygulanmasını önemli ölçüde sınırlamaktadır. Bu makale, DNA dizilerini ve İngilizce metni birleştirerek DNA modellerinde istemleri kullanma ve ince ayar yapma potansiyelini keşfetmek için GPT-2 ağı üzerinde eğitilmiş bir hibrit modeli tanıtmaktadır. Model, DNA ile ilgili sıfır atışlı tahmin ve çoklu görev uygulamasında etkinliğini göstermiştir.
Yapısal etkileşim bilimi kullanılarak kalıtım biçiminin ve genetik hastalıkların altında yatan moleküler mekanizmanın proteom çapında tahmini için yorumlar kapalı
Genetik hastalıklar kalıtım biçimlerine ve altta yatan moleküler mekanizmalarına göre sınıflandırılabilir. Otozomal dominant bozukluklar genellikle işlev kaybına, işlev kazanımına veya dominant negatif etkilere neden olan DNA varyantlarından kaynaklanırken, otozomal resesif hastalıklar öncelikle işlev kaybı varyantlarıyla bağlantılıdır. Bu çalışmada, protein-protein etkileşim ağlarını ve yüksek çözünürlüklü protein yapılarını kullanarak otozomal genlerdeki varyantların neden olduğu hastalıkların kalıtım biçimini tahmin eden ve dominant ilişkili proteinleri işlevsel etkilerine göre sınıflandıran bir grafik-grafik yaklaşımını tanıtıyoruz. Yaklaşımımız, proteom çapında tahminler sağlamak için grafik sinir ağlarını, yapısal etkileşim bilimini ve topolojik ağ özelliklerini bir araya getirerek genetik hastalık mekanizmalarını anlamak için ölçeklenebilir bir yöntem sunuyor.
scPN ile Çok Dallı scRNA-seq Verilerinden Hücre Sahte Zamanını, Hız Alanını ve Gen Etkileşimini Eş Zamanlı Olarak Çıkarın için yorumlar kapalı
Tek hücreli RNA dizileme (scRNA-seq) verilerinden hücresel dinamikleri modellemek, hücre gelişimini ve altta yatan gen düzenleyici ilişkilerini anlamak için kritik öneme sahiptir. Birçok mevcut yöntem, pseudotime elde etmek için tek hücre hızına güvenir ve bu da pseudotime ile hız arasında tutarsızlıklara yol açabilir. Özellikle çok dallı farklılaşma senaryolarında, hücre pseudotime ve gen etkileşim ağlarını aynı anda çıkarmak zordur. scRNA-seq verilerinden zamansal desenleri ve genler arası ilişkileri yinelemeli olarak çıkaran yeni bir yüksek boyutlu dinamik modelleme yaklaşımı olan Tek Hücreli Parçalı Ağ’ı (scPN) sunuyoruz. Çok dallı farklılaşma zorluklarının üstesinden gelmek için scPN, parçalı gen-gen etkileşim ağlarını kullanarak gen düzenleyici dinamikleri modeller ve zaman içinde karmaşık gen düzenleme desenlerini çözmek için yorumlanabilir bir çerçeve sunar. Sentetik veriler ve birden fazla scRNA-seq veri kümesi üzerindeki sonuçlar, scPN’nin hücresel dinamikleri yeniden yapılandırmada ve gelişimde yer alan temel transkripsiyon faktörlerini belirlemede mevcut yöntemlere kıyasla üstün performansını göstermektedir. Bildiğimiz kadarıyla scPN, çok dallı veri kümelerinde aynı anda sözde zamanı, hız alanlarını ve gen etkileşimlerini kurtarabilen ilk modelleme girişimidir.
Rawsamble: Hash tabanlı bir tohumlama mekanizması kullanarak ham nanopore sinyallerini üst üste bindirme ve birleştirme için yorumlar kapalı
Ham nanopore sinyal analizi, sinyalleri bazlara çevirmeden (yani baz çağrısı yapmadan) hızlı ve kaynak açısından verimli analiz sağlamak için genomikte yaygın bir yaklaşımdır. Ancak, çiftler halinde ham sinyal karşılaştırmasında artan gürültüyü ele almak için doğru mekanizmaların eksikliği nedeniyle referans genom bilinmiyorsa mevcut çözümler ham sinyalleri doğrudan yorumlayamaz. Amacımız, referans genom olmadan ham sinyallerin doğrudan analizini sağlamaktır. Bu amaçla, 1) karma tabanlı bir arama mekanizması kullanarak tüm ham sinyal çiftleri arasındaki benzerlik bölgelerini belirleyebilen, tümüne karşı tümü örtüşen olarak bilinen ve 2) bunları sıfırdan genomlar oluşturmak için kullanabilen ilk mekanizma olan Rawsamble’ı öneriyoruz, buna de novo birleştirme denir. Çeşitli boyutlardaki birden fazla genomda yaptığımız kapsamlı değerlendirmeler, Rawsamble’ın temel çağrı (Dorado’nun en hızlı modu) ve bir CPU’da örtüşme (minimap2) için en son teknoloji araçlarını kullanan geleneksel bir genom birleştirme hattına kıyasla önemli bir hızlanma (ortalama 16,36 kat ve 41,59 kata kadar) sağladığını ve en yüksek bellek kullanımını (ortalama 11,73 kat ve 41,99 kata kadar) azalttığını göstermektedir. Rawsamble tarafından üretilen örtüşen çiftlerin %36,57’sinin minimap2 tarafından üretilenlerle aynı olduğunu buluyoruz. Rawsamble’dan gelen örtüşmeleri kullanarak, temel çağrı yapmadan doğrudan ham sinyallerden ilk de novo birleştirmeleri oluşturuyoruz. 2,7 milyon baz uzunluğa kadar (E. coli’nin genom uzunluğunun yarısı) bitişik birleştirme segmentleri (unitig’ler) oluşturabileceğimizi gösteriyoruz. Örtüşmeleri bularak ve de novo birleştirmeleri oluşturarak etkinleştirilebilecek daha önce keşfedilmemiş yönleri belirliyoruz . Ayrıca sonuçlarımızı GitHub sayfamızda tam olarak yeniden üretmek için betikler de sağlıyoruz.
Dil bağı olarak da bilinen bu durum, dil ucunun hareketliliğini azaltabilen, dilin alt tarafını ağız tabanına bağlayan alışılmadık derecede kısa, kalın lingual frenulumdan kaynaklanan, doğuştan gelen bir ağız anomalisidir.
Kaynak: Anatomi hakkında bilgi sitesinden alınmıştır.
DOĞUM ANINDA BİR BEBEĞİN GÖRÜNÜŞÜNÜ GÖRMEK İSTER MİSİNİZ? için yorumlar kapalı
Amniyotik kese içinde bir bebeğin doğuşu, nadir görülen ve büyüleyici bir doğum anıdır. Bu durum halk arasında ” gömlekli doğum” olarak bilinir. Bebek, kese bütün haldeyken doğar ve bu, bebeğin anne karnındaki son anlarını canlı bir şekilde görmemizi sağlar
Kaynak: Anatomi hakkında bilgi sayfasından alınmıştır.
DNA, RNA ve proteinler gibi biyolojik dizileri modellemek, gen düzenlemesi ve protein sentezi gibi karmaşık süreçleri anlamak için çok önemlidir. Ancak, mevcut modellerin çoğu ya tek bir türe odaklanır ya da birden fazla veri türünü ayrı ayrı ele alır ve bu da çapraz-modal ilişkileri yakalama yeteneklerini sınırlar. Bu modaliteler arasındaki ilişkileri öğrenerek modelin her bir türe ilişkin anlayışını geliştirebileceğini öneriyoruz. Bunu ele almak için, üç tür veri üzerinde eğitilmiş küçük ama güçlü bir karma-modal biyolojik dizi temel modeli olan BSM’yi tanıtıyoruz: RefSeq, Genle İlgili Diziler ve web’den iç içe geçmiş biyolojik diziler. Bu veri kümeleri sırasıyla genetik akışı, gen-protein ilişkilerini ve çeşitli biyolojik verilerin doğal birlikteliğini yakalar. Karma-modal veriler üzerinde eğitim vererek BSM, öğrenme verimliliğini ve çapraz-modal temsili önemli ölçüde artırır ve yalnızca tek-modal veriler üzerinde eğitilmiş modellerden daha iyi performans gösterir. Sadece 110M parametreyle, BSM hem tek-modlu hem de karışık-modlu görevlerde çok daha büyük modellerle karşılaştırılabilir performans elde eder ve mevcut modellerde bulunmayan karışık-modlu görevler için bağlam içi öğrenme yeteneğini benzersiz bir şekilde gösterir. 270M parametreye daha fazla ölçeklendirme, daha da büyük performans kazanımları göstererek, BSM’nin çok-modlu biyolojik dizi modellemesinde önemli bir ilerleme olarak potansiyelini vurgular.
Çoklu-Omik Analizi için Açıklanabilir Yapay Zeka Yöntemleri: Bir Araştırma için yorumlar kapalı
Yüksek verimli teknolojilerdeki ilerlemeler, geleneksel hipotez odaklı metodolojilerden veri odaklı yaklaşımlara doğru bir kaymaya yol açmıştır. Çoklu omik, genomik, proteomik, transkriptomik, metabolomik ve mikrobiyomik gibi birden fazla ‘om’dan türetilen verilerin bütünleştirici analizini ifade eder. Bu yaklaşım, farklı biyolojik bilgi katmanlarını yakalayarak biyolojik sistemlerin kapsamlı bir şekilde anlaşılmasını sağlar. Derin öğrenme yöntemleri, çoklu omik verilerini bütünleştirmek, moleküler etkileşimlere ilişkin içgörüler sunmak ve karmaşık hastalıklara yönelik araştırmaları geliştirmek için giderek daha fazla kullanılmaktadır. Ancak, çok sayıda birbirine bağlı katmanları ve doğrusal olmayan ilişkileri olan bu modeller, genellikle karar alma süreçlerinde şeffaflıktan yoksun kara kutular olarak işlev görmektedir. Bu zorluğun üstesinden gelmek için, açıklanabilir yapay zeka (xAI) yöntemleri, klinisyenlerin karmaşık verileri daha etkili bir şekilde yorumlamalarına ve bunlarla çalışmalarına olanak tanıyan şeffaf modeller oluşturmak için çok önemlidir. Bu inceleme, xAI’nin çoklu omik araştırmalarında derin öğrenme modellerinin yorumlanabilirliğini nasıl iyileştirebileceğini araştırıyor ve klinisyenlere net içgörüler sağlama potansiyelini vurgulayarak, bu tür modellerin klinik ortamlarda etkili bir şekilde uygulanmasını kolaylaştırıyor.
Safra Kesesi Kanserinde İlgili Biyobelirteçleri ve Kritik Yolları Belirlemek İçin Makine Öğrenme Algoritmalarını Kullanarak Doğrulanan Bir Biyoenformatik Yaklaşımı için yorumlar kapalı
Safra kesesi kanseri (GBC), safra yolu neoplazmaları arasında hastalığın en sık görülen nedenidir. GBC ilerlemesiyle bağlantılı moleküler mekanizmaları ve biyobelirteçleri belirlemek bilimsel araştırmalarda önemli bir zorluk olmuştur. Son zamanlarda yapılan birkaç çalışma GBC’deki biyobelirteçlerin rollerini araştırmıştır. Çalışmamız, makine öğrenimi (ML) ve biyoenformatik tekniklerini kullanarak GBC’deki biyobelirteçleri belirlemeyi amaçlamıştır. GBC tümör örneklerini normal örneklerle karşılaştırarak NCBI GEO veritabanından elde edilen iki mikrodizi veri setinden (GSE100363, GSE139682) farklı şekilde ifade edilen genleri (DEG’ler) belirledik. 39 yukarı düzenlenmiş ve 107 aşağı düzenlenmiş gen olmak üzere toplam 146 DEG bulundu. Bu DEG’lerin işlevsel zenginleştirme analizi DAVID aracılığıyla Gen Ontolojisi (GO) terimleri ve REACTOME yolları kullanılarak gerçekleştirildi. Protein-protein etkileşim ağı, STRING veritabanı kullanılarak oluşturuldu. Hub genleri tanımlamak için üç sıralama algoritması uyguladık: Derece, Çok Uluslu ve Yakınlık Merkeziyeti. Bu algoritmalardan hub genlerinin kesişimi 11 hub geni üretti. Eş zamanlı olarak, önemli gen alt kümelerini tanımlamak için iki özellik seçimi yöntemi (Pearson korelasyonu ve yinelemeli özellik eleme) kullanıldı. Daha sonra, GBC örneklerini en iyi şekilde ayırt eden gen alt kümesini belirlemek için GSE100363 veri kümesinde SVM ve RF kullanarak ve GSE139682 üzerinde doğrulama yaparak ML modelleri geliştirdik. Hub genleri diğer gen alt kümelerinden daha iyi performans gösterdi. Son olarak, NTRK2, COL14A1, SCN4B, ATP1A2, SLC17A7, SLIT3, COL7A1, CLDN4, CLEC3B, ADCYAP1R1 ve MFAP4 kritik genler olarak tanımlanırken, SLIT3, COL7A1 ve CLDN4’ün GBC gelişimi ve tahmini ile güçlü bir şekilde bağlantılı olduğu görüldü.
Üç milyar yıl önce Dünya’ya çarpan göktaşı okyanusların kaynamasına neden oldu için yorumlar kapalı
Bilim insanları, ilk kez 2014 yılında keşfedilen dev bir göktaşının, Dünya tarihinde bilinen en büyük tsunamiye neden olduğunu ve okyanusları kaynattığını keşfetti.
40-60 km genişliğindeki bu göktaşı üç milyar yıl önce Dünya’ya çarptı.
S2 adı verilen göktaşının, 66 milyon yıl önce dinozorları yok eden göktaşının 200 katı büyüklüğünde olduğu tahmin ediliyor.
Güney Afrika’daki çarpma bölgesinde incelemelerde bulunan bilim insanları, büyük asteroit çarpmalarının Dünya’ya sadece yıkım getirmediğine, erken yaşamın gelişmesine yardımcı olduğuna dair kanıtlar buldu.
Yeni araştırmanın başyazarı Harvard Üniversitesi’nden Prof. Nadja Drabon, Dünya ilk oluştuktan sonra uzayda çarpacak çok sayıda enkaz olduğunu hatırlatıyor ve “Ama şimdi, bu dev çarpışmaların ardından yaşamın gerçekten dirençli olduğunu ve aslında daha da geliştiğini anladık” diyor.
S2 göktaşı ise 40-60 km genişliğindeydi ve kütlesi 50-200 kat daha fazlaydı.
Oluşumundan yaklaşık 1,5 milyar yıl sonra bu göktaşının çarptığı Dünya bugünkünden çok farklı görünüyordu. Yüzeyinin büyük kısmı sularla kaplıydı ve sadece birkaç kıta denizden belirmiş durumdaydı. Tek hücreli mikroorganizmalardan ibaret olan yaşam ise çok basit formdaydı.
Barberton Greenstone Belt’in doğusundaki çarpma alanı, bir meteor çarpmasının kalıntılarının bulunduğu Dünya’daki en eski yerlerden biri.
Bu bölgeye üç kez giden Prof. Drabon ve ekibi çarpışmadan geriye kalan küçük kaya parçalarını arıyorlardı. Topladıkları yüzlerce kilogram kaya parçasını analiz için laboratuvara gönderdiler.
Ekip, S2 göktaşı Dünya’ya çarptığında nelere yol açmış olabileceğine dair şu öngörülerde bulunuyor:
Göktaşı 500 km’lik bir krater açmış ve inanılmaz hızlarda fırlayan kayaları toz haline getirerek dünyanın etrafında dönen bir bulut oluşturmuştu.
Prof. Drabon bu manzarayı, “Bir yağmur bulutu düşünün, ama su damlacıkları yerine, gökyüzünden yağan erimiş kaya damlacıkları gibi” diye tarif ediyor.
Çarpmanın etkisiyle dev bir tsunami oluşmuş, deniz tabanını parçalayıp kıyı şeritlerini sular altında bırakmıştı.
Tüm bu enerji, okyanusları kaynatarak onlarca metre suyun buharlaşmasına neden olan büyük miktarda ısı üretmiş, ayrıca hava sıcaklığını da 100C’ye kadar arttırmıştı.
Gökyüzü toz ve parçacıklardan oluşan kara bir bulutla kaplanmış, güneş ışığı bu Dünya’ya sızamadığı için fotosenteze dayanan karadaki veya sığ sulardaki basit yaşam yok olmuştu.
Jeologlardan oluşan ekip, deniz tabanının parçalandığına dair kanıtlar içeren kayaları analiz etti
Yaşamın gelişmesini sağladı
Bu etkiler, jeologların diğer büyük göktaşı çarpmaları hakkındaki bulgularıyla benzeşiyor.
Ancak Prof. Drabon ve ekibi daha sonra şaşırtıcı bulgulara rastladı. Kayalarda saklı bulgular, şiddetli sarsıntıların basit organizmaları besleyen fosfor ve demir gibi besinleri alt üst ettiğini gösterdi.
“Yaşam sadece dirençli değildi, aynı zamanda gerçekten hızlı bir şekilde geri döndü ve gelişti” diyen Drabon şu benzetmeyi yapıyor:
“Sabahları dişlerinizi fırçaladığınız zamanki gibi. Bakterilerin yüzde 99,9’unu öldürürsünüz ama akşama kadar hepsi geri döner.”
Yeni bulgular, büyük çarpışmaların besleyici bir işlev gördüğünü ve fosfor gibi yaşam için gerekli maddelerin dünyanın dört bir yanına dağılmasını sağladıklarını gösteriyor.
Gezegeni sarsan tsunami aynı zamanda demir açısından zengin suyu derinlerden yüzeye çıkararak erken dönem mikroplarına ekstra enerji sağlamış olabilir.
Prof. Drabon, bulguların, erken dönemde art arda Dünya’ya çarpan göktaşlarının yaşamın gelişmesine yardımcı olduğuna dair görüşü desteklediğini söylüyor.
“Öyle görünüyor ki çarpmalar yaşamın gelişmesini sağlayan elverişli koşullar yarattı” diye açıklıyor.
