XiaoMi-AI文件搜索系统
World File Search System不可知论
病毒蛋白测序识别9个城市的废水中的H5N1禽流感
*相应的作者摘要：鸟类流感（血清型H5N1）是一种高度致病的病毒，1996年出现在家庭水禽中。在过去的十年中，已经报道了包括人类在内的哺乳动物传播。尽管人类传播到人类传播很少见，但在过去爆发中染上病毒的患者中，感染是致命的。驯养动物中病毒的越来越多引起了人们对病毒适应免疫学上天真的人类的实质性关注，可能会导致下一个流感大流行。基于废水的流行病学（WBE）用于跟踪病毒历史上用于跟踪脊髓灰质炎，最近在COVID-19大流行期间已针对SARS-COV2监测实施。在这里，使用不可知论的混合捕获测序方法，我们报告了在九个德克萨斯州的九个城市的废水中检测到H5N1的检测，在2024年3月4日至4月25日的两个月内，数百万个集水区的总人口在数百万美元中。测序读取与H5N1的独特对齐覆盖了所有八个基因组段，最适合2.3.4.4b的进化枝。值得注意的是，23个受监视的站点中的19个
s2-MLP：视觉的空间移位MLP体系结构
最近，Visual Transformer（VIT）及其以下作品放弃了卷积，并利用了自我发项操作，比CNN获得了可比甚至更高的精度。最近，MLP-Mixer放弃了卷积和自我发项操作，提出了仅包含MLP层的体系结构。为了实现交叉补丁通信，除了通道混合MLP外，它还设计了其他令牌MLP。在诸如JFT-300M之类的极限数据集上进行训练时，它会取得令人鼓舞的结果。，但是当在ImagEnet-1k等中等规模的数据集上训练时，它的表现不如其CNN和VIT对应。MLP混合使用的性能下降激励我们重新考虑令牌混合MLP。我们发现，MLP混合中的令牌混合操作是深度卷积的变体，具有全局接收场和空间特异性配置。在本文中，我们提出了一种新颖的纯MLP体系结构，即空间移位MLP（S 2 -MLP）。不同于MLP混合器，我们的S 2 -MLP仅包含通道混合MLP。我们设计了一个空间换档操作，以实现通过补丁之间的通信。它具有局部接收场，是空间的 - 不可知论。同时，它无参数且有效地计算。在Imagenet-1K数据集训练时，提出的S 2 -MLP比MLP混合剂具有更高的识别精度。同时，S 2 -MLP在ImageNet-1k数据集上具有出色的性能，具有更简单的架构，较少的失败和参数。
AACR GENIE 数据库中软组织和骨肉瘤中组织学无关靶点的分析
肉瘤是一类异质性罕见癌症，具有共同的间叶来源。然而，特定亚型的肉瘤具有不同的临床、病理和分子特征，导致对目前批准的标准治疗方法的反应不同，总体预后也各异 ( 1 )。尽管肉瘤种类繁多（目前世界卫生组织 (WHO) 的分类将肉瘤分为约 100 种组织学亚型），但在过去 40 年中，一刀切的治疗方法一直主导着晚期软组织肉瘤 (STS) 的治疗。骨肉瘤的治疗方法类似。尽管化疗最初在总体生存率方面取得了显著进展，但目前仅有传闻中的靶向疗法或免疫疗法被批准用于治疗肉瘤。因此，临床上迫切需要从分子水平上了解这些肿瘤，以“打破天花板”并显著影响这些患者的预后（2、3）。在多样化和罕见的肉瘤群体中，开发个性化、分子信息疗法具有挑战性。因此，目前只有一小部分软组织或骨肉瘤患者能从基因组靶向治疗中受益（4-7）。目前，美国食品药品管理局 (FDA) 批准用于治疗肉瘤的生物标志物靶向疗法很少，包括针对胃肠道间质瘤 (GIST) 的 KIT 和 PDGFRA、腱鞘巨细胞瘤的 CSF1R、上皮样肉瘤的 EZH2、血管周上皮样细胞分化瘤 (PEComa) 的 mTOR 和炎性肌成纤维细胞瘤的 ALK（ 4 , 7 – 10 ）。在过去十年中，随着对多种肿瘤类型致癌分子改变的了解不断加深，以及高效靶向疗法的出现，开启了药物开发的新时代，其特点是与组织学无关、生物标志物驱动的疗法（ 11 ）。在这个新时代，正在开发用于治疗特定分子改变的疗法，无论肿瘤组织来源如何。迄今为止，FDA 已批准六种药物作为组织学不可知论疗法，针对四种不同的分子生物标志物（12-16）。组织学不可知论开发首次被认可为一种新的药物审批监管途径，是因为微卫星不稳定性高 (MSI-H) 表型被认定为抗 PD-1 免疫检查点抑制剂疗效的预测生物标志物。这引发了一系列试验，研究使用 pembrolizumab 治疗来自不同原发来源的 MSI-H 肿瘤患者。初始疗效结果显著；总体缓解率 (ORR) 为 39%，包括具有 15 种不同肿瘤组织学的患者。此外，这种反应的持久性令人印象深刻——78% 的反应在六个月后持续 (17)。这些结果是 FDA 历史上不分组织学批准派姆单抗用于 MSI-H 肿瘤患者的基础。从那时起，派姆单抗的疗效已在更多患者中得到证实。此外，另一种抗 PD-1 药物 dostarlimab-gxly 也已获批用于相同适应症 ( 12 , 14 )。随后，拉罗替尼和恩曲替尼获批用于治疗 NTRK 融合实体瘤，派姆单抗获批用于治疗高肿瘤突变负荷 (TMB-H) 实体瘤，最近，达拉非尼和曲美替尼联合用药获批用于治疗 BRAF V600E 突变实体瘤 ( 13 ,
利用分子靶向疗法预防癌症
如今，肿瘤学家就像人体侦探，不再使用放大镜，而是利用分子病理学的新工具，不仅寻找基因或分子靶点，以针对性地开发创新的抗癌疗法，还寻找分子改变，以便识别出有患肿瘤风险的人群，从而进行预防。这就是精准肿瘤学，借助这种精准肿瘤学，如今我们不仅能够基于精准医学模型，通过识别与患癌风险增加相关的特定基因组决定因素，进行治疗，还能进行个性化癌症预防。该领域包括一系列干预措施，以便在早期识别癌症或避免疾病的发生。乳腺癌的 BRCA 突变状态就是一个典型例子：BRCA 基因突变是乳腺癌的风险因素，对于携带该基因突变的女性，可以提供更频繁的乳房筛查计划（作为二级预防的一部分），或者使用芳香化酶抑制剂或抗雌激素治疗来加强一级预防 [ 1 ]。分子病理学是精准肿瘤学的基石，今天，我们有必要学会研究细胞信号转导通路中不仅单个的改变，还要整体的改变。通过这种方式，分子病理学家可以为临床医生提供关键信息，以推动治疗选择。所谓的组织学模型长期以来一直主导着肿瘤学临床研究和临床实践，现在分子模型已成为其重要组成部分 [ 2 – 4 ]。在这种方法中，起点是肿瘤来源的器官，然后进行组织学检查，识别任何分子改变并选择药物，通过选择更有可能对治疗有反应的患者。组织学模型已经被不可知论模型所超越，在不可知论模型中，肿瘤治疗方法是基于特定的基因组改变或特定的分子方面选择的，这些改变或分子方面可能存在于各种肿瘤中，代表细胞靶点。有趣的是，突变模型还包括微生物群，它代表了生活在体内的数十亿微生物的集合，为我们的生命提供基本支持 [ 5 ]。靶向抗癌疗法涉及使用药物通过干扰参与肿瘤进展的分子（称为“分子靶点”）来阻断癌细胞的生长和扩散。靶向抗癌疗法与传统化疗有几个不同之处：（i）靶向抗癌疗法作用于癌细胞的特定分子靶点，而大多数化疗作用于所有快速繁殖的细胞，包括正常细胞和癌细胞；（ii）靶向抗癌疗法阻止肿瘤细胞的增殖（细胞抑制），而化疗药物杀死肿瘤细胞（细胞毒性）；（iii）靶向抗癌疗法与其靶点发生特异性相互作用，而许多化疗是根据其细胞毒性能力来确定的。靶向抗癌疗法目前是许多抗癌药物开发的核心，包括激素疗法、信号转导抑制剂、基因表达调节剂、凋亡诱导剂、血管生成抑制剂、免疫疗法和释放毒素的化合物。值得注意的是，靶向癌症疗法在获得性耐药性方面存在一些限制。因此，靶向抗癌疗法联合使用效果最好。例如，最近的一项研究发现，在 BRAF V600E 突变的黑色素瘤中使用两种药物比单独使用一种药物更能减缓耐药性的产生和病情进展[ 6 ]。此外，
五年战略措施和目标更新
to：利益相关者咨询委员会来自：公司服务首席财务官兼副总裁芭芭拉·安德森（Barbara Anderson）日期：2021年2月17日，回复：五年的战略措施和目标更新以下更新以下更新了利益相关者咨询委员会（SAC）的最终IESO董事会批准的IESO董事会批准的五年战略性措施和目标，以支持该策略的策略，以执行IESOS的执行。更新IESO的战略计划于2020年续签，作为这项工作的一部分，定义了五年的战略措施和目标，以帮助提高组织绩效并保持其战略方向和企业优先事项。这种方法是组织过渡的，代表了IESO绩效管理的成熟度的进步。虽然在2020年8月的SAC会议上提出了措施草案，但在2020年底之前，仍有进一步的改进以最终确定措施和目标。截至2020年12月，IESO措施和目标已更新，并在附录1中共享。这些措施和目标是与IESO执行领导团队合作制定的，商务部门的投入，并考虑了2020年8月SAC会议的反馈。由于IESO被要求为资源不可知论，并且为了响应SAC成员的反馈，IESO删除了与温室气体（GHG）排放预测相关的拟议措施预测的准确性（目标：全温室气体排放量不超过每年预测的10％）。IESO将继续监视并报告预测的GHG总排放数据，这是其年度计划前景的一部分。该度量本身是我们对温室气体排放的预测准确性的基于绩效的度量，但可以解释说，IESO的职位可以看作是在充分框架中比某些资源优惠的位置。
MISS-SNF：一种多模式患者相似性网络集成方法来处理完全缺失的数据源
动机：精确药物利用患者特定的多模式数据来改善预防，诊断，预后和疾病治疗。提前的精确医学需要复杂，异质和潜在高维数据来源（例如多摩学和临床数据）的非平凡整合。在文献中，已经提出了几种方法来管理丢失的数据，但通常仅限于一部分患者的特征子集的恢复。在很大程度上被忽略的问题是当一个或多个患者完全缺少其中一个或多个数据来源时，这是临床实践中相对常见的状况。结果：我们提出了Miss类似网络融合（MISS-SNF），这是一种新型的通用数据集成方法，旨在在患者相似性网络的背景下管理完全缺失的数据。miss-snf通过利用从SNF算法借来的非线性消息通讯策略来整合不完整的单峰患者相似性网络。Miss-SNF能够恢复缺失的患者相似性，并且是“任务不可知论”，从某种意义上说，可以整合无监督和监督预测任务的部分数据。对来自癌症基因组图集（TCGA）的九个癌症数据集的实验分析表明，Miss-SNF达到最先进的方法会导致恢复相似性并识别出在临床上相关变量中富集的患者亚组，并具有差异性生存率。可用性和实现：在R中实现的MISS-SNF代码可在https://github.com/ anacletolab/misssnf上找到。此外，截肢实验表明，MISS-SNF监督了对整体生存和无进展间隔事件的预测，完全缺少数据的结果可与所有数据可用时获得的结果相当。
深度学习模型优化，用于边缘本地应用的部署和改进技术
在日常环境中使用物联网（IoT）传感器和设备的压倒性用途（房屋，医院，酒店，制造地板，仓库，零售店，机场，智能城市等。），如今，实时感知和驱动的长期目标是看到一个宏伟的现实。环境和自适应通信技术可以实现特定特定和不可知论的物联网产品，解决方案和服务的快速增长领域。可以建立并交付给相关人员和系统的跨业务垂直行业的各种情境知识服务和应用程序。多方面的物联网传感器嵌入到各种物理系统中，例如机器人，无人机，飞行引擎，防御设备，医疗器械，电器，厨房用具，消费电子，消费电子，货车，制造机械等。进行此填充是为了不断地监视和测量物理系统的各种参数（日志，结构，操作，健康状况，绩效，安全性等）。IoT设备和传感器部署在工作，散步，购物，社交和放松的地方是连接和数字化的实体。目标是使这些设备和传感器能够在其操作，输出和产品方面具有智能。这些要素在我们的个人，社会和专业环境中大量部署在他们的决策，交易和行为中必须具有认知和认知。数字化的实体有权收集在其环境中生成的多结构数据，清洁和关键，以实时发射可行的见解。普通的工件和文章与技术驱动的实时数据捕获，存储，处理和发音的力量进行了数字化，连接和智能。数字化和数字化技术和工具在将原始数据转换为信息和知识方面派上用场。人工智能（AI）是最有效，最深刻和相关的技术范式，可以简化，简化和加快将批处理和流数据分流为有用知识的过程。边缘AI的开创性概念（替代边缘智能，设备数据处理等）是两种强大技术的融合：边缘计算和人工智能。
病态发展方法论
使用以下标准限制了映射练习的范围：时间段 - DEG，EIB和Proparco仅包括2010年至2022年的项目和资金。由于数据的较大可用性，因此BII扩展了此时间周期，包括在2007 - 2008年开始启动的项目，该项目一直持续到主要研究重点的时间表。项目模式 - 仅包括DFI参与模式为财务的项目。咨询或其他方式未映射。健康 - 该研究试图确定DFI资金的卫生部门受益人，无论是直接还是间接的。私人营利性 - 研究的重点是营利性1卫生部门受益人，包括通过金融中介机构资助的人。由于其数量较低，因此在乐施会列出的投资中包括了包括一个金融中介机构在内的非营利接收者，但在任何包括在内的投资中都被确定。关于金融中介机构的注释：BII在卫生中的作用映射揭示了通过金融中介机构向私人营利性卫生公司的大量资金。BII披露了其子投资，并通过部门清楚地将其分类。所使用的金融中介机构既有特定于健康和行业不可知论（多部门）。由于其他DFI缺乏次投资报告，因此无法通过其他DFI项目门户来复制对中间投资的相同搜索。相反，DFI门户网站以及其他DFI和金融中介来源被搜索已知可以投资健康的金融中介机构（使用BII数据）。这些挑战破坏了系统和还搜索了金融中介机构的名称，以了解他们投资于健康的任何迹象。缺乏账目投资的报道，即使披露，也是非常有限的信息，这既是这项研究的主要限制，也是该研究的发现。这项研究的局限性在很大程度上与DFI的所有报告级别有关的信息，透明度差，不一致以及细节不足有关。
通过...
摘要 - 基于CPU的推理可以作为外芯片加速器的拟合作用。在这种情况下，由于其高效率，新兴的矢量体系结构是一个有前途的选择。然而，卷积算法和硬件实现的庞大设计空间使设计选项的选择具有挑战性。在本文中，我们介绍了针对基于CPU的卷积神经网络（CNN）推断的共同设计的未来矢量体系结构的持续研究，重点是IM2Col+Gemm和Winograd内核。使用GEM5模拟器，我们探讨了几个硬件微体系特征的影响，包括（i）向量泳道，（ii）向量长度，（iii）缓存尺寸和（iv）将向量单元集成到CPU管道中的选项。In the context of im2col+GEMM, we study the impact of several BLIS-like algorithmic optimizations such as (1) utilization of vector registers, (2) loop unrolling, (3) loop reorder, (4) manual vectorization, (5) prefetching, and (6) packing of matrices, on the RISC-V Vector Extension and ARM-SVE ISAs.我们使用Yolov3和VGG16网络模型进行评估。我们的共同设计研究表明，BLIS样的优化对所有类型的矢量微体系结构都不是有益的。我们还证明，与我们优化的CNN内核相比，较长的矢量长度（至少为8192位）和较大的缓存（256MB）可以提高5倍的性能，而512位和1MB的载体长度则可以提高性能。我们的共同设计研究还表明，与IM2Col+GEMM相比，Winograd需要较小的缓存尺寸（高达64MB）。在Winograd的背景下，我们通过使用每个通道的8×8图块来介绍跨输入/输出通道之间的新颖的瓷砖并行方法，以对向量长度不可知（VLA）体系结构进行载体化算法。我们的方法利用了较长的向量长度并提供了高内存重复使用，与我们在Fujitsu A64FX处理器上优化的IM2Col+Gemm方法相比，对于具有3×3内核大小的非弯曲卷积层的性能提高了2.4倍。索引术语 - CNN，GEMM，Winograd，长量架构，向量长度不可知论ISA，共同设计，优化
人工智能与宗教
当代人工智能与神学之间没有明确的联系。人工智能领域通常不会刻意探索任何可以归类为神学的东西。在最好的情况下，人工智能对神学问题持不可知论态度，在最坏的情况下，人工智能是无神论的，它假设了一种激进的物理主义，排除了上帝、精神甚至思想的存在。这与人工智能的前身控制论形成了鲜明的对比，控制论对世界上的神秘性更加开放。诺伯特·维纳和斯塔福德·比尔等控制论专家认为，人类必须不仅仅是一种机械，由于现实的复杂性和我们大脑的有限性，关于世界和我们自己的一些事情将永远是不可知的（Williams 1968，44；Pickering 2004，499-501）。对他们来说，神的奥秘并不是某种补充或叠加的东西，而是与宇宙中其他不可知方面完美地延续在一起。因此，控制论被视为对这一奥秘的探索。宗教与控制论的继承者人工智能之间并不存在这种明确的关系。利用人工智能程序在宗教文本中寻找隐藏的语言模式或许是人工智能与神学之间最直接、最不具推测性的形式。计算方法至少从 20 世纪 70 年代就开始用于圣经研究，但直到 21 世纪机器学习算法出现后，统计人工智能的全部潜力才被释放。目前，计算方法不再是圣经研究中一种奇特的方法，而是主流方法（Peursen 2017, 394）。一个例子是算法如何帮助圣经研究人员区分同一文本中的不同作者（Dershowitz、Akiva 和 Koppel 2015），这被称为作者聚类。利用人工智能的力量研究古代文献的好处非常明显：新见解、假设的确认/反驳以及新的联系。然而，当程序产生令人惊讶的结果而无法解释时，就会出现困难的黑箱问题。研究人员是否应该简单地相信人工智能是正确的，这是不令人满意的，可以说是一个滑坡，还是应该将结果视为错误并尝试修复算法，直到它产生预期的结果，而这种方法反过来会循环和冗余？（Peursen 即将出版，11-12）。