XiaoMi-AI文件搜索系统
World File Search System于结
深层强化学习改变巷的决策算法，用于结合LSTM轨迹预测的智能车辆
摘要：在车辆中改变自动驾驶汽车的明智决定一直是该行业研究的焦点。依赖于预定义规则的传统巷道算法不适合现实道路条件的复杂性和变化。在这项研究中，我们提出了一种利用深层确定性策略梯度（DDPG）强化学习的算法，该算法与长期短期记忆（LSTM）轨迹预测模型集成在一起，称为LSTM-DDPG。在提出的LSTM-DDPG模型中，LSTM状态模块将观测值从观察模块转换为状态表示，然后作为DDPG Actor网络的直接输入。同时，LSTM预测模块通过完全连接的层将附近车辆的历史轨迹坐标转化为单词装饰向量，从而为周围车辆提供了预测的轨迹信息。这种综合的LSTM方法考虑了附近车辆对主体车辆改变车道决定的潜在影响。此外，我们的研究强调了改变车道的过程的安全性，效率和舒适性。因此，我们为LSTM-DDPG算法设计了奖励和惩罚功能，并确定了最佳网络结构参数。然后在使用MATLAB/SIMULINK构建的模拟平台上测试该算法。我们的发现表明，LSTM-DDPG模型提供了涉及车辆相互作用的交通情况的更现实表示。这项研究为自动驾驶汽车的先进车道决定提供了新的想法。与传统的DDPG算法相比，LSTM-DDPG在归一化后平均单步奖励增长了7.4％，强调了其在更换车道改变车道的安全性和效率方面的出色性能。
生成对抗网络在基于结构和功能 MRI 的脑部疾病诊断分类中的应用综述
基于结构和功能 MRI（磁共振成像）的机器学习诊断分类一直很有前景，但要发挥其潜力还面临许多障碍。虽然传统的机器学习模型无法捕捉复杂的非线性映射，但深度学习模型往往会过度拟合模型。这是因为神经影像学中存在数据稀缺和类别不平衡的问题；从人类受试者那里获取数据的成本很高，在临床人群中更是如此。由于生成对抗网络 (GAN) 能够通过学习底层分布来增强数据，因此它为这个问题提供了一个潜在的解决方案。在这里，我们提供了 GAN 的方法入门，并回顾了 GAN 在从神经影像数据（例如功能性 MRI）中对精神健康障碍进行分类的应用，并展示了迄今为止取得的进展。我们还强调了尚未解决的方法论和可解释性方面的差距。这为该领域如何向前发展提供了方向。我们认为，由于用户有多种方法可供选择，因此用户与方法开发人员进行互动至关重要，以便后者可以根据用户的需求定制其开发。神经成像领域的方法开发人员和用户之间的这种结合可以丰富该领域。
全面的机器学习增强了基于结构的PARP1抑制剂的虚拟筛查
聚ADP-核糖聚合酶1（PARP1）是癌症治疗的有吸引力的治疗靶标。机器学习评分功能构成了发现新型PARP1抑制剂的有前途方法。使用来自对接活性标记的分子的半合成训练数据研究了尖端PARP1特异性的机器学习评分功能：已知的PARP1抑制剂，与生成图神经网络并确认的Intactives consective contp1抑制剂，难以抗解的诱饵。我们仅包括与训练集中的分子不同，进一步使测试集更加困难。使用五种监督学习算法以及从对接姿势和配体中提取的蛋白质指纹对这些数据集的全面分析，只有两个高度预测性的评分功能。使用PARP1特异性支撑矢量的回归剂，使用PLEC指纹时，在最困难的测试集（NEF1％= 0.588，10个重复的中位数）中获得了高归一化富集因子，并且比其他任何研究的评分函数，尤其是类似的尺寸尺寸的尺寸。科学贡献
方法将机器学习与基于结构的蛋白质设计结合起来，以预测和设计蛋白质的翻译后修饰
蛋白质的翻译后修饰（PTM）在其功能和可行性中起着至关重要的作用。这些修饰会影响蛋白质折叠，信号传导，蛋白质 - 蛋白质相互作用，酶活性，结合亲和力，聚集，降解等等。迄今为止，已经描述了超过400种PTM，代表了远远超出遗传编码氨基酸的化学多样性。这种修饰对蛋白质的成功设计构成了挑战，但也代表了使蛋白质工程工具箱多样化的主要机会。为此，我们首先训练了人工神经网络（ANN），以预测十八种最丰富的PTM，包括蛋白质糖基化，磷酸化，甲基化和脱氨酸。在第二步中，这些模型是在计算蛋白建模套件Rosetta中实现的，该模型允许与现有协议的灵活组合来建模修饰的位点并了解它们对蛋白质稳定性和功能的影响。最后，我们开发了一种新的设计协议，该协议可以最大化或最大程度地减少修改特定站点的预先指定的概率。我们发现，基于ANN预测和基于结构的设计的这种组合可以使现有和引入新颖PTM的修改。我们工作的潜在应用包括但并不包括对表位的聚糖掩盖，从而加强了通过phos-odylation加强蛋白质 - 蛋白质相互作用，还可以保护蛋白质免受脱氨基责任的影响。我们的作品为Rosetta的蛋白质工程工具箱添加了新颖的工具，该工具允许PTM的理性设计。这些应用对于设计新蛋白质治疗剂的设计尤其重要，在这种蛋白质疗法的设计中，PTM可以彻底改变蛋白质的治疗特性。
基于结构的药物设计的结合自适应扩散模型
基于结构的药物设计 (SBDD) 旨在生成与特定蛋白质靶点结合的 3D 配体分子。现有的 3D 深度生成模型（包括扩散模型）已显示出对 SBDD 的巨大潜力。然而，在 3D 空间中精确捕捉分子生成所必需的蛋白质-配体相互作用非常复杂。为了解决这个问题，我们提出了一个新颖的框架，即结合自适应扩散模型 (BIND DM)。在 BIND DM 中，我们自适应地提取子复合物，即负责蛋白质-配体相互作用的结合位点的基本部分。然后，使用 SE(3) 等变神经网络处理选定的蛋白质-配体子复合物，并将其传输回复合物的每个原子，以通过结合相互作用信息增强靶标感知的 3D 分子扩散生成。我们利用跨层级相互作用节点迭代此层级复合物-子复合物过程，以充分融合复合物与其相应子复合物之间的全局结合上下文。在 Cross-Docked2020 数据集上进行的实证研究表明，B IND DM 可以生成具有更逼真三维结构和更高蛋白靶标结合亲和力的分子，平均 Vina 评分最高可达 -5.92，同时保持适当的分子特性。我们的代码可在 https://github.com/YangLing0818/BindDM 获取。
增强用于结构研究的DNA模拟折叠剂的特征
DNA模拟折叠剂是带有阴离子侧链的芳族寡酰胺，在水中采用螺旋折叠构象，再现B- DNA双螺旋的形状和电荷表面分布。[1]它们已被证明比DNA本身更好地与某些DNA结合蛋白结合，因此是竞争性抑制蛋白-DNA相互作用的候选者。从概念上讲，DNA模拟折叠剂与天然发生的DNA模拟蛋白有关，[2]即，模仿DNA的形状和表面特征的蛋白质，并激发了非天然蛋白的设计，以干扰DNA-蛋白相互作用。[3]也可以将DNA模拟折叠剂与已提出靶向DNA结合蛋白（如转录因子）的所谓诱饵寡核苷酸进行比较。[4]
基于环氧的多功能固体聚合物电解质，用于结构电池和超电容器。简短的评论
由于其多功能特性，基于环氧树脂的固体聚合物电解质的潜在应用不断扩大。这些特征包括机械刚度，不易挥发性，非易光性和电化学稳定性。然而，值得注意的是，与传统的液体电解质相比，纯基于环氧的固体聚合物电解质固有地具有较低的离子传输能力。在室温下高度机械完整性和上离子电导率之间达到平衡构成了重大挑战。鉴于这一挑战，该综述致力于阐明基于环氧树脂的固体聚合物电解质的基本概念。它将探索各种制备技术，将不同的纳米材料掺入基于环氧树脂的固体聚合物电解质中，并评估其多功能性能。这种全面的评估将涵盖机械性能和电气性能，并特别关注其在电池和结构超级电容器中的潜在应用。
利用基于结构的方法通过片段支架生长来靶向主要蛋白酶 (Mpro、nsp5)
摘要：SARS-CoV-2 (SCoV2) 的主要蛋白酶 M pro ，nsp5，是其最具吸引力的药物靶点之一。在这里，我们报告了使用核磁共振波谱 (NMR) 对四个不同文库进行的初步筛选数据，以及对从这些文库中获得的有希望的含尿嘧啶片段 Z604 的详细后续合成。Z604 显示出时间依赖性的结合。其抑制作用对还原条件敏感。从 Z604 开始，我们合成并表征了 13 种通过片段增长策略设计的化合物。每种化合物都通过 NMR 和/或活性测定进行表征，以研究它们与 M pro 的相互作用。这些研究产生了四臂化合物 35b，它可直接与 M pro 结合。35b 可以与 M pro 共结晶，揭示其非共价结合模式，从而填充所有四个活性位点亚口袋。在此，我们描述了 NMR 衍生的片段到命中管道及其在开发 SCoV2 主要蛋白酶抑制剂的有希望的起点中的应用。■ 简介
基于结构的抗击 COVID-19 方法
摘要 2019 年冠状病毒病 (COVID-19) 大流行对人类生活产生了重大影响。本综述重点介绍了经典和现代基于结构的方法对 COVID-19 的多种作用。X 射线晶体学、核磁共振波谱和低温电子显微镜是经典结构生物学的三大基石。这些技术有助于提供有关严重急性呼吸综合征冠状病毒 2 (SARS-CoV-2) 及其相关人类宿主蛋白的基本和详细知识，并能够识别其靶位，从而有助于停止其传播。使用源自同源性建模并与人工智能 (AI) 相结合的现代基于结构的方法在蛋白质结构建模方面取得了进一步进展，促进了先进的计算模拟工具积极指导新疫苗的设计和抗 SARS-CoV-2 药物的开发。本综述介绍了基于结构的方法对 COVID-19 的实际贡献和未来方向。