生物医学 - AI在线

九大成像模式一键解析，生物医学图像AI再迎突破！微软、UW等BiomedParse登Nature子刊

作者 | BiomedParse团队编辑 | ScienceAI生物医学图像解析在癌症诊断、免疫治疗和疾病进展监测中至关重要。然而，不同的成像模式（如MRI、CT和病理学）通常需要单独的模型，造成资源浪费和效率低下，未能充分利用模式间的共性知识。微软团队最新发布的基础模型BiomedParse，开创性地通过文本驱动图像解析将九种成像模式整合于一个统一的模型中，通过联合预训练处理对象识别、检测与分割任务，实现了生物医学图像解析的新突破。

Nature子刊，北大陈语谦团队提出多模态单细胞数据整合和插补的深度学习方法

编辑 | ScienceAI今天为大家介绍的是来自北京大学信息工程学院、化学生物学与生物技术学院省部共建肿瘤化学基因组学国家重点实验室、鹏城国家实验室合聘研究员和 AI4S 平台中心主任陈语谦教授团队发表在《Nature Communications》的论文。该团队开发了一种新型的多模态整合方法，能够实现多模态单细胞数据的整合与插补，这一成果可以促进多模态单细胞数据的分析。文章链接：。

万字长文，腾讯、清华等多位生物大模型作者专访，畅谈AI生物学，解析大型细胞模型技术

编辑 | KX大型语言模型（LLM）在自然语言处理和理解领域已取得重大突破。在生物学领域，一些采用类似 LLM 结构的大型细胞模型（Large Cellular Model，LCM）被开发用于单细胞转录组学，比如：scBERT、Geneformer、scGPT、scFoundation 和 GeneCompass。这些模型展示了 LCM 在各种生物任务中的应用潜力，并说明了 LCM 彻底改变未来生物学研究的可能性。大型细胞模型的示意图。近日，《Quantitative Biology》期刊采访了一些最具影响力的 L

清华&第四范式&腾讯研究团队：图神经网络与生物医学网络实现新兴药物相互作用预测

编辑 | 萝卜皮新兴药物的药物相互作用 (DDI) 为治疗和缓解疾病提供了可能性，利用计算方法准确预测这些相互作用可以改善患者护理并有助于高效的药物开发。然而，许多现有的计算方法需要大量已知的 DDI 信息，这对于新兴药物来说是稀缺的。清华大学、第四范式（4Paradigm）以及腾讯 Jarvis Lab 的研究人员提出了 EmerGNN，这是一种图神经网络，可以利用生物医学网络中的丰富信息来有效预测新兴药物的相互作用。EmerGNN 通过提取药物对之间的路径、将信息从一种药物传播到另一种药物以及在路径上结合相关的