XiaoMi-AI文件搜索系统
World File Search System一种
谁做什么？一种确定功能定位的新算法
我们引入了一种新算法，称为 PPA（性能预测算法），该算法可以定量测量神经系统元素对其执行任务的贡献。根据一小组病变中性能下降的数据，该算法可以识别参与认知或行为任务的神经元或区域。它还可以准确预测由于多元素病变导致的性能。新算法的有效性在两个具有元素间复杂相互作用的循环神经网络模型中得到了证明。该算法可扩展并适用于大型神经网络的分析。鉴于可逆失活技术的最新进展，它有可能对理解生物神经系统的组织做出重大贡献，并阐明关于大脑局部计算与分布式计算的长期争论。
PolypharmDB 是一种基于深度学习的资源，可快速识别 COVID-19 的再利用候选药物
迫切需要发现治疗 COVID-19（由 SARS-CoV-2 病毒引起的流行病）的方法。考虑到发现、开发和临床测试的时间表，从库筛选开始的标准小分子药物发现工作流程是不切实际的。为了加快患者测试的时间，我们在此探索了在临床环境中经过一定程度测试的小分子药物（包括已批准的药物）作为 COVID-19 的可能治疗干预措施的治疗潜力。我们这个过程的动机是一个称为多药理学的概念，即可能具有治疗潜力的脱靶相互作用。在这项工作中，我们使用了深度学习药物设计平台 Ligand Design 来查询获得联邦批准或正在进行临床试验的内部小分子药物集合的多药理学概况，目的是识别预计会调节与 COVID-19 治疗相关的靶标的分子。我们努力的成果是 PolypharmDB，这是一种药物资源，以及它们在人类蛋白质组中预测的蛋白质靶标结合。挖掘 PolypharmDB 产生了预测与 COVID-19 的人类和病毒药物靶标相互作用的分子，包括与病毒进入和增殖相关的宿主蛋白以及与病毒生命周期相关的关键病毒蛋白。此外，我们收集了针对两个特定宿主靶标 TMPRSS2 和组织蛋白酶 B 的优先批准药物集合，最近显示它们的联合抑制可以阻止 SARS-CoV-2 病毒进入宿主细胞。总体而言，我们证明了我们的方法有助于快速响应，确定了 30 种优先候选药物，用于测试它们可能用作抗 COVID 药物。使用 PolypharmDB 资源，可以在一个工作日内为新发现的靶标确定重新利用的候选药物。我们正在免费向合作伙伴提供我们确定的分子的完整列表，以便合作伙伴能够对它们的功效进行体外和/或临床测试。关键词：SARS-CoV-2 病毒、COVID-19、冠状病毒、TMPRSS2、组织蛋白酶 B、宿主-靶标、多药理学、脱靶相互作用 缩写：SARS-CoV-2：严重急性呼吸综合征相关冠状病毒 COVID-19：冠状病毒病-2019 3CLpro：木瓜蛋白酶样蛋白酶 PLpro：主要蛋白酶 RdRp：非结构蛋白 ACE2：血管紧张素转换酶 2 TMPRSS2：跨膜蛋白酶丝氨酸 2
Silq 发布：一种高级量子语言
联系方式：马丁·韦切夫教授，苏黎世联邦理工学院，瑞士，silq@inf.ethz.ch 背景：最近的努力已经将量子计算机改进到可以在某些任务上超越传统计算机的程度，这种情况被称为量子霸权。量子计算机运行量子算法，通常用低级量子语言 Silq 表示。我们发布了 Silq，这是第一种旨在从量子算法的低级实现细节中抽象出来的高级量子语言。Silq 在 GitHub（https://github.com/eth-sri/silq）上公开可用，并根据免费开源 Boost 软件许可证 1.0 获得许可。作为一项关键的创新，Silq 有助于弥合经典语言和量子语言之间的概念差距。因此，Silq (i) 降低了非专业量子程序员的入门门槛，(ii) 通常有助于简洁明了地表达复杂算法，以及 (iii) 促进了 50 多年来为传统计算开发的编程和分析技术向量子编程领域的技术转移。比较。虽然传统上量子算法通常以电路的形式指定，但量子语言更方便地将量子算法表达为源代码。然而，现有的量子语言迫使程序员在较低的抽象层次上工作，仍然本质上指定将量子操作明确应用于单个量子位的量子电路。因此，用这些语言实现量子算法是繁琐且容易出错的。相比之下，Silq 支持对量子算法的描述性视图，表达了程序员的高级意图。然后，将这些算法编译成低级量子电路成为二阶关注点，可以由专门的编译器处理，就像在传统编程语言中一样。我们的实验评估表明，Silq 程序比其他量子语言中的等效程序短得多（Q# 平均缩短 46%，Quipper 缩短 38%），同时仅使用一半的量子原语。因此，Silq 程序不仅更短，而且更易于读写，因为它们需要的原语和概念更少。大部分评估都集中在 Q# 上，因为 (i) 它是使用最广泛的量子语言之一，(ii) 我们认为它比 Cirq 或 QisKit 更高级，(iii) 2018 年和 2019 年的 Q# 编码竞赛提供了大量 Q# 实现，我们可以利用它们进行比较。
心理测量：一种用于从人类大脑活动重建图像的万能模型
通过脑机接口，重建所看到的人脑活动图像连接了人机视觉和计算机视觉。由于个体之间大脑功能存在固有差异，现有文献主要集中于使用每个人各自的脑信号数据为每个人获取单独的模型，而忽略了这些数据之间的共性。在本文中，我们设计了心理测量学，这是一个全方位模型，用于重建从不同受试者获得的功能性磁共振成像 (fMRI) 图像。心理测量学包含一个全方位专家混合 (Omni MoE) 模块，其中所有专家共同努力捕捉受试者间的共性，而与特定受试者参数相关的每个专家则负责处理个体差异。此外，心理测量学还配备了一种检索增强推理策略，称为 Ecphory，旨在通过检索预先存储的特定受试者记忆来增强学习到的 fMRI 表征。这些设计共同使心理测量变得万能而高效，使其能够捕捉受试者之间的共性和个体差异。因此，增强的 fMRI 表征可作为条件信号来指导生成模型重建高质量逼真的图像，从而使心理测量在高级和低级指标方面都成为最先进的技术。
一种线性可扩展的多伪影去除方法，用于改进基于上肢脑电图的运动想象解码 Mojisola Grace Asogbon 1,2 , Oluwa
图 1：使用国际 10-20 系统从 (a) 矢状面和 (b) 轴平面 (c) 头皮角度看到的 64 个电极配置表示。注意：A= 耳垂，C = 中央，Pg = 鼻咽，P = 顶叶，F = 额叶，Fp = 额极和 O = 枕叶。
靶向铁死亡：一种克服乳腺癌耐药性的有前途的策略
乳腺癌是全球女性最常见的恶性肿瘤之一，其发病率在年轻人群中越来越高。近年来，耐药性已成为乳腺癌治疗的一大挑战，因此，耐药性成为当代研究的焦点，旨在寻找解决这一问题的策略。越来越多的证据表明，通过各种机制诱导铁死亡，特别是通过抑制系统 Xc -、消耗谷胱甘肽 (GSH) 和灭活谷胱甘肽过氧化物酶 4 (GPX4)，在克服乳腺癌耐药性方面具有巨大潜力。预计针对铁死亡的疗法将成为逆转肿瘤耐药性的有希望的策略，为乳腺癌患者带来新的希望。本综述将探讨在乳腺癌耐药性背景下理解铁死亡的最新进展，特别强调铁死亡诱导剂和抑制剂的作用，以及铁死亡途径对克服乳腺癌耐药性的影响。
一种预测心脏病的新方法：机器学习技术
抽象的心脏病和机器学习是两个不同的词，其中一个与医学领域有关，另一个与人工智能有关。在医疗中，大多数人都面临着心脏病的问题，机器学习正在发展计算机科学领域。心脏病被称为心脏病，它提供了更多的数据或信息，应收集它以提供患者的报告，并且机器学习还需要用于预测和解决问题的数据。机器学习技术用于预测心脏病的预测，在这种预测中，它以更少的计算时间和更高的准确性来促进其健康。心脏病预测需要大量的数据来预测，在云计算中，我们也有更多数据，并且在云中可用的数据很难分析。因此，我们使用机器学习算法或技术来预测心脏病，并且以相似的方式应用了这些算法或技术来预测或分析云中可用的数据。在本文中，我们将使用称为Backpropagation算法的机器学习算法，后来我们以后使用优化算法。反向传播算法涉及人工神经网络。反向传播是一种方法，用于计算一批数据后每个神经元的误差贡献（在图像识别，多个图像中）。这是由包围优化算法使用的，以调整每个神经元的重量，从而完成该情况的学习过程。机器学习算法和技术用于识别人类风险问题的强度，它可以帮助患者采取安全措施，以挽救患者的生命。关键字：机器学习，云计算，心脏，反向传播，优化
Gallagher, Maria, Torok, Agoston, Klaas, Johanna 和 Ferrè, Elisa Raffaella (2020) 人类行为中的重力先验：一种感知或语义现象
摘要 人类在感知方面表现出重力优势：我们能更精确地判断向下移动物体的速度，而不是向上移动物体的速度，这表明重力加速度是一种内在化的先验。然而，尚不清楚这种重力先验是完全基于感知线索，还是可以结合语义知识。先前的研究仅使用了已知服从重力的物体，可能混淆了语义和感知线索。在这里，我们通过要求参与者判断通常与重力（球）或逆重力（火箭）相干移动的物体的速度来解决这个问题。我们的结果显示，无论物体身份如何，下落刺激都具有感知优势，这表明重力先验是基于感知线索的。
一种降低秘密风险的加密方法
现代软件依赖于操作的秘密 - API键，代币和凭证对于与Stripe，Twilio和AWS等服务互动的应用程序至关重要。这些秘密中的大多数存储在平台本地的秘密经理中，例如AWS Secrets Manager，Vercel环境变量和Heroku Config vars。这些系统通过集中秘密并无缝将其注入运行时环境来提供便利。但是，此集中化引入了重大风险。如果被违反，它们会暴露在其中存储的所有秘密，从而导致爆炸半径，可能会泄漏数千甚至数百万个秘密。同时，诸如.ENV文件之类的替代方案最小化爆炸半径，但缺乏防止未经授权访问所需的保障措施。开发人员在具有较大风险或复杂性较大的爆炸半径的较高风险或复杂性之间进行选择。需要的是基于混合密码学而不是信任的秘密系统，允许开发人员在而无需任何第三方保持安全的情况下对秘密进行加密。在本文中，我们使用库在运行时解密加密秘密文件的库为这些风险提出了解决方案，并用平台的Secrets Manager中分别存储了一个私钥。此方法包含漏洞的爆炸半径，同时保持.ENV文件的简单性。即使一个组件（无论是加密的文件或秘密经理）还是受到妥协的，秘密仍然安全。只有同时访问两者都可以暴露它们。