XiaoMi-AI文件搜索系统
World File Search System全自动
突破性 T1D 请求意向书：开发用于进餐时全自动胰岛素输送的设备和药物目的突破性
Breakthrough T1D 征集意向书，内容包括：开发用于餐时全自动胰岛素输送的设备和药物 目的 Breakthrough T1D 长期支持自动胰岛素输送 (AID) 系统。当今市售的 AID 系统是混合闭环 (HCL)，这意味着它们需要在用餐、运动和其他导致血糖水平发生重大变化的事件时手动管理胰岛素剂量。全闭环 (FCL) 系统可自动输送胰岛素，无需用户手动输入，从而减轻 T1D 患者的生活负担并实现卓越的血糖结果。为了实现完全 FCL AID 系统的最终目标，Breakthrough T1D 征集意向书，以开发允许餐时自动输送胰岛素的技术。背景当今全球有许多 AID 系统可供商业使用。这些 HCL 系统可显著改善血糖结果并减轻糖尿病管理负担。但是，当今 AID 系统带来的生活质量改善受到需要用户手动输入来处理与用餐相关的血糖变化的限制。能够完全自动化餐时胰岛素注射的系统有望改善已使用 AID 系统的人们的体验，并鼓励其他人首次尝试 AID 系统。此外，胰岛素作用和葡萄糖代谢的变化使得用户几乎不可能完美地计算和安排餐前胰岛素剂量，餐时注射胰岛素经常会延迟或完全错过，尤其是在青少年中。因此，对于许多人来说，餐时自动注射胰岛素有望改善糖化血红蛋白和血糖维持时间等血糖结果。有几种技术有望实现餐时自动注射胰岛素。一种是可以预测或快速识别餐时并提供适当胰岛素注射的算法。另一种是辅助（即非胰岛素）疗法，可以减少和/或延缓餐后血糖波动；胰岛素-普兰林肽联合制剂就属于这一类。第三种方法是超速效胰岛素 (URI)。目前可用的皮下胰岛素在起效和停效方面都落后于内源性胰岛素，导致餐后血糖波动和延迟性低血糖。足够快速起效的皮下 URI 有可能使算法能够在没有用餐通知的情况下覆盖进餐时间的血糖波动。这三种方法并不相互排斥，最终，具有餐时自动配送功能的最佳 AID 系统可能需要结合先进的算法和药物。本 RFA 旨在征集项目，以开发完全自动化的餐时 AID 系统或组成它们的单个组件。产品功能本 RFA 旨在支持 AID 系统或 AID 系统组件的开发，具有以下特点：
braker3：使用RNA的完全自动基因组注释...
基因预测长期以来一直是生物信息学研究的活跃领域。仍然，大核基因组中的基因预测提出了一个挑战，必须通过新算法来解决。转录组和蛋白质组可获得的词的数量和意义在基因组，基因甚至单个基因之间都不同。需要应对此类数据异质性的用户友好，准确的注释管道。先前的注释管道Braker1和Braker2分别使用RNA-Seq或蛋白质数据，但并非两者都使用。最近发布的Genemark-ETP进行了进一步的显着改进，整合了所有三种数据类型。我们在这里提出了基于Genemark-Etp和Augustus的Braker3管道，并使用Tsebra Combiner进一步提高了准确性。braker3使用短阅读RNA-Seq和大蛋白数据库的真核基因组中的蛋白质编码基因，以及针对靶标的迭代和专门学习的统计模型。，我们在目标物种蛋白质组与可用蛋白质组的相关性水平下基于11种基因组的新管道。Braker3优于Braker1和Braker2。平均成绩单级别的F1得分平均增加约20个百分点，而对于具有较大和复杂基因组的物种，差异最为明显。Braker3还胜过其他现有工具，Maker2，FunAntotate和Finder。Braker3的代码可在GitHub上获得，作为一个现成的Docker容器，可用于使用Docker或Singularity执行。总体而言，Braker3是真核基因组注释的准确，易于使用的工具。
braker3：使用RNA的完全自动基因组注释...
基因预测长期以来一直是生物信息学研究的活跃领域。仍然，大核基因组中的基因预测提出了一个挑战，必须通过新算法来解决。转录组和蛋白质组可获得的词的数量和意义在基因组，基因甚至单个基因之间都不同。需要应对此类数据异质性的用户友好，准确的注释管道。先前的注释管道Braker1和Braker2分别使用RNA-Seq或蛋白质数据，但并非两者都使用。最近发布的Genemark-ETP进行了进一步的显着改进，整合了所有三种数据类型。我们在这里提出了基于Genemark-Etp和Augustus的Braker3管道，并使用Tsebra Combiner进一步提高了准确性。braker3使用短阅读RNA-Seq和大蛋白数据库的真核基因组中的蛋白质编码基因，以及针对靶标的迭代和专门学习的统计模型。，我们在目标物种蛋白质组与可用蛋白质组的相关性水平下基于11种基因组的新管道。Braker3优于Braker1和Braker2。平均成绩单级别的F1得分平均增加约20个百分点，而对于具有较大和复杂基因组的物种，差异最为明显。Braker3还胜过其他现有工具，Maker2，FunAntotate和Finder。Braker3的代码可在GitHub上获得，作为一个现成的Docker容器，可用于使用Docker或Singularity执行。总体而言，Braker3是真核基因组注释的准确，易于使用的工具。
分析完全自动驾驶汽车的延迟推出
本报告的目的是特别强调专用的AV，分析和解释自动驾驶周围的技术，商业和监管挑战，并提供有关如何克服这些驾驶的建议。由于许多挑战的本质是跨学科的，并且在某些学科中的进步通常受到其他学科的障碍的阻碍，因此该报告旨在对尽可能多的AV相关方面进行广泛的概述和一般的了解，并在不同领域之间进行相互依存。如果您是一项与AV相关的学科的专家，那么在特定专业知识领域中教您任何新事物并不是作者的野心，但是对于其他一些学科，他们希望该报告可以为您提供新的见解和指导，这将证明对您自己的工作很有价值。
更安全的驾驶体验的全自动视觉注意估计支持系统
抽象驾驶员的注意是安全驾驶和避免可能发生事故的关键要素。在本文中，我们提出了一种新的方法，可以解决驱动程序中视觉注意力估计的任务。我们引入的模型由两个分支组成，一个分支执行凝视点检测以确定驾驶员的确切焦点，另一个执行对象检测以识别道路上的所有相关元素（例如车辆，行人和交通标志）。两个分支的两个输出的组合使我们能够确定驾驶员是否专注，并最终确定他们集中的道路元素。测试了两个模型的目光检测任务：GAZECNN模型和由CNN+变压器组成的模型。对两种模型的性能进行了评估，并将其与其他最先进的模型进行比较，以选择最佳的任务方法。最后，报告并分析了DGAZE数据集上3761对图像（驱动程序视图和相应的道路视图）进行的视觉注意估计结果。
通过完全自动化的基于神经网络的方法
冷冻术被称为一种常见且完善的组织学方法，因为它易于访问，速度和成本效率。但是，骨冷冻切除术的产生特别困难。在这项研究中，开发了一种针对小梁骨的冷冻配方，它为石蜡或树脂嵌入的切片提供了相对较便宜且不符合的替代方案。部分具有常见的组织学垂死方法，同时保持足够的质量以回答各种科学问题。此外，这项研究介绍了一种自动化协议，用于分析此类部分，使用户能够迅速访问各种不同的染色。因此，制定了一种基于“ Quath”神经网络的自动化神经网络分析方案，用于小梁骨样品的组织化学分析，并与其他自动化方法以及有关散射，质量和可靠性的手动分析进行了比较。与手动方法相比，这种高度自动化的协议可以处理大量图像数据，其结果没有显着差异。即使该方法专门用于骨组织，它也适用于各种不同的组织和科学问题。
通过基础设施即代码实施安全自动化部署实践
手动部署云资源不仅耗时，而且容易出现人为错误，从而导致配置错误和安全漏洞。使用 IaC，资源可以在一个位置定义，并作为持续集成/持续交付 (CI/CD) 管道的一部分。这节省了在多个环境中部署所需的可重复任务的时间。IaC 还可以与策略即代码相结合，以确保在部署之前审查资源，并在组件配置不正确时强制部署失败。如果与版本控制系统一起使用，IaC 还提供模板文件更改的可审计日志。
用于检测和分类颅内出血的全自动基于正弦图的深度学习模型
摘要目的：提出一种使用深度学习框架直接从正弦图中检测和分类颅内出血 (ICH) 的自动化方法。该方法旨在通过消除耗时的重建步骤并最大限度地减少计算机断层扫描 (CT) 重建过程中可能出现的潜在噪音和伪影来克服传统诊断的局限性。方法：本研究提出了一种使用深度学习框架从正弦图中检测和分类 ICH 的两阶段自动化方法。该框架的第一阶段是强度变换正弦图合成器，它合成与强度变换 CT 图像等效的正弦图。第二阶段包括级联卷积神经网络-循环神经网络 (CNN-RNN) 模型，该模型可从合成的正弦图中检测和分类出血。 CNN 模块从每个输入的正弦图中提取高级特征，而 RNN 模块提供正弦图中邻域区域的空间相关性。在一个包含 8652 例患者的大型样本的公开 RSNA 数据集上对所提出的方法进行了评估。结果：结果表明，与 ResNext-101、Inception-v3 和 Vision Transformer 等最新方法相比，所提出的方法在患者准确率上显着提高了 27%。此外，与基于 CT 图像的方法相比，基于正弦图的方法对噪声和偏移误差的鲁棒性更高。还对所提出的模型进行了多标签分类分析，以从给定的正弦图中确定出血类型。还使用激活图检查了所提出模型的学习模式的可解释性。结论：所提出的基于正弦图的方法可以准确、高效地诊断 ICH，无需耗时的重建步骤，并有可能克服基于 CT 图像的方法的局限性。结果显示，使用基于正弦图的方法检测出血的效果良好，进一步的研究可以探索该方法在临床环境中的潜力。
braker3：使用RNA的完全自动基因组注释...
图1：Braker3管道的示意图。所需的输入是基因组序列，简短读取RNA-seq数据和蛋白质数据库。RNA-Seq数据可以以三种不同的形式提供：在序列读取存档中可用的库的ID（Leinonen等，2010），未对齐的读取或对齐的读取。如果给出了库ID，则Braker3使用SRA工具包（https://trace.ncbi.nlm.nih.gov/traces/traces/sra/sra/sra/sra.cgi?view=software）下载RAW RNA-SEQ，并使用HisAT2（Kim等，2019，2019年）与基因组对齐。使用多个库时也可以使用这些格式的组合。
使用全自动蛋白质组学样品制备平台进行高通量药物靶点发现
需要使用多种条件和重复对大量样本进行分析才能获得足够的统计功效。然而，大规模定量蛋白质组学分析的样本制备仍然是一个挑战。6由于蛋白质组学工作流程通常涉及多步骤的样本制备，手动处理数百个样本不仅耗时，而且还会引入影响整体技术可重复性的变异。因此，样本制备自动化作为一种通过标准化样本制备来提高可重复性的解决方案越来越具有吸引力，因为它可以减少时间和成本。与 MS 耦合的细胞热转移分析 (CETSA) 也称为热蛋白质组分析 (TPP)，已成为一种流行的方法，用于根据配体诱导的蛋白质热稳定性变化来识别药物靶标和非靶标。 3,7 – 12 经典 TPP 通常涉及十个温度点的实验，每个温度点每个条件下有两个重复实验，以估计热熔化温度 ( T m ) 的变化。这需要准备 40 个样品并用串联质谱标签 (TMT) 标记，然后进行离线分馏步骤。为了减少样品数量并提高分析通量，出现了新形式的热变化分析，例如蛋白质组整体溶解度变化 (PISA)、13 等温变化分析