XiaoMi-AI文件搜索系统
World File Search System个分
VirtualFlow 2.0 - 下一代药物发现平台，可实现 690 亿个分子的自适应筛选
早期药物发现受到初始命中识别和先导化合物优化及其相关成本的限制（1）。超大型虚拟筛选（ULVS）涉及对大量分子进行虚拟评估以与大分子靶标结合，能够显著缓解这些问题，正如最近多项研究所证明的那样（2-7）。尽管 ULVS 具有巨大潜力，但迄今为止，它仅探索了化学空间和可用对接程序的一小部分。在这里，我们介绍了 VirtualFlow 2.0，这是第一个专用于超大型虚拟筛选的开源药物发现平台的下一代产品。VirtualFlow 2.0 提供了来自 Enamine 的 REAL Space，其中包含 690 亿个“即用型对接”格式的类药物分子，这是迄今为止同类库中最大的一个。我们提供了一个 18 维矩阵，可通过 Web 界面直观地探索库，其中每个维度对应于配体的分子特性。此外，VirtualFlow 2.0 支持多种可大幅降低计算成本的技术，包括一种称为自适应靶标引导虚拟筛选 (ATG-VS) 的新方法。通过对库的代表性稀疏版本进行采样，ATG-VS 可识别超大化学空间中与靶位点结合潜力最大的部分，从而大幅降低计算成本，最高可达 1000 倍。此外，VirtualFlow 2.0 支持最新的基于深度学习和 GPU 的对接方法，可将速度进一步提高两个数量级。VirtualFlow 2.0 支持 1500 种独特的对接方法，提供靶标特定和共识对接选项以提高准确性，并能够筛选新型配体（如肽）和靶标受体（包括 RNA 和 DNA）。此外，VirtualFlow 2.0 还具有许多先进的新功能，例如增强的 AI 和云支持。我们在 AWS 云中展示了高达 560 万个 CPU 的完美线性扩展行为，这是并行云计算的全球新纪录。由于其开源特性和多功能性，我们预计 VirtualFlow 2.0 将在未来的早期药物发现中发挥关键作用。
图理论测量的一致性是阿尔茨海默氏病纤维密度连接跨多个分割量表
图理论措施经常被用来研究阿尔茨海默氏病人脑连接组中的连通性中断。然而，先前的研究指出，图创建方法的差异是可能改变这些措施中发现的拓扑观察的混杂因素。在这项研究中，我们进行了一项新的研究，以了解针对从扩散张量成像得出的纤维密度网络计算出的图形理论措施的影响。We computed 4 network-wide graph theoretical measures of average clustering coefficient, transitivity, characteristic path length, and global efficiency, and we tested whether these measures are able to consistently identify group differences among healthy control (HC), mild cognitive impairment (MCI), and AD groups in the Alzheimer's Disease Neuroimaging Initiative (ADNI) cohort across 5 scales of the Lausanne分析。我们发现，旋转性的分离度量在区分健康和患病群体方面提供了范围内最大的一致性，而其他措施则受到不同程度量表的选择的影响。全球效率是我们测试的第二个最一致的度量，该度量可以在所有5个量表中以及在5个量表中的3个量表中区分HC和MCI。特征路径长度对尺度变化高度敏感，证实了先前的发现，并且无法识别许多尺度的群体差异。平均聚类系数也受到量表的极大影响，因为它始终未能识别出较高分辨率分析中的群体差异。从这些结果中，我们得出结论，许多图理论度量对选择量表的选择敏感，并且需要进一步发展方法，以更加强大地表征AD的关系与连通性中断的关系。
在波多黎各建造一个分散的食品供应链
这些空间是替代大型食品枢纽的替代方案，它的规模很小，并且是一种社区中心，不仅是食物，而且还提供药物，工具，能量和服务。塔拉（Tara）解释说：“我们的空间开放了，然后一周后Covid发生了。我们在小小的小食品中心拿了与厨师相同的资金，并决定，由于库维德，我们需要分散，因为如果不这样做，我们将不会有效。我们在岛上补贴了不同的厨师，然后处理自己的烹饪和保存。我们帮助他们获得了更多的厨房设备，我们更改了编程，因此现在我们的食品中心只专注于周围的周围区域。我们将资金重新分配给了岛上的其他四个厨师，因此现在有更多的厨房。这对于保持系统的运行确实非常有效。”
通过不同的拓扑化学反应基于单个分子的可编程光响应材料
组装体的组装不仅由光活性分子本身的分子结构决定，还由分子空间排列方式决定。13 – 15具有明确堆积和分子间相互作用的有机超分子晶体是研究超分子组织及其控制和操作的理想体系。16 – 18因此，如何提供具有理想光响应行为的有机超分子晶体引起了化学和材料科学的广泛关注。分子间[2 + 2]光环加成反应，特别是固态的光二聚化，极易受到分子空间排列的影响。预计只有当反应性p-二聚体中的两个单体尽可能平行排列，并且它们的接近度在4.2 ˚A以内时才会发生。19 – 21此类拓扑化学反应具有迷人的能量转移，能够快速有效地将光转化为化学能和动能。 18,22一方面，晶格原子的空间运动会在周围的p-二聚体中产生局部应力，使晶体发生变形。23,24例如，Naumov和Vittal报道了基于[2+2]光环加成反应的智能分子晶体，实现了弯曲、跳跃、滚动、光突显等多种光机械动态行为。25-27另一方面，
HAD-NET：一个分层对抗知识蒸馏网络，用于改善没有对抗后图像的增强肿瘤分割
对MRI的增强肿瘤或病变的分割对于在许多临床情况下检测新疾病活性很重要。 然而，准确的分割需要在注射对比剂（例如gadolinium）的患者后，将医学图像（例如，T1后对比度MRI）包括在内，这一过程不再被认为是安全的。 尽管在过去几年中已经建立了许多模态分割网络，但在增强病理分割的背景下，它们取得了有限的成功。 在这项工作中，我们提出了一种新颖的o net，这是一种新颖的对抗知识蒸馏（KD）技术，因此，通过访问所有MRI序列的预训练的教师分割网络，通过层次的对抗性训练，通过层次训练来教授学生网络，以更好地克服在重要的图像时呈现出至关重要的图像时会出现的大型域移动。 尤其是，当无法获得对比后成像时，我们将HAD-NET应用于增强肿瘤分割的具有挑战性的任务。 The proposed network is trained and tested on the BraTS 2019 brain tumour segmentation challenge dataset, where it achieves performance improvements in the ranges of 16% - 26% over (a) recent modality-agnostic segmentation methods ( U-HeMIS , U-HVED ), (b) KD-Net adapted to this problem, (c) the pre-trained student network and (d) a non-hierarchical version of the network ( AD-NET），就增强肿瘤（ET）的骰子得分而言。 该网络还显示出肿瘤核心（TC）骰子得分的改善。对MRI的增强肿瘤或病变的分割对于在许多临床情况下检测新疾病活性很重要。然而，准确的分割需要在注射对比剂（例如gadolinium）的患者后，将医学图像（例如，T1后对比度MRI）包括在内，这一过程不再被认为是安全的。尽管在过去几年中已经建立了许多模态分割网络，但在增强病理分割的背景下，它们取得了有限的成功。在这项工作中，我们提出了一种新颖的o net，这是一种新颖的对抗知识蒸馏（KD）技术，因此，通过访问所有MRI序列的预训练的教师分割网络，通过层次的对抗性训练，通过层次训练来教授学生网络，以更好地克服在重要的图像时呈现出至关重要的图像时会出现的大型域移动。尤其是，当无法获得对比后成像时，我们将HAD-NET应用于增强肿瘤分割的具有挑战性的任务。The proposed network is trained and tested on the BraTS 2019 brain tumour segmentation challenge dataset, where it achieves performance improvements in the ranges of 16% - 26% over (a) recent modality-agnostic segmentation methods ( U-HeMIS , U-HVED ), (b) KD-Net adapted to this problem, (c) the pre-trained student network and (d) a non-hierarchical version of the network ( AD-NET），就增强肿瘤（ET）的骰子得分而言。该网络还显示出肿瘤核心（TC）骰子得分的改善。最后，根据不确定性量化，该网络的表现优于基线学生网络和AD-NET，以增强基于BRATS 2019不确定性挑战指标的肿瘤细分。我们的代码可公开可用：https：//github.com/saveriovad/had_net关键字：知识蒸馏，对抗性，歧视者，分层，增强肿瘤，缺失顺序，对比度增强
利用数据实现安全：机器学习/人工智能实现及时航空安全 Nikunj C. Oza 博士、Chad Stephens 美国宇航局全系统安全项目 现代喷气式客机每飞行一次记录近 1GB 的原始数据，几乎是不到十年前投入使用的喷气式客机记录数据的两倍。鉴于这一宝贵的数据宝库，数据分析是一项非常重要的能力，它可以将这些数据转化为知识，从而帮助理解和实现安全操作。数据分析的实践涉及应用人工智能 (AI) 和机器学习 (ML) 等方法来获取见解并识别数据中的有意义关系。人工智能是一门专注于在基于计算机的代理中开发模拟人类智能的研究领域。ML 是人工智能的一个分支，涉及开发预测或决策算法，这些算法不是明确编程来预测或决策的，而是从代表过去预测或决策的数据中学习的。您可能体验过 ML 支持的功能，例如 Netflix 或 Amazon 中的自定义推荐。由于机器学习算法具有从过去的操作中学习的能力，因此虚拟助手（例如 Apple 的 Siri 或 Amazon 的 Alexa）以及部分或完全自动驾驶汽车成为可能。
利用数据实现安全：机器学习/人工智能实现及时航空安全 Nikunj C. Oza 博士、Chad Stephens 美国宇航局全系统安全项目 现代喷气式客机每飞行一次记录近 1GB 的原始数据，几乎是不到十年前投入使用的喷气式客机记录数据的两倍。鉴于这一宝贵的数据宝库，数据分析是一项非常重要的能力，它可以将这些数据转化为知识，从而帮助理解和实现安全操作。数据分析的实践涉及应用人工智能 (AI) 和机器学习 (ML) 等方法来获取见解并识别数据中的有意义关系。人工智能是一门专注于在基于计算机的代理中开发模拟人类智能的研究领域。ML 是人工智能的一个分支，涉及开发预测或决策算法，这些算法不是明确编程来预测或决策的，而是从代表过去预测或决策的数据中学习的。您可能体验过 ML 支持的功能，例如 Netflix 或 Amazon 中的自定义推荐。由于机器学习算法具有从过去的操作中学习的能力，因此虚拟助手（例如 Apple 的 Siri 或 Amazon 的 Alexa）以及部分或完全自动驾驶汽车成为可能。
RNA 时间戳可识别 RNA 测序中单个分子的年龄
目前的单细胞 RNA 测序 (RNA-seq) 方法仅提供有关基因表达动态的有限信息。我们在此介绍 RNA 时间戳，这是一种通过利用 RNA 编辑推断 RNA-seq 数据中单个 RNA 年龄的方法。为了引入时间戳，我们用一个报告基序标记 RNA，该基序由多个 MS2 结合位点组成，这些位点会募集与 MS2 衣壳蛋白融合的腺苷脱氨酶 ADAR2。ADAR2 与标记 RNA 结合会导致 A-to-I 编辑随时间累积，从而可以以小时级精度推断 RNA 的年龄。通过结合由同一启动子驱动的多个带时间戳的 RNA 的观察结果，我们可以确定启动子何时处于活跃状态。我们证明该系统可以推断多个过去转录事件的存在和时间。最后，我们应用该方法根据过去转录活动的时间来对单个细胞进行聚类。RNA 时间戳将允许将时间信息纳入 RNA-seq 工作流程。
米德洛锡安的第一个分配和粮食种植战略......
伙伴关系食品声明草案 伙伴关系将在新出台的 2020 年单一计划中发布关于食品种植的声明。声明草案如下：“中洛锡安居民可以获得健康实惠的食品，并掌握种植和烹饪这些食品的技能。尽可能以可持续的方式生产，并尽可能靠近使用地点；并可以使用土地种植自己的食物，无论是在家里、社区花园、市政种植、分配地还是小农场。当地生产者受到重视。鼓励社区、当地生产者和农民之间的联系，以帮助加强中洛锡安食品经济，提供当地就业、培训和志愿服务机会”
初级保健人工智能：隐藏在... 中的一个分支
1966 年，Ian McWhinney 认为全科医生应该成为一门学科，并预测其研究将在知识分支汇聚的暮光之城蓬勃发展。1 在本期《年鉴》的一篇评论中，Kueper 等人通过描述自 1986 年以来一直隐藏在众目睽睽之下的研究集合，发现了计算机科学与初级保健交界处的一个区域。2 通过连接两个学科，这 405 篇文章构成了一个重点领域——初级保健人工智能——这对初级保健研究人员来说可能很新，但已经产生了令人印象深刻的汇编。尽管进行了这些工作，但由于缺乏初级保健社区的参与，初级保健人工智能未能改变初级保健。与健康信息技术类似，初级保健人工智能应旨在改善医疗服务和健康结果 3 ;使用这个基准，它还没有产生影响。尽管它的历史跨越了 40 年，但初级保健人工智能仍然处于“成熟的早期阶段”，因为很少有工具被实施。2 当每 7 篇论文中只有 1 篇包括初级保健作者时，改变初级保健是困难的。2 如果没有初级保健的投入，这些团队可能无法掌握初级保健数据收集的背景、它在卫生系统中的作用以及影响其发展的力量。