Qfunction@Stat & Bioinfo

DFT of biomolecule, Cu錯体
→Chemical Biology
→RNAseq
→ Diffusion Model
最近はSDEとOT触ってます
起業とかも少し

[Qfunction@Stat & Bioinfo @StudyQC]

エンジニアインターンの課題あっさり終わってもうた。
研究でやってる作業と割かし似てるからってのもあるけど。

[ひるげ【Roamble開発者】 @Hiru_ge]

#ひまじんプログラマー コミュニティで人生初LTさせていただきました〜！

みなさん優しくて最高！！
すごく楽しかった！！
https://t.co/E4hf7FClzt

[Qfunction@Stat & Bioinfo @StudyQC]

マジで大学院物理化学講義１で読んだことが、ここで活きるとは思わんかった

[Qfunction@Stat & Bioinfo @StudyQC]

ルシフェラーゼ(蛍)が光るのって良く考えたらかなり非自明だよな。一応、反応物で励起・基底状態のエネが近いから配置間相互作用が強くなって混合状態が実現するってのが説明だけど、それは「なので非断熱遷移」って結論であって、最終的に生成物が励起状態として分離されることまで言ってないから謎や

[Qfunction@Stat & Bioinfo @StudyQC]

蛍みにいったんだけど、蛍が光る原理を説明してマウントを取ろうと思ってたら（たかだか励起電子が緩和する程度の話だと思ってた）、生成物が励起状態なのなぞすぎてなんもいえんかった()

[Qfunction@Stat & Bioinfo @StudyQC]

ルシフェラーゼ(蛍)が光るのって良く考えたらかなり非自明だよな。一応、反応物で励起・基底状態のエネが近いから配置間相互作用が強くなって混合状態が実現するってのが説明だけど、それは「なので非断熱遷移」って結論であって、最終的に生成物が励起状態として分離されることまで言ってないから謎や

[Qfunction@Stat & Bioinfo @StudyQC]

Next.jsでアプリ作るプログラム通った!
起業アイデアあるから、これでアプリ開発して起業や。
失敗の可能性など微塵も感じない、はずだった」
と、いえる程度には順調。なんかhackason行こうか迷ってたけど、インターンと研究とビジコンを加えるとなると既に飽和してるから流石にもう応募は控えるか

[Qfunction@Stat & Bioinfo @StudyQC]

物理をもうちょい勉強したいんだよな。モデル開発で説明可能性を考えるとき、要素の分離と再構成とか、内部の構造から数値的データを取り出すとかが典型的なスキームだけど、物理量として要請される性質を満たせばそれらは既知の理論から自動的に得られるわけで、その接続を考えるのが重要な気がしてる

[Qfunction@Stat & Bioinfo @StudyQC]

MBTIがINTPで、俺はテンプレ例だなと思ってたけど、実際にはITPはほぼ中立で、Nだけ突出してるって人からの指摘で初めて気づいた。その通り過ぎ、そしてS系の人間とは反りがまったくもって合わん。
ITPに関して、Iというにはイベントに行きすぎだしTというには情に流されるし、Pというには計画性を好む

[Lukas Valihrach @LukasValihrach]

BulkFormer: A large-scale foundation model for bulk transcriptomes
https://t.co/h7UsTnfhbJ

[Qfunction@Stat & Bioinfo @StudyQC]

うお最近マルチタスクが上手くなって時間ができてきた。JavaScriptと最適輸送の実装を再開できそうだぜ

[Qfunction@Stat & Bioinfo @StudyQC]

申請書おわり、つぎはインターンの課題や。

[Qfunction@Stat & Bioinfo @StudyQC]

ただコンテスト全体の雰囲気に対して重いテーマを扱いすぎてる点はだいぶ懸念点か。ディベートやってた影響で、人が死ぬか金がなくなるか、それ以外は存在しないと教えられてるから、いつもシリアスなテーマに行きついてしまう

[Qfunction@Stat & Bioinfo @StudyQC]

流石にこのアイデアはコンテストのレベル感的にオーバーキルだろってくらいの自信作ができた。コアスキルが文献調査だから顧客側は社会問題として報告数が多くて、逆に会社側は報告内から早急にインタビューしまくるのに舵を切って情報得たってのが大きかったな。
まだかってないのにｗ

[Qfunction@Stat & Bioinfo @StudyQC]

@riochin555 ありがとう！笑
でもコーディング課題はあんまアルゴリズム開発系じゃないんよねｗ
まあ知った風な口ぶりでしゃべるための知識ということで

[Qfunction@Stat & Bioinfo @StudyQC]

データ構造とアルゴリズム８章１４０ｐ入った！残り３章。再帰的アルゴリズムの作り方分かったのがデカい気がする、一番直感的でないので。
基本は
def f(x):
# 3:終了条件
# 2:分解する処理
f(x) # 1:再帰
# 4:再構築する処理
でいけて、この番号順に考えて構文当てはめればいける。

[Qfunction@Stat & Bioinfo @StudyQC]

知って結構衝撃を受けたんだけど、いま通信制高校のほうが圧倒的に多いんや

[Jorge Bravo Abad @bravo_abad]

Gaining biological insights through supervised data visualization

If you have ever run t-SNE or UMAP on a biological dataset and gotten a beautiful plot that had nothing to do with the question you cared about, you have met the core problem this paper tackles.

Unsupervised embeddings preserve whatever variation dominates the data, which is often not the variation tied to your labels. The existing supervised fixes tend to overcorrect: they bake class membership into the distance metric and force artificially clean separation, which looks impressive but misleads you about the real structure. They also break on continuous labels and cannot place new unlabeled points.

Jake Rhodes and coauthors propose RF-PHATE, which threads the needle. Instead of distorting distances by class, they train a random forest on the labels and extract RF-GAP proximities, similarities defined by how often points land in the same terminal nodes, weighted to reproduce the forest's out-of-bag predictions. These proximities already encode feature importance for the supervised task.

They then feed them into a PHATE-style diffusion pipeline: row-normalize into a Markov operator, add a PageRank-like damping term so isolated clusters do not trap the random walk, power the operator for global structure, and map the potential distances to low dimensions with MDS. The result emphasizes label-relevant geometry while suppressing noise, and because random forests handle mixed and continuous targets natively, it works for classification and regression.

What makes the paper convincing is the stress-testing. On synthetic data with 500 added noise variables, RF-PHATE recovers the true branching structure while unsupervised methods collapse and class-conditional methods shatter it into fake clusters. They also introduce three metrics that penalize hyperseparation, then show across 27 datasets that RF-PHATE preserves structure without inflating separation, unlike supervised UMAP and S-tSNE. In multiple sclerosis data it surfaces a nonbenign RRMS subgroup, and on RNA-seq it holds cell-type separation even at 75 percent dropout where PHATE and UMAP fail.

The useful idea is that supervision can steer a visualization toward the variable you actually care about without manufacturing the separation you are trying to detect, the trap that makes most supervised embeddings useless for decision support. In drug discovery, clinical biomarker work, or materials screening, where you have noisy high-dimensional data plus a relevant label, this lets you explore structure that respects your target while staying honest about overlap.

Paper: Rhodes et al., Nature Computational Science (2026) , journal license | https://t.co/x1rrNJxnet

[Qfunction@Stat & Bioinfo @StudyQC]

揺れてるってツイートすると東北の人があぶりだされる

[Qfunction@Stat & Bioinfo @StudyQC]

dx/dt = 寄与１＋...
みたいな現象論の式、無限の分野に無限にあるけど、そのベクトル場の群を考えてあげて、それが従うより上位のルールみたいなもの得たいんよな。おれの数学力では到底不可能だが

[Qfunction@Stat & Bioinfo @StudyQC]

NeuroIPS参加できる可能性があってガチ激熱

[Qfunction@Stat & Bioinfo @StudyQC]

scRNAseqのzero inflation系の話題一時期調べてて初期のほうは色々でてたけど最近見なくなって、と思ったらfabian theis