System – chatgpz.de – KI-Tools & Praxiswissen

Finanzanalysen zeigen die versteckten Kosten auf, wenn das System nicht gewechselt wird

admin — Tue, 27 Jan 2026 20:59:16 +0000

[ad_1]

Viele Unternehmen verzögern Systemaktualisierungen, weil vorhandene Instruments funktionsfähig erscheinen. Berichte werden weiterhin generiert, Daten fließen weiterhin und tägliche Aufgaben werden erledigt. Finanzanalysen erzählen eine andere Geschichte. Wenn Führungskräfte über die oberflächliche Leistung hinausblicken, stellen sie oft fest, dass veraltete Systeme stillschweigend Ressourcen verbrauchen und verzerren Entscheidungsfindungund langsames Wachstum in einer Weise, die ohne tiefergehende Analyse schwer zu erkennen ist.

Der Produktivitätsverlust ist offensichtlich

Eine der häufigsten Erkenntnisse aus der Finanzanalyse ist Produktivitätsverlust. Ältere Systeme sind häufig auf manuelle Problemumgehungen angewiesen. doppelte Dateneingabeund tabellenbasierte Korrekturen. Diese Aufgaben verlängern die einzelnen Arbeitsabläufe um Minuten, aber Analysen zeigen, wie sich diese Minuten über Groups und Monate hinweg summieren.

Zeiterfassungs- und Kostenzuordnungsdaten zeigen oft, dass Mitarbeiter viel Zeit damit verbringen, Daten abzugleichen, Fehler zu korrigieren oder Informationen zwischen Systemen zu exportieren, die nicht intestine integriert sind. Die finanziellen Auswirkungen zeigen sich in höheren Arbeitskosten ohne entsprechende Produktionssteigerung, eine Lücke, die jahrelang unbemerkt bestehen bleiben kann.

Verzögerte Entscheidungen haben echtes finanzielles Gewicht

In datengesteuerten Umgebungen kommt es auf Geschwindigkeit an. Finanzanalysen verdeutlichen, wie veraltete Systeme den Zugriff auf genaue Informationen verlangsamen. Wenn die Erstellung von Berichten Tage statt Minuten dauert, basieren Entscheidungen auf historischen Momentaufnahmen und nicht auf aktuellen Bedingungen.

Diese Verzögerung wirkt sich auf die Preisgestaltung, die Bestandsverwaltung, den Investitionszeitpunkt und die Risikobewertung aus. Analysemodelle zeigen häufig verpasste Umsatzmöglichkeiten aufgrund verzögerter Erkenntnisse. Während diese Verluste selten als Einzelposten erscheinen, werden sie deutlich, wenn man Prognosegenauigkeit und Reaktionszeiten über Systemgenerationen hinweg vergleicht.

Fehlerraten und Compliance-Gefährdung

Bei älteren Plattformen mangelt es oft an automatisierter Validierung und Echtzeitüberwachung. Finanzanalysen können quantifizieren, wie die Fehlerraten steigen, wenn Systeme stark von manuellen Prozessen abhängen. Selbst kleine Ungenauigkeiten verursachen nachgelagerte Kosten durch Nacharbeiten, Audit-Anpassungen oder Compliance-Überprüfungen.

Für regulierte Branchen werden diese Risiken immer gravierender. Analytics-Dashboards kennzeichnen häufig Muster wie wiederkehrende Korrekturen oder verspätete Einreichungen, die auf Systemeinschränkungen zurückzuführen sind. Die Kosten für die Lösung dieser Probleme übersteigen in der Regel die Modernisierungskosten, bleiben jedoch verborgen, bis sie direkt gemessen werden.

Opportunitätskosten begrenzter Skalierbarkeit

Wenn Unternehmen wachsen, fällt es älteren Systemen schwer, sich zu skalieren. Finanzanalysen helfen dabei, die Kosten von Wachstumsreibungen zu isolieren. Dazu gehören ein langsameres Onboarding neuer Kunden, eine verzögerte Marktexpansion oder die Unfähigkeit, neue Dienste zu unterstützen.

Wenn Analytics die Leistung verschiedener Geschäftsbereiche mithilfe verschiedener Instruments vergleicht, wird die Lücke deutlich. Moderne Plattformen unterstützen erweiterte Prognosen, Automatisierung und Szenarioanalysen, mit denen ältere Systeme nicht mithalten können. Diese Unterschiede führen zu einer schnelleren Ausführung und einer besseren Kapitalnutzung.

Fragmentierte Daten verringern die strategische Klarheit

Getrennte Systeme erzeugen fragmentierte Datenansichten. Die Finanzanalyse zeigt, wie diese Fragmentierung die strategische Planung schwächt. Führungskräfte sehen möglicherweise Umsatztrends bei einem Device und Kostentreiber bei einem anderen, ohne eine einheitliche Perspektive zu haben.

Integrierte Plattformen, einschließlich Datenlösungen für die Vermögensverwaltungermöglichen es Unternehmen, Finanz-, Betriebs- und Kundendaten in einer einzigen Umgebung zu verbinden. Analysen aus diesen Systemen liefern klarere Einblicke in Rentabilitätstreiber und langfristige Leistungstrends, die isolierte Instruments verdecken.

Messung der tatsächlichen Kosten einer Verzögerung

Die tatsächlichen Kosten, die entstehen, wenn das System nicht gewechselt wird, erscheinen selten als einzelne Zahl. Finanzanalysen führen diese versteckten Kosten zusammen, indem sie verlorene Zeit, verpasste Chancen, erhöhte Risiken und langsameres Wachstum quantifizieren. Insgesamt überwiegen die Kosten einer Verzögerung oft die für die Änderung erforderlichen Investitionen.

Unternehmen, die sich zur Bewertung der Systemleistung auf Analysen verlassen, erhalten ein klareres Bild davon, wo der Wert sinkt. Mit dieser Transparenz können Führungskräfte über Annahmen hinausgehen und fundierte Entscheidungen zur Modernisierung treffen, die Genauigkeit, Agilität und langfristige Belastbarkeit unterstützen. Weitere Informationen finden Sie in der Infografik unten.

[ad_2]

System zur Unterbindung von Betrugsringen

admin — Sun, 16 Nov 2025 13:00:04 +0000

[ad_1]

Laut LexisNexis verlieren Banken jedes Jahr mehr als 442 Milliarden US-Greenback durch Betrug Studie zu den wahren Kosten von Betrug. Herkömmliche regelbasierte Systeme können nicht mithalten Gartner berichtet dass sie mehr als 50 % der neuen Betrugsmuster übersehen, da sich Angreifer schneller anpassen, als die Regeln aktualisiert werden können. Gleichzeitig nehmen die Falschmeldungen weiter zu. Aite-Novarica fanden heraus, dass quick 90 % der abgelehnten Transaktionen tatsächlich legitim sind, was Kunden frustriert und die Betriebskosten erhöht. Auch Betrug wird immer koordinierter. Feedzai verzeichnete innerhalb eines Jahres einen Anstieg der Aktivitäten von Betrugsringen um 109 %.

Um an der Spitze zu bleiben, benötigen Banken Modelle, die die Beziehungen zwischen Benutzern, Händlern, Geräten und Transaktionen verstehen. Aus diesem Grund entwickeln wir ein Betrugserkennungssystem der nächsten Era, das auf Graph Neural Networks und Neo4j basiert. Anstatt Transaktionen als isolierte Ereignisse zu behandeln, analysiert dieses System das gesamte Netzwerk und deckt komplexe Betrugsmuster auf, die herkömmliches ML oft übersieht.

Warum scheitert die herkömmliche Betrugserkennung?

Versuchen wir zunächst zu verstehen, warum wir auf diesen neuen Ansatz umsteigen müssen. Die meisten Betrugserkennungssysteme verwenden traditionelle Methoden ML Modelle, die die zu analysierenden Transaktionen isolieren.

Die regelbasierte Falle

Nachfolgend finden Sie ein sehr standardmäßiges, regelbasiertes Betrugserkennungssystem:

def detect_fraud(transaction): 
    if transaction.quantity > 1000: 
        return "FRAUD" 
    if transaction.hour in (0, 1, 2, 3): 
        return "FRAUD" 
    if transaction.location != person.home_location: 
        return "FRAUD" 
    return "LEGITIMATE"

Die Probleme hier sind ziemlich einfach:

Manchmal werden legitime Einkäufe mit hohem Wert gekennzeichnet (z. B. wenn Ihr Kunde einen Laptop bei Finest Purchase kauft).
Betrügerische Akteure passen sich schnell an – sie beschränken Einkäufe nur auf weniger als 1.000 US-Greenback
Kein Kontext – ein Geschäftsreisender, der beruflich unterwegs ist und Einkäufe tätigt, wird daher markiert
Es gibt keine neuen Erkenntnisse – das System verbessert sich nicht durch die Identifizierung neuer Betrugsmuster

Warum scheitert selbst traditionelles ML?

Zufälliger Wald und XGBoost waren besser, analysieren aber immer noch jede Transaktion einzeln. Sie merken es vielleicht nicht! Benutzer_A, Benutzer_BUnd Benutzer_C sind alle kompromittierte Konten, sie werden alle von einem betrügerischen Ring kontrolliert, sie alle scheinen innerhalb weniger Minuten denselben fragwürdigen Händler ins Visier zu nehmen.

Wichtige Erkenntnis: Betrug ist relational. Betrüger agieren nicht alleine, sie agieren als Netzwerke. Sie teilen Ressourcen. Und ihre Muster werden erst sichtbar, wenn sie über Beziehungen zwischen Entitäten hinweg beobachtet werden.

Geben Sie Graph Neural Networks ein

Graph Neural Networks wurden speziell für das Lernen aus vernetzten Daten entwickelt und analysieren die gesamte Diagrammstruktur, in der die Transaktionen eine Beziehung zwischen Benutzern und Händlern bilden und zusätzliche Knoten Geräte, IP-Adressen und mehr darstellen würden, anstatt jeweils eine Transaktion zu analysieren.

Die Macht der Graphdarstellung

In unserem Framework stellen wir das Betrugsproblem mit einer Graphenstruktur dar, mit den folgenden Knoten und Kanten:

Knoten:

Benutzer (der Kunde, der die Kreditkarte besitzt)
Händler (das Unternehmen, das Zahlungen akzeptiert)
Transaktionen (Einzelkäufe)

Kanten:

Benutzer → Transaktion (wer hat den Kauf durchgeführt)
Transaktion → Händler (bei dem der Kauf stattgefunden hat)

Diese Darstellung ermöglicht es uns, Muster zu beobachten wie:

Betrugsringe: 15 kompromittierte Konten, die alle auf denselben Händler abzielen, innerhalb von 2 Stunden
Kompromittierter Händler: Ein seriös aussehender Händler lockt plötzlich nur noch Betrüger an
Geschwindigkeitsangriffe: Dasselbe Gerät führt Käufe von 10 verschiedenen Konten aus

Aufbau des Programs: Architekturübersicht

Unser System besteht aus fünf Hauptkomponenten, die eine vollständige Pipeline bilden:

Technologie-Stack:

Neo4j 5.x: Es dient der Speicherung und Abfrage von Diagrammen
PyTorch 2.x: Es wird mit verwendet PyTorch Geometrisch für die GNN-Implementierung
Python 3.9+: Gebraucht für die gesamte Pipeline
Pandas/NumPy: Es ist zur Datenmanipulation

Umsetzung: Schritt für Schritt

Schritt 1: Daten in Neo4j modellieren

Neo4j ist eine native Diagrammdatenbank, die Beziehungen als erstklassige Bürger speichert. So modellieren wir unsere Entitäten:

Benutzerknoten mit Verhaltensfunktionen

CREATE (u:Person { 
    user_id: 'U0001', 
    age: 42, 
    account_age_days: 1250, 
    credit_score: 720, 
    avg_transaction_amount: 245.50 
})

Händlerknoten mit Risikoindikatoren

CREATE (m:Service provider { 

    merchant_id: 'M001', 

    identify: 'Electronics Retailer', 

    class: 'Electronics', 

    risk_score: 0.23 

})

Transaktionsknoten, der das Ereignis erfasst

CREATE (t:Transaction { 

    transaction_id: 'T00001', 

    quantity: 125.50, 

    timestamp: datetime('2024-06-15T14:30:00'), 

    hour: 14, 

    is_fraud: 0 

})

Beziehungen verbinden die Entitäten

CREATE (u)-(:MADE_TRANSACTION)->






Warum dieses Schema funktioniert: 




Benutzer und Händler sind stabile Einheiten mit einem spezifischen Funktionsumfang 



Transaktionen sind Ereignisse, die Kanten in unserem Diagramm bilden 



Eine zweiteilige Struktur (Benutzer-Transaktion-Service provider) eignet sich intestine für die Nachrichtenübermittlung in GNNs 




Schritt 2: Datengenerierung mit realistischen Betrugsmustern 



Mithilfe der eingebetteten Betrugsmuster generieren wir synthetische, aber realistische Daten: 



class FraudDataGenerator: 
    def generate_transactions(self, users_df, merchants_df): 
        transactions = () 
         
        # Create fraud ring (coordinated attackers) 
        fraud_users = random.pattern(listing(users_df('user_id')), 50) 
        fraud_merchants = random.pattern(listing(merchants_df('merchant_id')), 10) 
         
        for i in vary(5000): 
            is_fraud = np.random.random() < 0.15  # 15% fraud fee 
             
            if is_fraud: 
                # Fraud sample: excessive quantities, odd hours, fraud ring 
                user_id = random.alternative(fraud_users) 
                merchant_id = random.alternative(fraud_merchants) 
                quantity = np.random.uniform(500, 2000) 
                hour = np.random.alternative((0, 1, 2, 3, 22, 23)) 
            else: 
                # Regular sample: enterprise hours, typical quantities 
                user_id = random.alternative(listing(users_df('user_id'))) 
                merchant_id = random.alternative(listing(merchants_df('merchant_id'))) 
                quantity = np.random.lognormal(4, 1) 
                hour = np.random.randint(8, 22) 
             
            transactions.append({ 
                'transaction_id': f'T{i:05d}', 
                'user_id': user_id, 
                'merchant_id': merchant_id, 
                'quantity': spherical(quantity, 2), 
                'hour': hour, 
                'is_fraud': 1 if is_fraud else 0 
            }) 
         
        return pd.DataFrame(transactions) 
Diese Funktion hilft uns dabei, 5.000 Transaktionen mit einer Betrugsrate von 15 % zu generieren, einschließlich realistischer Muster wie Betrugsringe und zeitbasierte Anomalien. 
Schritt 3: Aufbau des neuronalen GraphSAGE-Netzwerks 
Wir haben uns für die GraphSAGE- oder Graph Pattern and Combination-Methode entschieden GNN-Architektur da es nicht nur intestine skaliert, sondern auch neue Knoten ohne Umschulung verarbeitet. So werden wir es umsetzen: 
import torch 
import torch.nn as nn 
import torch.nn.useful as F 
from torch_geometric.nn import SAGEConv 
 
class FraudGNN(nn.Module): 
    def __init__(self, num_features, hidden_dim=64, num_classes=2): 
        tremendous(FraudGNN, self).__init__() 
         
        # Three graph convolutional layers 
        self.conv1 = SAGEConv(num_features, hidden_dim) 
        self.conv2 = SAGEConv(hidden_dim, hidden_dim) 
        self.conv3 = SAGEConv(hidden_dim, hidden_dim) 
         
        # Classification head 
        self.fc = nn.Linear(hidden_dim, num_classes) 
         
        # Dropout for regularization 
        self.dropout = nn.Dropout(0.3) 
     
    def ahead(self, x, edge_index): 
        # Layer 1: Combination from 1-hop neighbors 
        x = self.conv1(x, edge_index) 
        x = F.relu(x) 
        x = self.dropout(x) 
         
        # Layer 2: Combination from 2-hop neighbors 
        x = self.conv2(x, edge_index) 
        x = F.relu(x) 
        x = self.dropout(x) 
         
        # Layer 3: Combination from 3-hop neighbors 
        x = self.conv3(x, edge_index) 
        x = F.relu(x) 
        x = self.dropout(x) 
         
        # Classification 
        x = self.fc(x) 
        return F.log_softmax(x, dim=1) 
Was passiert hier: 

Schicht 1 untersucht unmittelbare Nachbarn (Benutzer → Transaktionen → Händler)  
Layer 2 wird sich auf 2-Hop-Nachbarn erstrecken (Suche nach Benutzern, die über einen gemeinsamen Händler verbunden sind).  
Schicht 3 wird 3-Hop-Nachbarn beobachten (Betrugsringe von Benutzern finden, die über mehrere Händler verbunden sind).  
Verwenden Sie Dropout (30 %), um eine Überanpassung an bestimmte Strukturen im Diagramm zu reduzieren  
Protokoll von Softmax stellt Wahrscheinlichkeitsverteilungen für legitim vs. betrügerisch bereit 

Schritt 4: Function-Engineering 
Für ein stabiles Coaching normalisieren wir alle Merkmale auf den Bereich (0, 1): 
def prepare_features(customers, retailers): 
    # Person options (4 dimensions) 
    user_features = () 
    for person in customers: 
        options = ( 
            person('age') / 100.0,                     # Age normalized 
            person('account_age_days') / 3650.0,       # Account age (10 years max) 
            person('credit_score') / 850.0,            # Credit score rating normalized 
            person('avg_transaction_amount') / 1000.0  # Common quantity 
        ) 
        user_features.append(options) 
     
    # Service provider options (padded to match person dimensions) 
    merchant_features = () 
    for service provider in retailers: 
        options = ( 
            service provider('risk_score'),  # Pre-computed threat 
            0.0, 0.0, 0.0           # Padding 
        ) 
        merchant_features.append(options) 
     
    return torch.FloatTensor(user_features + merchant_features) 
Schritt 5: Trainieren des Modells 
Hier ist unsere Trainingsschleife: 
def train_model(mannequin, x, edge_index, train_indices, train_labels, epochs=100): 
    optimizer = torch.optim.Adam( 
        mannequin.parameters(),  
        lr=0.01,           # Studying fee 
        weight_decay=5e-4  # L2 regularization 
    ) 
     
    for epoch in vary(epochs): 
        mannequin.practice() 
        optimizer.zero_grad() 
         
        # Ahead move 
        out = mannequin(x, edge_index) 
         
        # Calculate loss on coaching nodes solely 
        loss = F.nll_loss(out(train_indices), train_labels) 
         
        # Backward move 
        loss.backward() 
        optimizer.step() 
         
        if epoch % 10 == 0: 
            print(f"Epoch {epoch:3d} | Loss: {loss.merchandise():.4f}") 
     
    return mannequin 
Trainingsdynamik: 

Es beginnt mit einem Verlust von etwa 0,80 (zufällige Initialisierung). 
Nach 100 Epochen konvergiert es auf 0,33–0,36 
Für unseren Datensatz benötigt die CPU etwa 60 Sekunden 

Ergebnisse: Was wir erreicht haben 
Nachdem wir die komplette Pipeline ausgeführt haben, sind hier unsere Ergebnisse: 



Leistungskennzahlen 
Klassifizierungsbericht: 



Die Ergebnisse verstehen 
Versuchen wir, die Ergebnisse aufzuschlüsseln, um sie besser zu verstehen. 
Was intestine funktioniert hat: 

91 % Gesamtgenauigkeit: Sie ist viel höher als die regelbasierte Genauigkeit (70 %). 
AUC-ROC von 0,96: Zeigt eine sehr gute Klassenunterscheidung. 
Perfekte Erinnerung an Rechtsgeschäfte: Wir blockieren keine guten Benutzer. 

Was muss verbessert werden: 

Die Betrügereien hatten eine Genauigkeit von Null. Das Modell ist in diesem Durchlauf einfach zu konservativ. 
Dies kann passieren, weil das Modell einfach mehr Betrugsbeispiele benötigt oder der Schwellenwert angepasst werden muss. 

Visualisierungen erzählen die Geschichte 
Die folgende Verwirrungsmatrix zeigt, wie das Modell in diesem bestimmten Lauf alle Transaktionen als legitim klassifizierte:  



Die ROC-Kurve zeigt eine starke Unterscheidungsfähigkeit (AUC = 0,961), was bedeutet, dass das Modell Betrugsmuster lernt, selbst wenn der Schwellenwert angepasst werden muss: 






Analyse von Betrugsmustern 
Die von uns durchgeführte Analyse konnte eindeutige Tendencies aufzeigen:  
Zeitliche Tendencies:  

Von 0 bis 3 und von 22 bis 23 Uhr: Es gab eine Betrugsrate von 100 % (es handelte sich um klassische Angriffe zu ungeraden Stunden).  
Von 8 bis 21 Uhr: Es gab eine Betrugsrate von 0 % (es waren normale Geschäftszeiten)  

Betragsverteilung:  

Legitim: Der Schwerpunkt lag auf dem Bereich von 0 bis 250 US-Greenback (Log-Normalverteilung).  
Betrügerisch: Es deckte den Bereich von 500 bis 2.000 US-Greenback ab (Angriffe mit hohem Wert)  

Netzwerktrends:   

Der Betrugsring aus 50 Konten hatte 10 Händler gemeinsam  
Der Betrug battle nicht gleichmäßig verteilt, sondern konzentrierte sich auf bestimmte Händlergruppen 

Wann sollte dieser Ansatz verwendet werden? 
Dieser Ansatz ist superb für:  

Betrug weist sichtbare Netzwerkmuster auf (z. B. Ringe, koordinierte Angriffe)  
Sie verfügen über Beziehungsdaten (Benutzer-Händler-Geräte-Verbindungen)  
Aufgrund des Transaktionsvolumens lohnt es sich, in die Infrastruktur zu investieren (Millionen Transaktionen).  
Echtzeiterkennung mit einer Latenz von 50–100 ms ist in Ordnung  

Dieser Ansatz eignet sich nicht für Szenarios wie:  

Völlig unabhängige Transaktionen ohne Netzwerkeffekte  
Sehr kleine Datensätze (< 10.000 Transaktionen)  
Erfordert eine Latenz von weniger als 10 ms  
Begrenzte ML-Infrastruktur 

Abschluss 
Graph Neural Networks verändern das Spiel bei der Betrugserkennung. Anstatt die Transaktionen als isolierte Ereignisse zu behandeln, können Unternehmen sie nun als Netzwerk modellieren und auf diese Weise komplexere Betrugspläne erkennen, die den herkömmlichen Methoden entgehen ML. 
Der Fortschritt unserer Arbeit beweist, dass diese Denkweise nicht nur in der Theorie interessant, sondern auch in der Praxis nützlich ist. Die GNN-basierte Betrugserkennung mit Zahlen von 91 % Genauigkeit, 0,961 AUC und der Fähigkeit, Betrugsringe und koordinierte Angriffe zu erkennen, bietet einen echten Mehrwert für das Unternehmen. 
Der gesamte Code ist verfügbar unter GitHubSie können es additionally gerne an Ihre spezifischen Probleme und Anwendungsfälle bei der Betrugserkennung anpassen. 
Häufig gestellte Fragen

Q1. Warum Graph Neural Networks (GNN) zur Betrugserkennung verwenden? 
A. GNNs erfassen Beziehungen zwischen Benutzern, Händlern und Geräten und decken Betrugsringe und vernetzte Verhaltensweisen auf, die herkömmliche ML- oder regelbasierte Systeme übersehen, indem sie Transaktionen unabhängig analysieren.

Q2. Wie verbessert Neo4j dieses Betrugserkennungssystem? 
A. Neo4j speichert und fragt Diagrammbeziehungen nativ ab und erleichtert so die Modellierung und Durchquerung von Benutzer-Händler-Transaktionsverbindungen, die für die Erkennung von Betrugsmustern in Echtzeit unerlässlich sind.

Q3. Welche Ergebnisse hat das GNN-basierte Modell erzielt? 
A. Das Modell erreichte eine Genauigkeit von 91 % und eine AUC von 0,961 und identifizierte erfolgreich koordinierte Betrugsringe, während gleichzeitig die Anzahl der Fehlalarme gering gehalten wurde.





                                    

                                                                       
                                
                                

Knowledge Science Trainee bei Analytics Vidhya
Derzeit arbeite ich als Knowledge Science Trainee bei Analytics Vidhya, wo ich mich auf die Entwicklung datengesteuerter Lösungen und die Anwendung von KI/ML-Techniken zur Lösung realer Geschäftsprobleme konzentriere. Meine Arbeit ermöglicht es mir, fortschrittliche Analysen, maschinelles Lernen und KI-Anwendungen zu erforschen, die es Unternehmen ermöglichen, intelligentere, evidenzbasierte Entscheidungen zu treffen.
Mit einem starken Fundament in den Bereichen Informatik, Softwareentwicklung und Datenanalyse ist es mir eine Leidenschaft, KI zu nutzen, um wirkungsvolle, skalierbare Lösungen zu schaffen, die die Lücke zwischen Technologie und Geschäft schließen.
 Du kannst mich auch erreichen unter (electronic mail protected)


Melden Sie sich an, um weiterzulesen und von Experten kuratierte Inhalte zu genießen.
                        
                    
[ad_2]



Googles Plan, ein kaputtes System zu reparieren
admin — Mon, 10 Nov 2025 12:34:04 +0000
 [ad_1]



Während die Welt darüber debattiert, wie KI in die Bildung passen soll, bleibt die Tatsache bestehen, dass Schulen und das Lernsystem im Allgemeinen bereits sehr angespannt sind. Nachweisen? Das globale Lernniveau sinkt. Die neuesten PISA-Ergebnisse zeigen den stärksten Rückgang der Schülerleistungen seit zwei Jahrzehnten, insbesondere in den Bereichen Lesen und Mathematik. Die Schulen schreiben mehr Schüler ein als je zuvor, doch die tatsächlichen Lernfortschritte halten nicht Schritt. Die Lehrer sind überlastet. Die Studierenden sind überfordert. Und ehrlich gesagt geht der wahre Sinn des Lernens einfach verloren.
Vor diesem Hintergrund hat Google sein Positionspapier veröffentlicht: „KI und die Zukunft des Lernens.“ Es verspricht keine schnelle Lösung oder eine auffällige technische Überarbeitung. Stattdessen wird ein forschungsorientierter, auf Lernwissenschaften basierender Ansatz dargelegt, wie KI die Bildung sowohl für Schüler als auch für Lehrer wirklich verbessern kann. Hier gibt es eine Erkenntnis, die ich sehr interessant fand: KI in der Bildung ist keineswegs dazu gedacht, Menschen zu ersetzen. Es soll lediglich das System reparieren.
In Googles Worten:

„Durch die Unterstützung von Lehrern und die Personalisierung des Lernens kann KI dazu beitragen, das menschliche Potenzial auf der ganzen Welt freizusetzen.“

Was genau ist dieser Bericht? Was steht darin? Und wie können wir uns damit die Zukunft des Lernens vorstellen? Lass uns eintauchen.
Im Google-Bericht „KI und die Zukunft des Lernens“.
Googles neuer Bericht „KI und die Zukunft des Lernens“ ist im Wesentlichen ein Entwurf dafür, wie KI im Bildungswesen entworfen, eingesetzt und gesteuert werden sollte. Es geht um die Verwendung KI zur Stärkung der Lernergebnissehochwertige Bildung für alle zugänglich machen und die Menschen unterstützen, die das System am Laufen halten: Lehrer.
Der Bericht legt die Kernphilosophie von Google beim Aufbau von KI für die Bildung dar: KI muss auf dem Erlernen von Wissenschaft, Pädagogik und evidenzgestützten Praktiken basieren und darf nicht auf Hype basieren. Und das ist nicht nur Theorie. Google hebt seine laufende Arbeit mit LearnLM hervor, einer Familie von KI-Modellen, die speziell auf das Lernen abgestimmt sind. Die Idee ist einfach: Wenn KI lehren soll, muss sie selbst darauf trainiert werden, wie Menschen lernen.
Der Bericht macht auch eines klar: Die Welt braucht keine KI, die „clever klingt“. Wir brauchen KI, die Lernende tatsächlich intelligenter, neugieriger und fähiger macht, selbstständig zu denken. Diese Unterscheidung prägt alles, was in Googles Roadmap für die Zukunft folgt.
Warum dieser Bericht gerade jetzt wichtig ist
Allein die Tatsache, dass das Bildungssystem weltweit unter Druck steht, verdeutlicht eine der größten Chancen seit Jahrzehnten, die Artwork und Weise, wie Lernen tatsächlich funktioniert, neu zu gestalten. Das ist der Punkt, an dem sich das Gespräch dreht KI in der Bildung braucht einen Reset. Anstatt zu fragen: „Sollte KI in Klassenzimmern sein?“ Die relevantere Frage lautet: „Wie kann KI besseres Lernen unterstützen, ohne den menschlichen Kern der Bildung zu verlieren?“
Dieser Bericht ist wichtig, weil er zu einer Zeit erscheint, in der Schüler, Lehrer und Eltern alle dasselbe fragen: Kann Bildung für alle Beteiligten effektiver, persönlicher und weniger anstrengend werden? Google glaubt, dass die Antwort „Ja“ lautet. Und vieles davon hängt davon ab, dass die KI richtig aufgebaut ist. Nicht als Abkürzung oder Cheat-Code, sondern als Werkzeug, das die Neugier weckt, das Verständnis stärkt und Lehrern die Freiheit gibt, das zu tun, was Maschinen nicht können.
Kurz gesagt, dieser Bericht ist keine Warnung oder ein technischer Pitch. Es ist ein richtungsweisendes Dokument für eine Zukunft, in der Technologie endlich das Lernen unterstützt, anstatt es zu erschweren.
Wichtige Erkenntnisse auf einen Blick
Der Bericht von Google hebt fünf große Veränderungen hervor, die KI im Bildungswesen bewirken kann, wenn sie verantwortungsvoll entwickelt und von der Lernwissenschaft geleitet wird:

Personalisiertes Lernen im großen Maßstab ist jetzt möglich: KI kann sich an das Tempo, die Lücken, die Stärken und den Lernstil jedes Schülers anpassen und ermöglicht so Millionen Zugang zu der Artwork personalisierter Unterstützung, die früher nur von 1:1-Lehrern angeboten wurde.
Die Lehrkräfte bleiben im Mittelpunkt der Lernerfahrung: KI wird als Lehrassistent und nicht als Ersatz positioniert. Dies bedeutet, dass es bei Planung, Beurteilungen, Suggestions und Verwaltung helfen kann, sodass sich Lehrer auf Mentoring, Kontakte und menschliche Entwicklung konzentrieren können.
Lernen muss aktiv und nicht passiv bleiben: KI-Instruments sollen zum Nachdenken, Hinterfragen, Reflektieren und Problemlösen anregen. Was es nicht tun sollte, ist, Antworten mit dem Löffel zu füttern oder „metakognitive Faulheit“ zu erzeugen.
Das Lernen wird sich vom Konsum von Inhalten zum aktiven Engagement verlagern: Google betont, dass KI „eine aktive Teilnahme anregen“ und die Schüler vom „passiven Konsum zur aktiven Anwendung“ bewegen muss. Der Bericht hebt hervor, dass eine intestine konzipierte KI durch geführte Fragen, räumliches Üben, Simulationen und Echtzeit-Suggestions interaktives Lernen ermöglichen kann.
Gleichheit vor Innovation: Das Ziel sind nicht Excessive-Tech-Klassenzimmer für einige wenige. Es ist KI in der Bildung, die verschiedene Sprachen, Regionen und Lernumgebungen erreicht, sodass die Vorteile bestehende Lücken nicht vergrößern. In seinem Bericht positioniert Google KI als eine Möglichkeit, Ungleichheiten zu verringern, indem es Unterstützung über Sprachen, Kulturen, Einkommensniveaus und Lernunterschiede hinweg bietet.
KI kann neue Erkenntnisse darüber liefern, wie Lernen geschieht: Dieser hier geht eher in die Richtung von datengestützte Erkenntnisse. Der Bericht von Google hebt hervor, dass KI Lernmuster, Motivationsauslöser und „Aha“-Momente analysieren kann, um neue Grenzen der Lernforschung aufzudecken, die bisher nicht zu beobachten waren.
Am wichtigsten ist, dass KI menschliche Beziehungen beim Lernen nicht ersetzen wird: Der Bericht bekräftigt, dass Motivation und tieferes Lernen auf menschlicher Verbindung, Zugehörigkeit und Ermutigung beruhen, und das ist etwas, was KI nicht reproduzieren kann.

Herausforderungen: Risiken und Bedenken, die wir nicht ignorieren können
Trotz aller Möglichkeiten macht der Bericht eines klar: Wenn wir KI in der Bildung falsch verstehen, wird sie nicht einfach scheitern. Es könnte die Artwork und Weise, wie Schüler lernen, aktiv beeinträchtigen. Der Bericht von Google scheut sich nicht, dies anzusprechen. Hier sind die größten Risiken, die wir nicht ignorieren dürfen:
1. Die Schüler hören möglicherweise auf, selbstständig zu denken
Der Bericht warnt davor, dass viele Studierende bereits „zu viel Denken auf die KI verlagern“, was zu dem führt, was Experten als „metakognitive Faulheit“ bezeichnen.
Wenn KI zu einer Abkürzung zu Antworten statt zu einem Leitfaden zum Verstehen wird, besteht die Gefahr, dass eine Technology heranwächst, die Aufsätze schreiben, Mathematik lösen oder Konzepte erklären kann, ohne sie tatsächlich zu kennen. Die Haltung von Google ist klar: KI muss durch reflektiertes Fragen und Denken „tiefes Denken fördern – nicht ersetzen“.
2. Akademische Ehrlichkeit wird immer schwieriger aufrechtzuerhalten sein
KI hat die Grenze zwischen Lernunterstützung und schlichtem Betrug verwischt. Wir alle wissen, dass Schulen heute bereits Schwierigkeiten haben, zu definieren, wie eine „akzeptable Nutzung“ aussieht. Umfragen zeigen einen zunehmenden Missbrauch, es besteht jedoch kein allgemeiner Konsens darüber, was als Missbrauch gilt KI-Betrug.
Dies wird die Schulen möglicherweise dazu zwingen, die Beurteilungen komplett neu zu gestalten und sich auf Debatten, mündliche Prüfungen, Portfolioarbeiten und Aufgaben zu konzentrieren, die KI nicht so leicht fälschen kann.
3. Jüngere Benutzer sind höheren Sicherheits- und emotionalen Risiken ausgesetzt
KI-Systeme müssen Kinder vor schädlichen Inhalten, voreingenommenen Ergebnissen und psychologischen Risiken schützen. Google betont die dringende Notwendigkeit mehrschichtiger Schutzmaßnahmen, altersgerechter Filterung und KI-Kompetenz für Schüler.
Ohne dies könnte KI junge Köpfe auf eine Weise beeinflussen, die wir nicht vollständig verstehen und, schlimmer noch, nicht rückgängig machen können.
4. KI könnte die Kluft im Bildungsbereich vergrößern, nicht schließen
Wenn nur intestine finanzierte Schulen oder englischsprachige Schüler von KI profitieren, werden wir genau die Lücken vergrößern, die wir zu schließen versuchen. Google gibt an, dass KI nur dann sinnvoll ist, wenn sie zugänglich, erschwinglich sowie kulturell und sprachlich inklusiv bleibt.
Wenn wir dies ignorieren, wird KI zu einem weiteren Privileg und nicht zu einem Ausgleichs- oder Stärkungswerkzeug, als das sie ursprünglich gedacht conflict.
Googles Roadmap und Imaginative and prescient für die Zukunft des Lernens
Deshalb liebe ich persönlich Google – es ist brutal aktionsorientiert. Wenn alle Tech-Majors ein Movie wären, wäre Google definitiv eine „Die Onerous“-Nummer. Auch seine Imaginative and prescient für KI in der Bildung spiegelt dies wider. So geht’s:
1. Google trainiert KI-Modelle speziell für das Lernen und nicht nur für die Data
Google entwickelt KI-Modelle, darunter Zwillinge erweitert mit LearnLM. Diese sind speziell für die Bildung konzipiert und basieren auf dem Erlernen wissenschaftlicher Erkenntnisse. Diese Modelle sind darauf trainiert, Schüler durch Neugier, Erkundung und kritisches Denken anzuleiten, anstatt ihnen sofort Antworten zu geben. Das Ziel besteht darin, KI zu schaffen, die „Menschen beim Lernen hilft“ und echtes Verständnis aufbaut, anstatt Abkürzungen bereitzustellen, die das Lernen nachahmen.
2. Positionierung der KI als Lehrassistent und nicht als Lehrerersatz
Die Roadmap von Google sorgt dafür, dass Lehrer im Mittelpunkt des Klassenzimmers stehen. KI ist darauf ausgelegt, die Aufgaben zu bewältigen, die Lehrer Zeit beanspruchen, wie Unterrichtsplanung, Verwaltung, Suggestions und Inhaltsgerüste, damit sich Pädagogen auf Mentoring, emotionale Unterstützung und eine tiefere menschliche Verbindung zu den Schülern konzentrieren können. Das Ziel besteht darin, die Wirkung der Lehrkräfte zu verstärken und nicht zu verwässern. Wie der Bericht feststellt, sind menschliche Beziehungen nach wie vor von zentraler Bedeutung dafür, wie Schüler motiviert bleiben und intensiv lernen.
3. Personalisiertes Lernen skalieren, ohne jemanden zurückzulassen
Google will personalisiertes Lernen um alle Lernenden zu erreichen, nicht nur diejenigen in intestine ausgestatteten Schulen. Das bedeutet, KI-Instruments zugänglich, mehrsprachig, kulturell related und inklusiv für unterschiedliche Lernbedürfnisse zu machen. Der Schwerpunkt liegt auf der Verringerung der Bildungsungleichheit, indem sichergestellt wird, dass KI Schülern in verschiedenen Regionen, Sprachen und sozioökonomischen Hintergründen zugute kommt.
4. Mit Pädagogen, Forschern und politischen Entscheidungsträgern die Zukunft des Lernens gestalten
Anstatt KI über Nacht in die Klassenzimmer zu bringen, verfolgt Google einen evidenzbasierten Ansatz, bei dem die Zusammenarbeit an erster Stelle steht. Es arbeitet mit Universitäten, Bildungsexperten, Schulen und politischen Entscheidungsträgern zusammen, um zu erforschen, was funktioniert, führt Pilotprojekte durch und verfeinert Instruments auf der Grundlage realer Unterrichtsergebnisse. Bei dieser Roadmap geht es um nachhaltige Veränderungen, die Gestaltung eines KI-Ökosystems, das sich mit den Lernbedürfnissen weiterentwickelt, anstatt als Störung für Schüler oder Lehrer zu wirken.
Abschluss
Die Geschichte ist der Beweis dafür, dass die Technologie bereits viele Branchen revolutioniert hat. Und mit der KI im Combine befindet sich die Bildung jetzt an einem Wendepunkt. Aber dieses Mal ist das Ziel nicht die Störung, sondern die Verbesserung. Googles Imaginative and prescient für KI In der Bildung geht es nicht darum, das zu ersetzen, was funktioniert, sondern darum, das zu stärken, was seit Jahren schwächelnd ist. Persönlicheres Lernen, weniger Druck auf die Lehrer, tiefergehendes Denken und ein gerechterer Zugang zu hochwertiger Bildung – ich glaube, das sind Ergebnisse, auf die es sich zu konzentrieren lohnt.
Aber KI allein wird uns nicht dorthin bringen. Der wirkliche Fortschritt wird sich aus der Artwork und Weise ergeben, wie Schüler, Lehrer, Eltern und Institutionen es nutzen. Wenn wir KI als Abkürzung betrachten, verlieren wir den Kern des Lernens. Wenn wir es gezielt einsetzen, gewinnen wir einen mächtigen Verbündeten, der Potenzial für Millionen Menschen freisetzen kann, die noch nie Zugang zu diesem Maß an Unterstützung hatten.
Denken Sie additionally im weiteren Verlauf des Gesprächs daran: Wenn wir diesen Wandel intestine steuern, kann die nächste Technology vielleicht einfach besser lernen, tiefer denken und größere Träume haben als alle anderen vor ihr.

Stratege und Kommunikator für technische Inhalte mit einem Jahrzehnt Erfahrung in der Erstellung und Verbreitung von Inhalten über nationale Medien, die indische Regierung und personal Plattformen


Melden Sie sich an, um weiterzulesen und von Experten kuratierte Inhalte zu genießen.
                        
                    
[ad_2]



Neues KI -System könnte die klinische Forschung beschleunigen | MIT Nachrichten
admin — Sat, 27 Sep 2025 20:46:26 +0000
 [ad_1]




Annotierende Regionen, die an medizinischen Bildern interessiert sind, ist häufig einer der ersten Schritte, die klinische Forscher durchführen, wenn eine neue Studie mit biomedizinischen Bildern durchgeführt wird.
Um beispielsweise zu bestimmen, wie sich die Größe des Hippocampus des Gehirns im Alter von Patienten verändert, skizziert der Wissenschaftler zunächst jeden Hippocampus in einer Reihe von Gehirnscans. Für viele Strukturen und Bildtypen ist dies häufig ein manueller Vorgang, der extrem zeitaufwändig sein kann, insbesondere wenn die untersuchten Regionen eine Herausforderung für die Größenordnung sind.
Um den Prozess zu optimieren, entwickelten MIT-Forscher ein System für künstliche Intelligenz, das es einem Forscher ermöglicht, neue biomedizinische Bildgebungsdatensätze durch Klicken, Kritzeln und Zeichnungsfelder auf den Bildern schnell zu segmentieren. Dieses neue KI -Modell verwendet diese Interaktionen, um die Segmentierung vorherzusagen.
Wenn der Benutzer zusätzliche Bilder markiert, nimmt die Anzahl der Interaktionen, die er für die Durchführung benötigt, ab und sinkt schließlich auf Null. Das Modell kann dann jedes neue Bild ohne Benutzereingabe genau segmentieren.
Dies kann dies tun, weil die Architektur des Modells speziell für die Verwendung von Informationen aus Bildern entwickelt wurde, die bereits segmentiert wurden, um neue Vorhersagen zu treffen.
Im Gegensatz zu anderen medizinischen Bildsegmentierungsmodellen ermöglicht dieses System dem Benutzer, einen gesamten Datensatz zu segmentieren, ohne seine Arbeit für jedes Bild zu wiederholen.
Darüber hinaus erfordert das interaktive Instrument für das Coaching kein vorbereiteter Bilddatensatz, sodass Benutzer kein Experience für maschinelles Lernen oder umfangreiche Rechenressourcen benötigen. Sie können das System für eine neue Segmentierungsaufgabe verwenden, ohne das Modell umzusetzen.
Auf lange Sicht könnte dieses Instrument Studien zu neuen Behandlungsmethoden beschleunigen und die Kosten klinischer Studien und medizinischer Forschung senken. Es könnte auch von Ärzten verwendet werden, um die Effizienz klinischer Anwendungen wie die Planung der Strahlenbehandlung zu verbessern.
„Viele Wissenschaftler haben möglicherweise nur Zeit, ein paar Bilder professional Tag für ihre Forschung zu segmentieren, da die manuelle Bildsegmentierung so zeitaufwändig ist. Wir hoffen, dass dieses System neue Wissenschaft ermöglichen wird, indem klinische Forscher durchführen, Studien durchzuführen, die sie vor dem Fehlen eines effizienten Instruments verboten hatten“ Papier zu diesem neuen Werkzeug.
Sie ist auf der Zeitung von Jose Javier Gonzalez Ortiz PhD ’24 begleitet; John Guttag, Professor für Informatik und Elektrotechnik von Dugald C. Jackson; und Senior Autor Adrian Dalca, Assistenzprofessor an der Harvard Medical Faculty und MGH und Forschungswissenschaftler in der MIT -Labor für Informatik und künstliche Intelligenz (CSAIL). Die Forschung wird auf der Internationalen Konferenz über Pc Imaginative and prescient vorgestellt.
Straffungssegmentierung
Es gibt hauptsächlich zwei Methoden, die Forscher verwenden, um neue Sätze von medizinischen Bildern zu segmentieren. Bei der interaktiven Segmentierung geben sie ein Bild in ein AI -System ein und verwenden eine Schnittstelle, um Bereiche von Interesse zu markieren. Das Modell prognostiziert die Segmentierung basierend auf diesen Interaktionen.
Ein Instrument, das zuvor von den MIT -Forschern entwickelt wurde, ScribblepromptErmöglicht Benutzern, dies zu tun, aber sie müssen den Vorgang für jedes neue Bild wiederholen.
Ein anderer Ansatz besteht darin, ein aufgabenspezifisches KI-Modell zu entwickeln, um die Bilder automatisch zu segmentieren. Dieser Ansatz erfordert den Benutzer, Hunderte von Bildern manuell zu segmentieren, um einen Datensatz zu erstellen und dann ein maschinelles Lernmodell zu trainieren. Dieses Modell sagt die Segmentierung für ein neues Bild voraus. Der Benutzer muss jedoch für jede neue Aufgabe den komplexen, maschinenlernbasierten Prozess von Grund auf neu starten, und es gibt keine Möglichkeit, das Modell zu korrigieren, wenn es einen Fehler macht.
Dieses neue System, Multiversegkombiniert das Beste von jedem Ansatz. Es prognostiziert eine Segmentierung für ein neues Bild basierend auf Benutzerinteraktionen wie Kritzeleien, hält aber auch jedes segmentierte Bild in einem Kontextsatz, auf den es sich später bezieht.
Wenn der Benutzer ein neues Bild hochlädt und Interessenbereiche markiert, stützt sich das Modell auf die Beispiele in seinem Kontext, um eine genauere Vorhersage mit weniger Benutzereingaben zu machen.
Die Forscher haben die Architektur des Modells so gestaltet, dass sie einen Kontextsatz einer beliebigen Größe verwenden, sodass der Benutzer keine bestimmte Anzahl von Bildern haben muss. Dies gibt MultiverSEg die Flexibilität, die in einer Reihe von Anwendungen verwendet werden kann.
„Irgendwann sollten Sie für viele Aufgaben keine Interaktionen bereitstellen. Wenn Sie im Kontext -Satz genügend Beispiele haben, kann das Modell die Segmentierung selbst genau vorhersagen“, sagt Wong.
Die Forscher haben das Modell sorgfältig für eine vielfältige Sammlung biomedizinischer Bildgebungsdaten entwickelt und geschult, um sicherzustellen, dass es die Fähigkeit hatte, ihre Vorhersagen auf der Grundlage der Benutzereingabe inkrementell zu verbessern.
Der Benutzer muss das Modell nicht für seine Daten übertragen oder anpassen. Um Multiverse für eine neue Aufgabe zu verwenden, kann man ein neues medizinisches Picture hochladen und mit dem Markieren beginnen.
Wenn die Forscher Multiverseg mit hochmodernen Instruments für die In-Kontext- und interaktive Bildsegmentierung verglichen, übertraf es jede Basislinie.
Weniger Klicks, bessere Ergebnisse
Im Gegensatz zu diesen anderen Instruments benötigt MultiverSEg weniger Benutzereingaben für jedes Bild. Nach dem neunten neuen Bild wurden nur zwei Klicks vom Benutzer benötigt, um eine Segmentierung genauer zu generieren als ein speziell für die Aufgabe entworfenes Modell.
Bei einigen Bildtypen wie Röntgenstrahlen muss der Benutzer möglicherweise nur ein oder zwei Bilder manuell segmentieren, bevor das Modell genau genug wird, um selbst Vorhersagen zu treffen.
Die Interaktivität des Instruments ermöglicht es dem Benutzer auch, Korrekturen der Vorhersage des Modells vorzunehmen und die gewünschte Genauigkeit zu erreichen. Im Vergleich zum vorherigen System der Forscher erreichte Multiverseg mit rund 2/3 die Anzahl der Kritzeleien und 3/4 die Anzahl der Klicks.
„Mit Multiverse können Benutzer immer mehr Interaktionen zur Verfeinerung der KI -Vorhersagen bereitstellen. Dies beschleunigt den Prozess immer noch dramatisch, da es normalerweise schneller ist, etwas zu korrigieren, das existiert, als von vorne zu beginnen“, sagt Wong.
In Zukunft möchten die Forscher dieses Instrument in realen Situationen mit klinischen Mitarbeitern testen und es basierend auf dem Suggestions der Benutzer verbessern. Sie möchten auch, dass Multiverseg 3D -biomedizinische Bilder segmentiert.
Diese Arbeit wird teilweise von Quanta Pc, Inc. und den Nationwide Institutes of Well being mit Hardwareunterstützung des Massachusetts Life Sciences Middle unterstützt.

[ad_2]



Das KI -System lernt aus vielen Arten von wissenschaftlichen Informationen und führt Experimente aus, um neue Materialien zu entdecken | MIT Nachrichten
admin — Fri, 26 Sep 2025 09:40:22 +0000
 [ad_1]




Maschinenlernende Modelle können die Entdeckung neuer Materialien durch Vorhersagen und Experimente beschleunigen. Die meisten Modelle werden heute jedoch nur einige spezifische Arten von Daten oder Variablen berücksichtigen. Vergleichen Sie das mit menschlichen Wissenschaftlern, die in einem kollaborativen Umfeld arbeiten und experimentelle Ergebnisse berücksichtigen, die breitere wissenschaftliche Literatur, Bildgebung und strukturelle Analyse, persönliche Erfahrung oder Instinct sowie Enter von Kollegen und Peer -Rezensenten.
Jetzt haben MIT -Forscher eine Methode zur Optimierung von Materialrezepten und Planungsexperimenten entwickelt, die Informationen aus verschiedenen Quellen wie Erkenntnissen aus der Literatur, chemischen Zusammensetzungen, mikrostrukturellen Bildern und vielem mehr enthalten. Der Ansatz ist Teil einer neuen Plattform namens Copilot für experimentelle Wissenschaftler (CREST), die auch Robotergeräte für hochdurchsatz-Materialtests verwendet.
Menschliche Forscher können sich mit dem System in der natürlichen Sprache unterhalten, ohne dass das System erforderlich ist, und das System macht seine eigenen Beobachtungen und Hypothesen auf dem Weg. Mit Kameras und visuellen Sprachmodellen können das System auch Experimente überwachen, Probleme erkennen und Korrekturen vorschlagen.
„Im Bereich der KI für die Wissenschaft ist der Schlüssel, neue Experimente zu entwerfen“, sagt Ju Li, Professor für Energy Engineering Carl Richard Soderberg, Ju Li. „Wir verwenden multimodales Suggestions – beispielsweise Informationen aus der vorherigen Literatur darüber, wie sich Palladium in Brennstoffzellen bei dieser Temperatur und menschlichem Suggestions verhalten hat, um experimentelle Daten zu ergänzen und neue Experimente zu entwerfen. Wir verwenden auch Roboter, um die Struktur des Supplies zu synthetisieren und zu charakterisieren und die Leistung zu testen.“
Das System wird in a beschrieben Papier veröffentlicht in Natur. Die Forscher verwendeten Crest, um mehr als 900 Chemikalien zu erforschen und 3.500 elektrochemische Exams durchzuführen, was zur Entdeckung eines Katalysatormaterials führte, das in einer Brennstoffzelle, die mit Formatsalz zur Erzeugung von Elektrizität läuft, die Rekorddichte lieferte.
Zu Li in der Zeitung als erste Autoren, PhD-Scholar Zhen Zhang, Zhichu Ren PhD ’24, PhD-Scholar Chia-Wei Hsu und Postdoc Weibin Chen. Ihre Co -Autoren sind MIT Assistenzprofessor Iwnetim Abate; Affiliate Professor Pulkit Agrawal; JR East Professor für Ingenieurwesen Yang Shao-Horn; MIT.NANO -Forscher Aubrey Penn; Zhangweig PhD ’25, Hongbin Xu PhD ’25; Daniel Zheng PhD ’25; MIT -Doktoranden Shuhan Miao und Hugh Smith; MIT Postdocs Yimeng Huang, Weiyin Chen, Yungsheng Tian, Yifan Gao und Yaoshen Niu; ehemaliger MIT Postdoc Sipei Li; und Mitarbeiter wie Chi-Feng Lee, Yu-Cheg Shao, Hsiao-Tsu Wang und Ying-Rui Lu.


Ein intelligenteres System
Materialwissenschaftsexperimente können zeitaufwändig und teuer sein. Sie verlangen Forscher, sorgfältig Workflows zu entwerfen, neues Materials zu erstellen und eine Reihe von Exams und Analysen durchzuführen, um zu verstehen, was passiert ist. Diese Ergebnisse werden dann verwendet, um zu entscheiden, wie das Materials verbessert werden kann.
Um den Prozess zu verbessern, haben sich einige Forscher einer als aktiven Lernen bezeichneten Strategie für maschinelles Lernen zugewandt, um frühere experimentelle Datenpunkte effizient zu nutzen und diese Daten zu untersuchen oder auszunutzen. In Kombination mit einer statistischen Technik, die als Bayesian Optimization (BO) bekannt ist, hat das aktive Lernen Forschern geholfen, neue Materialien für Batterien und fortschrittliche Halbleiter zu identifizieren.
„Die Bayesian -Optimierung ist wie Netflix, der den nächsten Movie empfiehlt, der auf Ihrer Betrachtungsgeschichte angesehen wird, außer stattdessen empfiehlt es das nächste Experiment“, erklärt Li. „Aber die grundlegende Bayesian-Optimierung ist zu simpel. Sie verwendet einen Boxed-In-Design-Raum. Wenn ich additionally sage, dass ich Platin, Palladium und Eisen verwenden werde, ändert es nur das Verhältnis dieser Elemente in diesem kleinen Raum. Aber echte Materialien haben viel mehr Abhängigkeiten, und Bo wird oft verloren.“
Die meisten aktiven Lernansätze stützen sich auch auf einzelne Datenströme, die nicht alles erfassen, was in einem Experiment vor sich geht. Um rechnerische Systeme mit menschlichem Wissen auszustatten und gleichzeitig die Geschwindigkeit und Kontrolle automatisierter Systeme zu nutzen, bauten Li und seine Mitarbeiter Crest auf.
Crests Roboterausrüstung umfasst einen Roboter für Flüssigkeiten, ein Karbauthermal-Schocksystem zur schnellen Synthese von Materialien, eine automatisierte elektrochemische Workstation für Exams, Charakterisierungsgeräte, einschließlich automatisierter Elektronenmikroskopie und optischer Mikroskopie sowie Hilfsgeräte wie Pumpen und Gasventile, die auch remotend kontrolliert werden können. Viele Verarbeitungsparameter können ebenfalls abgestimmt werden.
Mit der Benutzeroberfläche können Forscher mit Crest chatten und ihr aktives Lernen nutzen, um vielversprechende Materialrezepte für verschiedene Projekte zu finden. Crest kann bis zu 20 Vorläufermoleküle und Substrate in sein Rezept enthalten. Um Materialdesigns zu leiten, suchen Crests Modelle durch wissenschaftliche Papiere nach Beschreibungen von Elementen oder Vorläufermolekülen, die nützlich sein könnten. Wenn menschliche Forscher Crest anweisen, neue Rezepte zu verfolgen, startet es eine Roboter -Symphonie der Probenvorbereitung, -charakterisierung und -Exams. Der Forscher kann Crest auch bitten, eine Bildanalyse aus der Bildgebung von Rasterelektronenmikroskopie, Röntgenbeugung und anderen Quellen durchzuführen.
Informationen aus diesen Prozessen werden verwendet, um die aktiven Lernmodelle zu trainieren, die sowohl Literaturwissen als auch aktuelle experimentelle Ergebnisse verwenden, um weitere Experimente vorzuschlagen und die Entdeckung der Materialien zu beschleunigen.
„Für jedes Rezept verwenden wir frühere Literaturtext oder Datenbanken, und es erzeugt diese riesigen Darstellungen jedes Rezepts, die auf der vorherigen Wissensbasis basieren, bevor das Experiment überhaupt durchgeführt wird“, sagt Li. „Wir führen die Hauptkomponentenanalyse in diesem Wissen aus, um einen reduzierten Suchraum zu erhalten, der den größten Teil der Leistungsvariabilität erfasst. Dann verwenden wir die Bayesian -Optimierung in diesem reduzierten Raum, um das neue Experiment zu entwerfen. Nach dem neuen Experiment füttern wir neu erfasste multimodale experimentelle Daten und das menschliche Suggestions in ein großes Sprachmodell, um das Wissen zu vergrößern.
Materialswissenschaftsexperimente können auch Herausforderungen mit der Reproduzierbarkeit gegenüberstehen. Um das Downside anzugehen, überwacht Crest seine Experimente mit Kameras, sucht nach potenziellen Problemen und schlägt Lösungen über Textual content und Stimme für menschliche Forscher vor.
Die Forscher verwendeten Crest, um ein Elektrodenmaterial für eine fortschrittliche Artwork von Brennstoffzelle mit hoher Dichte zu entwickeln, die als Direktformat-Brennstoffzelle bekannt ist. Nachdem Crest mehr als 900 Chemikalien über drei Monate lang untersucht hatte, entdeckte er ein Katalysatormaterial aus acht Elementen, das eine 9,3-fache Verbesserung der Stromdichte professional Greenback über reinem Palladium, einem teuren Edelmetall, erzielte. In weiteren Exams wurde das Crests-Materials verwendet, um eine Rekord-Leistungsdichte für eine funktionierende Direktformat-Brennstoffzelle zu liefern, obwohl die Zelle nur ein Viertel der Edelmetalle früherer Geräte enthielt.
Die Ergebnisse zeigen das Potenzial von Crest, Lösungen für reale Energieprobleme zu finden, die die Materialien und die Ingenieurgemeinschaft seit Jahrzehnten plagen.
„Eine bedeutende Herausforderung für Kraftstoffzellkatalysatoren ist die Verwendung von Edelmetall“, sagt Zhang. „Für Brennstoffzellen haben Forscher verschiedene Edelmetalle wie Palladium und Platinum verwendet. Wir haben einen Multielement-Katalysator verwendet, der auch viele andere billige Elemente einbezieht, um die optimale Koordinationsumgebung für katalytische Aktivität und Resistenz gegen Vergiftungsarten wie Kohlenmonoxid zu schaffen und adsorbierte Wasserstoffatom zu adsorieren.
Ein hilfreicher Assistent
Schon früh wurde eine schlechte Reproduzierbarkeit zu einem Hauptproblem, das die Fähigkeit der Forscher, ihre neue aktive Lerntechnik für experimentelle Datensätze durchzuführen, einschränkte. Materialeigenschaften können durch die Artwork und Weise beeinflusst werden, wie die Vorläufer gemischt und verarbeitet werden, und eine beliebige Anzahl von Problemen kann subtil die experimentellen Bedingungen verändern und sorgfältig inspiziert werden, um zu korrigieren.
Um den Prozess teilweise zu automatisieren, haben die Forscher Pc -Imaginative and prescient- und Imaginative and prescient -Sprachmodelle mit Domänenwissen aus der wissenschaftlichen Literatur gekoppelt, die es dem System ermöglichten, die Quellen der Nichtproduktion zu hypothetieren und Lösungen vorzuschlagen. Beispielsweise können die Modelle bemerken, wenn eine Millimeter-Größe in der Kind einer Probe vorliegt oder wenn eine Pipette etwas nicht an der Stelle bewegt. Die Forscher haben einige Vorschläge des Modells aufgenommen, was zu einer verbesserten Konsistenz führte, was darauf hindeutet, dass die Modelle bereits gute experimentelle Assistenten machen.
Die Forscher stellten fest, dass Menschen in ihren Experimenten immer noch den größten Teil des Debuggens durchführten.
„Crest ist ein Assistent, kein Ersatz für menschliche Forscher“, sagt Li. „Menschliche Forscher sind immer noch unverzichtbar. Tatsächlich verwenden wir eine natürliche Sprache, damit das System erklären kann, was es tut, und Beobachtungen und Hypothesen zu präsentieren. Dies ist jedoch ein Schritt in Richtung flexiblerer, selbstfahrender Labors.“

[ad_2]



Roboter, wissen Sie selbst: Neues sehbasiertes System lehrt Maschinen, um ihren Körper zu verstehen | MIT Nachrichten
admin — Fri, 25 Jul 2025 12:52:35 +0000
 [ad_1]




In einem Büro im MIT -Labor für Informatik und künstliche Intelligenz (CSAIL) rundet eine weiche Roboterhand seine Finger sorgfältig ab, um ein kleines Objekt zu erfassen. Der faszinierende Teil ist nicht das mechanische Design oder eingebettete Sensoren – tatsächlich enthält die Hand keine. Stattdessen stützt sich das gesamte System auf eine einzelne Kamera, die die Bewegungen des Roboters beobachtet und diese visuellen Daten verwendet, um sie zu steuern.
Diese Fähigkeit stammt aus einem neuen System, das CSAIL -Wissenschaftler entwickelt haben und eine andere Perspektive auf die Roboterkontrolle bieten. Anstatt handgesteuerte Modelle oder komplexe Sensor-Arrays zu verwenden, können Roboter lernen, wie ihr Körper auf Kontrollbefehle reagiert, ausschließlich durch Imaginative and prescient. Der Ansatz, der als neuronale jakobische Felder (NJF) bezeichnet wird, gibt Robotern eine Artwork körperliches Selbstbewusstsein. Ein Open-Entry-Papier über die Arbeiten wurde veröffentlicht in Natur am 25. Juni.
„Diese Arbeit weist auf eine Verschiebung von Programmierrobotern zum Unterrichten von Robotern hin“, sagt Sizhe Lester Li, MIT -PhD -Scholar in Elektrotechnik und Informatik, CSAIL -Accomplice und führender Forscher in der Arbeit. „Heute erfordern viele Robotikaufgaben umfangreiches Engineering und Codieren. In Zukunft stellen wir uns vor, einem Roboter zu zeigen, was zu tun ist, und lassen Sie lernen, wie das Ziel autonom erreicht werden kann.“
Die Motivation ergibt sich aus einer einfachen, aber leistungsstarken Umfragung: Die Hauptbarriere für erschwingliche, versatile Robotik ist keine {Hardware} – die Kontrolle über die Fähigkeit, die auf verschiedene Arten erreicht werden könnte. Traditionelle Roboter sind so starr und sensorreich, was es einfacher macht, einen digitalen Zwilling zu konstruieren, eine präzise mathematische Replik, die zur Kontrolle verwendet wird. Aber wenn ein Roboter weich, deformierbar oder unregelmäßig geformt ist, fallen diese Annahmen auseinander. Anstatt Roboter dazu zu zwingen, unseren Modellen abzustimmen, dreht NJF das Skript um und gibt den Robotern die Möglichkeit, ihr eigenes internes Modell aus der Beobachtung zu lernen.
Schau und lerne
Diese Entkopplung von Modellierung und Hardwaredesign könnte den Entwurfsraum für Robotik erheblich erweitern. In weichen und bio-inspirierten Robotern betten Designer häufig Sensoren ein oder verstärken Teile der Struktur, nur um die Modellierung realisierbar zu machen. NJF hebt diese Einschränkung. Das System benötigt keine Bordsensoren oder Design -Optimierungen, um die Kontrolle zu ermöglichen. Designer sind freier, um unkonventionelle, nicht eingeschränkte Morphologien zu erforschen, ohne sich Sorgen darüber zu machen, ob sie sie später modellieren oder steuern können.
„Überlegen Sie, wie Sie lernen, Ihre Finger zu kontrollieren: Sie wackeln, Sie beobachten, Sie passen sich an“, sagt Li. „Das ist, was unser System tut. Es experimiert mit zufälligen Aktionen und findet heraus, welche Kontrollpersonen die Teile des Roboters bewegen.“
Das System hat sich in einer Reihe von Robotertypen als sturdy erwiesen. Das Staff testete NJF auf einer pneumatischen weichen Roboterhand, die in der Lage warfare, zu kneifen und zu greifen, eine starre Allegrohand, einen 3D-gedruckten Roboterarm und sogar eine rotierende Plattform ohne eingebettete Sensoren. In jedem Fall lernte das System sowohl die Kind des Roboters als auch wie es auf Kontrollsignale reagierte, nur von Sicht und zufälliger Bewegung.
Die Forscher sehen das Potenzial weit über das Labor hinaus. Mit NJF ausgestattete Roboter könnten eines Tages landwirtschaftliche Aufgaben mit Lokalisierungsgenauigkeit auf Zentimeterebene ausführen, auf Baustellen ohne aufwändige Sensorarrays arbeiten oder dynamische Umgebungen navigieren, in denen traditionelle Methoden zusammenbrechen.
Im Kern von NJF befindet sich ein neuronales Netzwerk, das zwei miteinander verflochtene Aspekte der Ausführungsform eines Roboters erfasst: seine dreidimensionale Geometrie und seine Empfindlichkeit gegenüber der Steuerung von Eingaben. Das System baut auf Neural Radiance Fields (NERF) auf, eine Technik, die 3D -Szenen aus Bildern rekonstruiert, indem räumliche Koordinaten auf Farb- und Dichtewerte hergestellt werden. NJF erweitert diesen Ansatz, indem er nicht nur die Kind des Roboters, sondern auch ein jakobisches Feld lernt, eine Funktion, die vorhersagt, wie sich jeder Punkt auf den Körper des Roboters als Reaktion auf Motorbefehle bewegt.
Um das Modell zu trainieren, führt der Roboter zufällige Bewegungen durch, während mehrere Kameras die Ergebnisse aufzeichnen. Es ist keine menschliche Überwachung oder Vorkenntnis der Struktur des Roboters erforderlich – das System stärkt einfach die Beziehung zwischen Kontrollsignalen und Bewegung durch Beobachten.
Sobald das Coaching abgeschlossen ist, benötigt der Roboter nur eine einzelne monokulare Kamera für die Echtzeit-Steuerung mit geschlossenen Schleife, die bei etwa 12 Hertz ausgeführt wird. Dies ermöglicht es, sich selbst kontinuierlich zu beobachten, zu planen und reaktionsmäßig zu handeln. Diese Geschwindigkeit macht NJF praktikabler als viele physikbasierte Simulatoren für weiche Roboter, die oft zu rechenintensiv für Echtzeitgebrauch sind.
In frühen Simulationen konnten selbst einfache 2D -Finger und Schieberegler diese Kartierung mit nur wenigen Beispielen lernen. Durch die Modellierung, wie spezifische Punkte in der Reaktion auf Aktion verformen oder verändern, erstellt NJF eine dichte Karte der Kontrollebarkeit. Dieses interne Modell ermöglicht es ihm, die Bewegung über den Körper des Roboters zu verallgemeinern, auch wenn die Daten laut oder unvollständig sind.
„Was wirklich interessant ist, ist, dass das System selbst herausfindet, welche Motoren die Teile des Roboters steuern“, sagt Li. „Das ist nicht programmiert – es taucht natürlich durch Lernen auf, ähnlich wie eine Particular person, die die Tasten auf einem neuen Gerät entdeckt.“
Die Zukunft ist weich
Seit Jahrzehnten befürwortet die Robotik starre, leicht modellierte Maschinen – wie die industriellen Waffen in Fabriken -, weil ihre Eigenschaften die Kontrolle vereinfachen. Aber das Feld hat sich in Richtung weicher, bio-inspirierter Roboter bewegt, die sich flüssiger an die reale Welt anpassen können. Der Kompromiss? Diese Roboter sind schwerer zu modellieren.
„Robotics fühlt sich heute aufgrund von teuren Sensoren und komplexen Programmieren oft unerreichbar an. Unser Ziel mit neuronalen jakobischen Feldern ist es, die Barriere zu senken und die Robotik erschwinglich, anpassungsfähig und für mehr Personen zugänglich zu machen. Imaginative and prescient ist eine belastbare, zuverlässige Sensorin“, sagt der stellvertretende Professor Vincent Sittens, der die Gruppe der Szene -Repräsentation leitet. „Es öffnet die Tür für Roboter, die in unordentlichen, unstrukturierten Umgebungen, von Bauernhöfen bis zu Baustellen, ohne teure Infrastruktur betrieben werden können.“
„Das Sehen allein kann die für die Lokalisierung und Kontrolle benötigten Hinweise liefern-die Notwendigkeit von GPS, externen Monitoring-Systemen oder komplexen Onboard-Sensoren. RUS, MIT -Professor für Elektrotechnik und Informatik und Direktor von CSAIL. „Durch das Lernen aus visuellem Suggestions entwickeln diese Systeme interne Modelle eigener Bewegung und Dynamik und ermöglichen einen flexiblen, selbstüberwachenden Betrieb, bei dem herkömmliche Lokalisierungsmethoden fehlschlagen würden.“
Während das Coaching von NJF derzeit mehrere Kameras benötigt und für jeden Roboter erneuert werden muss, stellen sich die Forscher bereits eine besser zugängliche Model vor. In Zukunft konnten Hobbyisten die zufälligen Bewegungen eines Roboters mit ihrem Telefon aufzeichnen, ähnlich wie Sie ein Video von einem Mietwagen nehmen würden, bevor Sie abfahren, und dieses Filmmaterial verwenden, um ein Steuermodell zu erstellen, ohne dass Vorkenntnisse oder spezielle Geräte erforderlich sind.
Das System verallgemeinert noch nicht über verschiedene Roboter, und es fehlt eine Kraft oder eine taktile Erfassung, was seine Wirksamkeit auf Kontaktaufgaben einschränkt. Das Staff untersucht jedoch neue Wege, um diese Einschränkungen anzugehen: Verbesserung der Verallgemeinerung, Umgang mit Okklusionen und Erweiterung der Fähigkeit des Modells, über längere räumliche und zeitliche Horizonte zu argumentieren.
„So wie Menschen ein intuitives Verständnis dafür entwickeln, wie sich ihr Körper bewegen und auf Befehle reagieren, gibt NJF Robotern, die selbst durch Imaginative and prescient selbstbewusstes Selbstbewusstsein verkörpert“, sagt Li. „Dieses Verständnis ist eine Grundlage für versatile Manipulation und Kontrolle in realen Umgebungen. Unsere Arbeit spiegelt im Wesentlichen einen breiteren Pattern in der Robotik wider: sich vom manuellen Programmieren detaillierter Modelle zum Unterrichten von Robotern durch Beobachtung und Interaktion zu entfernen.“
Dieses Papier brachte die Pc Imaginative and prescient und die selbstbewertete Lernarbeiten aus dem Sitzlabor und das Fachwissen in weichen Robotern aus dem RUS-Labor zusammen. Li, Sitzmann und Rus haben das Papier mit CSAIL Associates Annan Zhang SM ’22 mitautorisiert, ein Doktorand in Elektrotechnik und Informatik (EECS); Boyuan Chen, Doktorand in EECs; Hanna Matusik, Studentforscherin für Maschinenbau; und Chao Liu, ein Postdoc im sensiblen Stadtlabor am MIT. 
Die Forschung wurde vom Solomon Buchsbaum Analysis Fund durch das MIT Analysis Help Committee, ein MIT -Präsidentschaftsstipendium, die Nationwide Science Basis und das Gwangju Institute of Science and Expertise unterstützt.

[ad_2]



Neues KI -System entdeckt versteckte Zell -Subtypen, steigert die Präzisionsmedizin | MIT Nachrichten
admin — Sat, 12 Jul 2025 01:15:45 +0000
 [ad_1]




Um wirksame gezielte Therapien für Krebs zu erzeugen, müssen Wissenschaftler die genetischen und phänotypischen Merkmale von Krebszellen innerhalb und über verschiedene Tumoren isolieren, da diese Unterschiede auf die Behandlung von Tumoren auf die Behandlung reagieren.
Ein Teil dieser Arbeit erfordert ein tiefes Verständnis der RNA- oder Proteinmoleküle, die jede Krebszelle ausdrückt, wo sie sich im Tumor befindet und wie sie unter einem Mikroskop aussieht.
Traditionell haben Wissenschaftler einen oder mehrere dieser Aspekte getrennt untersucht, aber heute vereint ein neues Deep -Study -Software, Celllens (Cell Native Surroundings and Nachbarschafts -Scan), alle drei Domänen mit einer Kombination aus Faltungsnetzwerken und Grafiknetzwerken für jede einzelne Zelle zusammen. Dies ermöglicht es dem System, Zellen mit ähnlicher Biologie zu gruppieren – was selbst diejenigen, die isoliert sehr ähnlich erscheinen, effektiv trennen, sich jedoch je nach Umgebung unterschiedlich verhalten.
Die Studie, kürzlich veröffentlicht in Natur ImmunologieParticulars die Ergebnisse einer Zusammenarbeit zwischen Forschern der MIT, der Harvard Medical Faculty, der Yale College, der Stanford College und der College of Pennsylvania – eine Anstrengung von Bokai Zhu, einem MIT -Postdoc und Mitglied der Broad Institute of MIT und Harvard und die Ragon Institute of MGH, MIT und Harvard.
Zhu erklärt die Auswirkungen dieses neuen Instruments: „Zunächst würden wir sagen, oh, ich habe eine Zelle gefunden. Dies wird als T -Zelle bezeichnet. Durch die Verwendung desselben Datensatzes, indem ich Zelllenen anwenden kann, kann ich jetzt sagen, dass dies eine T -Zelle ist und derzeit eine bestimmte Tumorgrenze bei einem Patienten angreift.
„Ich kann vorhandene Informationen verwenden, um besser zu definieren, was eine Zelle ist, was die Subpopulation dieser Zelle ist, was diese Zelle tut und was die potenzielle funktionelle Auslese dieser Zelle ist. Diese Methode kann verwendet werden, um einen neuen Biomarker zu identifizieren, der spezifische und detaillierte Informationen über erkrankte Zellen liefert und eine gezieltere Therapieentwicklung ermöglicht.“
Dies ist ein kritischer Fortschritt, da aktuelle Methoden häufig kritische molekulare oder kontextbezogene Informationen verpassen – beispielsweise können Immuntherapien Zellen abzielen, die nur an der Grenze eines Tumors existieren, was die Wirksamkeit begrenzt. Durch die Verwendung von Deep Studying können die Forscher viele verschiedene Informationsschichten mit Zelllenen erkennen, einschließlich Morphologie und wo sich die Zelle räumlich in einem Gewebe befindet.
Bei Angewandten auf Proben aus gesundem Gewebe und verschiedenen Krebsarten, einschließlich Lymphom und Leberkrebs, entdeckten Zelllenen seltene Subtypen im Immunzellen und zeigten, wie sich ihre Aktivität und ihre Lage zu Krankheitsverfahren beziehen – wie Tumorinfiltration oder Immununterdrückung.
Diese Entdeckungen könnten Wissenschaftlern helfen, besser zu verstehen, wie das Immunsystem mit Tumoren interagiert und den Weg für präzisere Krebsdiagnostika und Immuntherapien ebnet.
„Ich bin sehr begeistert von dem Potenzial neuer KI-Instruments wie Celllens, um uns hauptberuflich abweichenderes zelluläres Verhalten in Geweben zu verstehen“, sagt Co-Autor Alex Okay. Shalekder Direktor der Institut für medizinisches Ingenieurwesen und Wissenschaft (IMES), der JW Kieckhefer -Professor in IMES und Chemie sowie ein extramurales Mitglied der Koch Institute für integrative Krebsforschung am MITsowie ein Institutsmitglied des Broad Institute und Mitglied des Ragon Institute. „Wir können nun eine enorme Menge an Informationen über einzelne Zellen und ihre Gewebekontexte mit hochmodernen, multi-omischen Assays messen. Die Nutzung dieser Daten zur Nominierung neuer therapeutischer Leads ist ein kritischer Schritt bei der Entwicklung verbesserter Interventionen. Wenn sie mit den richtigen Eingabedaten und sorgfältigen Downsteam-Validierungen verbunden sind, versprechen Instruments, unsere Fähigkeiten zu den Menschen mit menschlichen Gesundheit und sorgfältigen Geräten zu beeinträchtigen.“

[ad_2]



Unser Vorschlag für die geplante Überprüfung nach der Veröffentlichung: „Selbst wenn jede Überprüfung die doppelte Anstrengung der durchschnittlichen Überprüfung vor der Veröffentlichung unternahm, würde unser System nur 1 Prozent zu den Gesamtüberprüfungsbemühungen hinzufügen und gleichzeitig wichtige Perspektiven zu Papieren bereitstellen, die mehr als einen Viertel der von diesen einflussreichen Zeitschriften erhaltenen Zitaten darstellen.“
admin — Mon, 03 Mar 2025 04:29:22 +0000
 [ad_1]



Das aktuelle System der wissenschaftlichen Journalüberprüfung ist absolut verrückt. Die überwiegende Mehrheit der Überprüfungsbemühungen geht an Papiere, die niemand liest. Wir können durch geplante Überprüfung nach der Veröffentlichung besser abschneiden, beispielsweise jedes Mal, wenn ein Papier sein 250. Zitat erreicht, die Journal aufnimmt eine externe Überprüfung-nicht mit dem Ziel, das Papier zurückzuziehen, sondern eine neue Perspektive zu liefern. Wenn das Papier 250 Mal zitiert wurde, lohnt es sich, diese neue Einstellung zu erhalten-und es ist selten genug, dass ein veröffentlichter Artikel dieses Zitatniveau erreicht hat.
Andy King und ich präsentieren die Idee:

Probleme mit der Glaubwürdigkeit der empirischen Forschung werden seit Jahrzehnten diskutiert.
Die häufigsten Vorschriften zur Verbesserung der Glaubwürdigkeit – bessere Überprüfung, öffentliche Kritik und Replikation – haben Verdienste, aber sie können keine knappen Ressourcen leiten, in denen sie das größte Wohl tun können: die wenigen Veröffentlichungen mit größter Wirkung.
Wir schlagen eine Different vor, indem wir die Überprüfungsressourcen effizienter und effektiver verwenden, indem wir die Idee der „Wiederholungsprüfung“ aus professionellen Sportarten ausleihen. Das derzeitige Peer-Evaluate-System würde die Forschungsartikel in Echtzeit, wenn sie eingereicht werden, weiterhin beurteilen, aber die Veröffentlichungen, die eine übergroße Wirkung haben, würden erneut bewertet und genauer, um die anfängliche Bewertung zu bestätigen oder zu verfeinern.

Hier ist der wichtigste Einblick:

Alle Vorschläge zur Stärkung der primären Überprüfung stehen vor einer wirtschaftlichen Herausforderung: Die meisten Ressourcen, die für die Stärkung der sie verbracht werden, werden verschwendet, da der vorhandene Überprüfungsprozess für die meisten Einreichungen bereits stark genug ist. In den oberen Zeitschriften werden 90 Prozent oder mehr der Einreichungen für offensichtliche Mängel abgelehnt, und somit wird ein gestärkter Überprüfungsprozess das Ergebnis nicht verändert. Von den 10 Prozent, die akzeptiert und veröffentlicht werden, werden die meisten leicht gelesen und zitiert und haben somit wenig Einfluss.

Und das empfehlen wir:

Sobald eine Veröffentlichung eine bestimmte Anzahl von Zitaten erhält, würde sie eine unabhängige Überprüfung erhalten. Diese Überprüfungen würden dann zusammen mit den Antworten der Autoren vollständig veröffentlicht, damit die Leser zusätzliche Anleitung zur Interpretation der ersten Veröffentlichung haben. . . .

Wir haben einige Zahlen knuspriert:

Um die Praktikabilität unseres Vorschlags zu bewerten, haben wir die Einreichung und Zitatgeschichte von Artikeln bewertet, die in der Kohorte 2014 der von Experten begutachteten empirischen Zeitschriften veröffentlicht wurden, die von der Monetary Instances für die Bestimmung des Forschungsranges der Enterprise Faculties ausgewählt wurden.
Die Schiefe der Zitierraten bedeutet, dass ein großer Teil der Zitierauswirkungen zu relativ geringen Kosten überprüft werden kann. Wiederholungsprüfung nur für Artikel, die mehr als 250 Zitate erhalten, würde bedeuten, dass Veröffentlichungen, die 28 Prozent aller Zitate ausmachen, durch weitere Überprüfung überprüft würden. Selbst wenn jede Überprüfung doppelt so hoch conflict wie die durchschnittliche Überprüfung vor der Veröffentlichung, würde unser System nur 1 Prozent zu den Gesamtüberprüfungsbemühungen hinzufügen, während sie wichtige Perspektiven für Papiere liefern, die mehr als ein Viertel der von diesen einflussreiche Zeitschriften erhaltenen Zitate darstellen.

Dies ist eine Ausarbeitung von mir Effizienzargument für die Überprüfung nach der Veröffentlichung.
PS Die Chronik der Hochschulbildung gab unserem Artikel den Titel „Sozialwissenschaft ist gebrochen. Hier erfahren Sie, wie Sie es beheben können. “ Wir haben diesen Titel nicht gewählt! Unsere Empfehlung lautete: „Sozialwissenschaftliche Bedürfnisse müssen wiederholt werden. Aber diejenigen unter Ihnen, die an den Nachrichtenmedien beteiligt sind, wissen, dass die Autoren eines Artikels selten für den Titel verantwortlich sind. Wir mögen unseren Vorschlag für die Überprüfung nach der Veröffentlichung, aber wir sind nicht phantasm, dass es die Sozialwissenschaft „reparieren“ würde. Es ist nur ein kleiner Teil des Bildes.
PPS Wir danken auch David Wescott bei The Chronicle für die Bearbeitung unseres Artikels.
[ad_2]



Ein altes RNA-gesteuerter System könnte die Abgabe von Genbearbeitungstherapien vereinfachen | MIT Nachrichten
admin — Fri, 28 Feb 2025 07:30:32 +0000
 [ad_1]




Eine enorme Suche nach natürlicher Vielfalt hat Wissenschaftler des MCGovern -Instituts für Gehirnforschung des MIT und des Broad Institute of MIT und Harvard dazu veranlasst, alte Systeme aufzudecken, um das Genom -Bearbeitungs -Toolbox zu erweitern. 
Diese Systeme, die die Forscher TIGR (Tandem Interspaced Information RNA) -Systeme bezeichnen, verwenden sie RNA, um sie an bestimmten Stellen auf DNA zu führen. TIGR -Systeme können neu programmiert werden, um auf eine DNA -Sequenz von Interesse abzuzielen, und sie haben unterschiedliche funktionelle Module, die auf die gezielte DNA wirken können. Zusätzlich zu seiner Modularität ist TIGR im Vergleich zu anderen RNA-geführten Systemen wie CRISPR sehr kompakt, was ein großer Vorteil für die Bereitstellung von therapeutischem Kontext ist.  
Diese Ergebnisse sind On-line gemeldet am 27. Februar in der Zeitschrift Wissenschaft.
„Dies ist ein sehr vielseitiges RNA-gesteuerter System mit vielen unterschiedlichen Funktionen“, sagt Feng Zhang, Professor für Neurowissenschaften von James und Patricia Poitras am MIT, der die Forschung leitete. Die TIGR-assoziierten (TAS) Proteine, die Zhangs Workforce fand, teilen eine charakteristische RNA-bindende Komponente, die mit einer RNA-Anleitung interagiert, die sie an eine bestimmte Stelle im Genom leitet. Einige schneiden die DNA an dieser Stelle unter Verwendung eines benachbarten DNA-Schnittsegments des Proteins. Diese Modularität könnte die Werkzeugentwicklung erleichtern und es Forschern ermöglichen, nützliche neue Merkmale in natürliche TAS -Proteine auszutauschen.
„Die Natur ist ziemlich unglaublich“, sagt Zhang, der auch Ermittler am McGovern-Institut und das Howard Hughes Medical Institute ist, ein Kernmitglied des Broad Institute, Professor für Gehirn- und Kognitive Wissenschaften und Organic Engineering bei MIT und Co-Direktor der Okay. lisa yang und Hock E. Tan E. Tan Middle for Molekulartherapie bei MIT. „Es hat eine enorme Menge an Vielfalt, und wir haben diese natürliche Vielfalt untersucht, um neue biologische Mechanismen zu finden und sie für verschiedene Anwendungen zur Manipulation biologischer Prozesse zu nutzen“, sagt er. Zuvor adaptierte Zhangs Workforce bakterielle CRISPR -Systeme in Gen -Bearbeitungswerkzeuge, die die moderne Biologie verändert haben. Sein Workforce hat auch eine Vielzahl programmierbarer Proteine gefunden, sowohl von CRISPR -Systemen als auch darüber hinaus. 
In ihren neuen Arbeiten, um neuartige programmierbare Systeme zu finden, begann das Workforce zunächst in einem strukturellen Merkmal des CRISPR-Cas9-Proteins, das an den RNA-Leitfaden des Enzyms bindet. Dies ist ein Schlüsselmerkmal, das Cas9 zu einem so leistungsstarken Werkzeug gemacht hat: „RNA-geführtes macht es relativ einfach, neu zu programmieren, da wir wissen, wie RNA an andere DNA oder andere RNA bindet“, erklärt Zhang. Sein Workforce suchte Hunderte Millionen biologischer Proteine mit bekannten oder vorhergesagten Strukturen und suchte nach einem ähnlichen Bereich. Um weiter verwandte Proteine zu finden, verwendeten sie einen iterativen Prozess: Aus Cas9 identifizierten sie ein Protein namens IS110, das zuvor von anderen zur Bindung von RNA gezeigt worden conflict. Anschließend haben sie die strukturellen Merkmale von IS110 aufgenommen, die die RNA -Bindung ermöglichen und ihre Suche wiederholten. 
Zu diesem Zeitpunkt hatte die Suche so viele entfernt verwandte Proteine aufgetaucht, dass sie sich der künstlichen Intelligenz zugewandt haben, um die Liste zu verstehen. „Wenn Sie iterative, tiefe Bergbildung durchführen, können die daraus resultierenden Treffer so unterschiedlich sein, dass sie mithilfe von standardmäßigen phylogenetischen Methoden schwer analysieren können, die auf konservierter Sequenz beruhen“, erklärt Guilhem Faure, ein Computerbiologe in Zhangs Labor. Mit einem Protein -Großsprachmodell conflict das Workforce in der Lage, die Proteine zu gruppieren, die sie nach ihren wahrscheinlichen evolutionären Beziehungen in Gruppen gefunden hatten. Eine Gruppe unterscheidet sich von den anderen, und ihre Mitglieder waren besonders faszinierend, da sie von Genen mit regelmäßig verteilten sich wiederholenden Sequenzen kodiert wurden, die an eine wesentliche Komponente von CRISPR -Systemen erinnern. Dies waren die Tig-Tas-Systeme.
Das Workforce von Zhang entdeckte mehr als 20.000 verschiedene TAS-Proteine, die hauptsächlich in Bakterien-infizierenden Viren auftraten. Sequenzen innerhalb der sich wiederholenden Area jedes Gens-ihre TIGR-Arrays-codieren eine RNA-Anleitung, die mit dem RNA-bindenden Teil des Proteins interagiert. In einigen Fällen befindet sich die RNA-Bindungsregion neben einem DNA-Schneidenteil des Proteins. Andere scheinen an andere Proteine zu binden, was darauf hindeutet, dass sie diese Proteine auf DNA -Ziele richten könnten.     
Zhang und sein Workforce experimentierten mit Dutzenden von TAS -Proteinen und zeigten, dass einige programmiert werden können, um zielgerichtete Schnitte in menschlichen Zellen vorzunehmen. Wenn sie darüber nachdenken, Tig-Tas-Systeme in programmierbare Instruments zu entwickeln, werden die Forscher von Funktionen ermutigt, die diese Instruments besonders flexibel und präzise machen könnten.
Sie stellen fest, dass CRISPR -Systeme nur auf DNA -Segmente gerichtet werden können, die von kurzen Motiven flankiert werden, die als PAMs (Protospacer benachbarte Motive) bekannt sind. Tig Tas -Proteine dagegen haben keine solche Anforderung. „Dies bedeutet theoretisch, dass jeder Standort im Genom zielgerichtet sein sollte“, sagt der wissenschaftliche Berater Rhiannon Macrae. Die Experimente des Groups zeigen auch, dass Tig-Systeme eine „Twin-Information-System“ bezeichnen und mit beiden Strängen der DNA-Doppelhelix interagieren, um in ihren Zielsequenzen nach Hause zu gehen, was sicherstellen sollte, dass sie nur dort handeln, wo sie von ihrem RNA-Leitfaden geleitet werden. Darüber hinaus sind TAS -Proteine kompakt – ein Viertel der Größe CAS9 im Durchschnitt -, was sie leichter liefern lässt, was ein wichtiges Hindernis für den therapeutischen Einsatz von Genbearbeitungswerkzeugen überwinden könnte.  
Das Workforce von Zhang von ihrer Entdeckung untersucht nun die natürliche Rolle von Tigsystemen in Viren sowie die Artwork und Weise, wie sie für Forschung oder Therapeutika angepasst werden können. Sie haben die molekulare Struktur eines der TAS -Proteine bestimmt, die sie in menschlichen Zellen funktionierten, und werden diese Informationen verwenden, um ihre Bemühungen zu leiten, um sie effizienter zu gestalten. Darüber hinaus stellen sie Verbindungen zwischen Tig-Tas-Systemen und bestimmten RNA-Verarbeitungsproteinen in menschlichen Zellen fest. „Ich denke, es gibt noch mehr, um zu studieren, was einige dieser Beziehungen sein mögen, und es kann uns helfen, besser zu verstehen, wie diese Systeme beim Menschen verwendet werden“, sagt Zhang.
Dieses Werk wurde von der Helen Hay Whitney Basis, dem Howard Hughes Medical Institute, dem Okay. Lisa Yang und dem Hock E. Tan Middle for Molekular Therapeutics, dem breiten Institut -Therapeutika -Geschenkspender, der Pershing Sq. Basis, der William Ackman, der Neri Oxman, der Phillips Household, J. und P. Poitras sowie der BT Charable Basis. 

[ad_2]



Das AI -System prognostiziert Proteinfragmente, die an ein Ziel binden oder hemmen können | MIT Nachrichten
admin — Fri, 21 Feb 2025 12:43:15 +0000
 [ad_1]




Alle biologischen Funktionen hängen davon ab, wie unterschiedliche Proteine miteinander interagieren. Protein-Protein-Wechselwirkungen erleichtern alles von der transkribierenden DNA und der Kontrolle der Zellteilung bis hin zu Funktionen auf höherer Ebene in komplexen Organismen.
Es bleibt jedoch viel unklar darüber, wie diese Funktionen auf molekularer Ebene orchestriert werden und wie Proteine miteinander interagieren – entweder mit anderen Proteinen oder mit Kopien von sich.
Jüngste Erkenntnisse haben gezeigt, dass kleine Proteinfragmente ein großes funktionelles Potenzial haben. Obwohl es sich um unvollständige Stücke handelt, können kurze Aminosäurenabschnitte immer noch an Grenzflächen eines Zielproteins binden, was native Wechselwirkungen rekapituliert. Durch diesen Prozess können sie die Funktion dieses Proteins ändern oder seine Wechselwirkungen mit anderen Proteinen stören.
Proteinfragmente könnten daher sowohl die Grundlagenforschung zu Proteinwechselwirkungen als auch zelluläre Prozesse ermöglichen und möglicherweise therapeutische Anwendungen aufweisen.
Kürzlich veröffentlicht in Verfahren der Nationalen Akademie der Wissenschafteneine neue Methode, die im Division of Biology entwickelt wurde E. coli. Theoretisch könnte dieses Instrument zu genetisch kodbaren Inhibitoren gegen jedes Protein führen.
Die Arbeit wurde im Labor des außerordentlichen Professors für Biologie und im Forscher des Howard Hughes Medical Institute erledigt Gene-Wei li In Zusammenarbeit mit dem Labor von Jay A. Stein (1968) Professor für Biologie, Professor für Biologische Ingenieurwesen und Abteilungsleiter Amy Keating.
Nutzung des maschinellen Lernens
Das Programm namens Fragfold nutzt Alphafold, ein KI -Modell, das in den letzten Jahren zu phänomenalen Fortschritten in der Biologie geführt hat, da die Proteinfaltung und Proteinwechselwirkungen vorhergesagt werden können.
Ziel des Projekts struggle es, Fragmentinhibitoren vorherzusagen, was eine neuartige Anwendung von Alphafold ist. Die Forscher dieses Projekts bestätigten experimentell, dass mehr als die Hälfte der Vorhersagen von Fragfold für die Bindung oder Hemmung genau waren, selbst wenn die Forscher keine früheren strukturellen Daten zu den Mechanismen dieser Wechselwirkungen hatten.
„Unsere Ergebnisse legen nahe, dass dies ein verallgemeinerbarer Ansatz ist, um Bindungsmodi zu finden, die wahrscheinlich die Proteinfunktion hemmen, einschließlich neuer Proteinziele, und Sie können diese Vorhersagen als Ausgangspunkt für weitere Experimente verwenden“, sagt Co-First und entsprechender Autor Andrew Savinov, ein Postdoc im Li -Labor. „Wir können dies wirklich auf Proteine ohne bekannte Funktionen ohne bekannte Interaktionen ohne bekannte Strukturen anwenden, und wir können diese Modelle, die wir entwickeln, etwas Glaubwürdigkeit einbringen.“
Ein Beispiel ist FTSZ, ein Protein, das für die Zellteilung von entscheidender Bedeutung ist. Es ist intestine untersucht, enthält aber eine Area, die intrinsisch ungeordnet ist und daher besonders herausfordernd zu studieren ist. Störte Proteine sind dynamisch, und ihre funktionellen Wechselwirkungen sind sehr wahrscheinlich flüchtig – so kurz, dass aktuelle Strukturbiologie -Instruments keine einzelne Struktur oder Interaktion erfassen können.
Die Forscher nutzten Fragfold, um die Aktivität von Fragmenten von FTSZ, einschließlich Fragmenten der intrinsisch ungeordneten Area, zu untersuchen, um mehrere neue Bindungswechselwirkungen mit verschiedenen Proteinen zu identifizieren. Dieser Sprung in das Verständnis bestätigt und erweitert frühere Experimente zur missischen biologischen Aktivität von FTSZ.
Dieser Fortschritt ist teilweise von Bedeutung, weil er ohne die Lösung der Struktur der ungeordneten Area durchgeführt wurde, und weil sie die potenzielle Kraft von Fragfold aufweist.
„Dies ist ein Beispiel dafür, wie Alphafold sich grundlegend verändert, wie wir Molekül- und Zellbiologie untersuchen können“, sagt Keating. „Kreative Anwendungen von KI -Methoden, wie unsere Arbeit an Fragfold, eröffnen unerwartete Fähigkeiten und neue Forschungsrichtungen.“
Hemmung und darüber hinaus
Die Forscher erfüllten diese Vorhersagen, indem sie jedes Protein rechnerisch fragmentiert und dann modellierten, wie diese Fragmente an Interaktionspartner binden würden, die sie für related hielten.
Sie verglichen die Karten der vorhergesagten Bindung über die gesamte Sequenz mit den Effekten derselben Fragmente in lebenden Zellen, die unter Verwendung experimenteller Messungen mit hohem Durchsatz bestimmt wurden, bei denen Millionen von Zellen jeweils eine Artwork Proteinfragment produzieren.
Alphafold verwendet koevolutionäre Informationen, um die Faltung vorherzusagen, und bewertet typischerweise die Evolutionsgeschichte von Proteinen anhand von etwas, das für jeden einzelnen Vorhersagelauf als mehrere Sequenzausrichtungen bezeichnet wird. Die MSAs sind kritisch, sind jedoch ein Engpass für groß angelegte Vorhersagen-sie können eine unerschwingliche Zeit und Rechenleistung erfordern.
Für Fragfold präkulierten die Forscher stattdessen einmal die MSA für ein Protein in voller Länge und verwendeten dieses Ergebnis, um die Vorhersagen für jedes Fragment dieses Proteins in voller Länge zu leiten.
Savinov prognostizierte zusammen mit dem Keating Lab -Alumnus Sebastian Swanson, PhD ’23, zusätzlich zu FTSZ inhibitorische Fragmente einer Vielzahl von Proteinen. Zu den Wechselwirkungen gehörte ein Komplex zwischen Lipopolysaccharid -Transportproteinen LPTF und LPTG. Ein Proteinfragment von LPTG inhibierte diese Wechselwirkung und stört vermutlich die Abgabe von Lipopolysaccharid, was eine entscheidende Komponente der ist E. coli Außenzellmembran für die zelluläre Health.
„Die große Überraschung struggle, dass wir die Bindung mit einer solchen hohen Genauigkeit vorhersagen können und die Bindung, die der Hemmung entspricht, häufig voraussagen können“, sagt Savinov. „Für jedes Protein, das wir uns angesehen haben, konnten wir Inhibitoren finden.“
Die Forscher konzentrierten sich zunächst auf Proteinfragmente als Inhibitoren, denn ob ein Fragment eine wesentliche Funktion in Zellen blockieren könnte, ist ein relativ einfaches Ergebnis, um systematisch zu messen. Mit Blick nach vorne ist Savinov auch daran interessiert, die Fragmentfunktion außerhalb der Hemmung zu untersuchen, wie Fragmente, die das Protein stabilisieren können, an das sie binden, ihre Funktion verbessern oder verändern oder den Proteinabbau auslösen.
Design im Prinzip
Diese Forschung ist ein Ausgangspunkt für die Entwicklung eines systemischen Verständnisses von Prinzipien für zelluläre Designs und die Elemente, auf die Tiefe-Studying-Modelle abrufen können, um genaue Vorhersagen zu treffen.
„Es gibt ein breiteres, weiter reichhaltiges Ziel, das wir aufbauen“, sagt Savinov. „Jetzt, da wir sie vorhersagen können, können wir die Daten verwenden, die wir aus Vorhersagen und Experimenten haben, um die herausragenden Merkmale herauszuholen, um herauszufinden, was Alphafold tatsächlich gelernt hat, was einen guten Inhibitor ausmacht?“
Savinov und Mitarbeiter haben sich auch weiter mit der Bindung von Proteinfragmenten befassten, um andere Proteinwechselwirkungen zu untersuchen und spezifische Reste zu mutieren, um zu sehen, wie diese Wechselwirkungen die Artwork und Weise verändern, wie das Fragment mit seinem Ziel interagiert.
Experimentell untersuchte das Verhalten von Tausenden von mutierten Fragmenten innerhalb von Zellen, ein Ansatz, der als Deep Mutational Scanning bekannt ist, Schlüsselaminosäuren, die für die Hemmung verantwortlich sind. In einigen Fällen waren die mutierten Fragmente noch stärker inhibitoren als ihre natürlichen Sequenzen in voller Länge.
„Im Gegensatz zu früheren Methoden sind wir nicht darauf beschränkt, Fragmente in experimentellen Strukturdaten zu identifizieren“, sagt Swanson. „Die Kernstärke dieser Arbeit ist das Zusammenspiel zwischen experimentellen Hemmungdaten mit hohem Durchsatz und den vorhergesagten Strukturmodellen: Die experimentellen Daten führen uns zu den besonders interessanten Fragmenten, während die von Fragfold vorhergesagten Strukturmodelle eine spezifische, Testbare Hypothese für liefern Wie die Fragmente auf molekularer Ebene funktionieren. “
Savinov freut sich über die Zukunft dieses Ansatzes und seine unzähligen Anwendungen.
„Durch die Erzeugung kompakter, genetisch kodierbarer Bindemittel eröffnet Fragfold eine breite Palette von Möglichkeiten zur Manipulation der Proteinfunktion“, stimmt Li zu. „Wir können uns vorstellen, funktionalisierte Fragmente zu liefern, die native Proteine modifizieren, ihre subzelluläre Lokalisierung ändern und sogar neu programmieren, um neue Werkzeuge für die Untersuchung der Zellbiologie und die Behandlung von Krankheiten zu erstellen.“ 

[ad_2]