👋 Welcome to BioF3's Paper Digest! Today's edition features 0 GitHub projects and 4 research papers from bioRxiv, arXiv, and PubMed.
Content generated by GLM-4.7 (Deep Thinking Mode) 🧠
1. Analyzing animal movement using deep learning
📄 arXiv Paper | Date:
2026-03-25| Category:q-bio.QM
Authors: Thibault Fronville, Maximilian Pichler, Johannes Signer et al.
AI Research Digest (科研解读)
一句话概括 该论文提出了一种基于深度神经网络（DNN）的步选择函数（SSF）框架，结合可解释AI技术，以克服传统统计模型在分析动物运动时无法灵活捕捉非线性效应及个体差异的局限性。
研究背景
动物运动分析是生态学和保护生物学的核心，传统基于广义线性模型（GLM）的步选择函数（SSF）难以处理复杂的非线性关系及交互作用，而现有的广义加性模型（GAM）在捕捉个体差异和复杂栖息地偏好方面仍有局限。
方法创新
本文创新性地将深度神经网络引入步选择函数框架，并利用可解释AI技术从网络中提取选择系数；同时，设计了能够捕获个体间差异的新型DNN结构，将其视为一种非线性随机效应模型，从而在不预设具体函数形式的情况下拟合复杂的生态过程。
关键发现
- 在处理线性效应时，DNN-SSF能够有效复现传统GLM的效应大小和p值，证明了其在经典统计推断场景下的有效性。
- 该模型能够自动检测数据中存在的复杂交互效应、非线性响应以及个体间的变异性，展现出比传统模型更强的灵活性和拟合能力。
实际意义
这项研究通过开源的 citoMove R包，为生态学家提供了一种强大的新工具，能够在无需预先指定模型结构的前提下，更准确地解析动物对复杂栖息地环境的适应性选择行为
2. Interfacial Potential Transduction for Diagnostics
📄 arXiv Paper | Date:
2026-03-24| Category:q-bio.BM
Authors: Hyun-June Jang, Peuli Nath, Yuqin Wang et al.
AI Research Digest (科研解读)
3. Spatial and morphological organization of mitochondria in neurons across a connectome.
📄 PubMed Article | Date:
2026 Mar 19| Category:Science (New York, N.Y.)
Authors: Sager G, Pfeiffer P, Wu H et al.
AI Research Digest (科研解读)
4. Pluripotent stem-cell-based screening uncovers sildenafil as a mitochondrial disease therapy.
📄 PubMed Article | Date:
2026 Mar 11| Category:Cell
Authors: Zink A, Dai DF, Wittich A et al.
AI Research Digest (科研解读)
Powered by BioF3 Auto-Bot & ZhipuAI GLM-4.7