XiaoMi-AI文件搜索系统
World File Search System准确
固体的总能量的快速准确预测...
摘要我们使用图形卷积神经网络（GCNN）来快速准确地预测固体溶液二元合金的总能量。gcnns允许我们抽象固体物质的晶格结构作为图，从而将原子建模为节点和金属键作为边缘。此表示自然结合了有关材料结构的信息，从而消除了对标准神经网络（NN）方法所需的计算昂贵数据预处理的需求。我们在Ab-Initio密度功能理论（DFT）上训练GCNN，用于铜金（CuAU）和铁铂（FEPT）数据，这些数据是通过运行LSMS-3代码而生成的，该数据实现了OLCF SuperCutisters titan and Immit的LSMS-3代码，该代码实现了本地自称的多重散射方法。gcnn在计算时间方面，按数量级胜过Ab-Initio dft模拟，以产生给定的原子结构的总能量的估计。我们通过使用根平方的误差来量化深度学习（DL）模型的预测质量，将GCNN模型与标准NN的预测性能进行比较。我们发现，GCNN的可达到的准确性至少比MLP的数量级好。
DNA测序数据比对软件BWA原理及应用
STAR （ Spliced Transcripts Alignment to a Reference ）是用于将 RNA-seq 读取数据与 参考基因组序列进行高度准确和超快速的剪接感知（ splice aware ） 比对的工具。注意， STAR 是一个专门针对 RNA-seq 数据映射的比对工具，这意味着不能用于比对 DNA 数据。与 其它的 RNA-seq 比对工具相比，其具有较高的准确率，映射速度较其他比对软件高 50 多 倍。 STAR 在识别经典和非经典剪接位点方面具有很高的精确性，还可以检测到嵌合（融 合）转录本。除了映射短读取数据（例如 ≤ 200 bp ）， STAR 还可以准确地映射长读取数据 （例如来自 PacBio 或 Ion Torrent 的数 Kbp 读取数据）。 STAR 在变异检测（ SNP 和 INDEL ） 方面具有更好的灵敏度，因此， STAR 被用于 GATK 最佳实践工作流程，用于从 RNA-seq 数据 中识别短变异。
人工智能在医疗实验室中的应用确保准确
1。在医疗实验室中的AI介绍（POC）客户反馈数据（2018年）确定了两个有问题的测试和自我报告的主题，这表明诸如Liebman和Conrad的R＆D阶段之类的过程很重要，但可能不足以确保在所有情况下都能准确收集样品。这是一个问题，因为疾病控制中心（CDC）归因于造成所有实验室错误的46-68％的46-68％，其中35％是由于样本收集错误，可能导致诸如误诊，不正确的药物给药和患者不适等后果。这尤其令人担忧，因为此阶段完全或部分地在客户的控制之下。此外，Church（2012）最近发现，许多客户没有遵循建议的程序，例如在指纹之前直接使用旋转栅门或水槽。目前，尚不清楚这些发现在多大程度上推广到现场样本收集的标准实践。因此，在收集单一的新鲜血液毛细血管时，问题可能会在干燥的毛细血管血液的收集中识别出可能也有问题。因此，需要进一步的研究，随着世界在线的越来越多，将这项研究扩展到健康科学环境非常重要，尤其是与毛细血管血液的收集有关[1]。
一种基于计算机的快速准确 Covid-19 诊断方法
一种基于计算机的快速准确 Covid-19 自动诊断方法（预印本） Abdullah Al Jaid Jim 1、Ibrahim Rafi 1、Md. Sanaullah Chowdhury 1、Niloy Sikder 2、MA Parvez Mahmud 3、Saeed Rubaiee 4、Mehedi Masud 5、Anupam Kumar Bairagi 2、Kangkan Bhakta 1、Abdullah-Al Nahid 1,* 1 电子与通信工程学科 库尔纳大学 库尔纳 9208，孟加拉国 2 计算机科学与工程学科 库尔纳大学 库尔纳 9208，孟加拉国 3 迪肯大学工程学院 吉朗，维多利亚州 3216，澳大利亚 4 工业与系统工程系 机械与材料工程系 吉达大学，沙特阿拉伯 5 计算机科学系 塔伊夫大学通讯地址：nahid.ece.ku@gmail.com (A.-A. N) 摘要：目前，全世界正在目睹由 2019 年冠状病毒病 (COVID-19) 引起的可怕疫情。导致这种疾病的病毒称为 SARS-CoV-2。它会影响患者的呼吸系统并引起严重的肺部炎症，使他们呼吸困难。该病毒通过空气传播，因此感染率很高。该病毒于去年 12 月起源于中国，现已传播到七大洲，影响了 210 多个国家的人口，成为有史以来最严重的流行病之一。尽管多次独立和合作尝试开发疫苗或治疗方法，但尚未找到有效的解决方案。虽然这种疾病使世界陷入停顿，但尽快检测阳性对象并将其与其他人隔离是最大程度地减少其传播的唯一方法。然而，许多国家目前正面临诊断设备和医务人员的严重短缺。这种不足促使我们研究一种基于计算机的 COVID-19 自动诊断方法。在本文中，我们提出了一种基于顺序卷积神经网络 (CNN) 的模型，通过分析计算机断层扫描 (CT) 图像来检测 COVID-19。该模型能够以近 92.5% 的准确率识别疾病。我们相信，该模型的实施将帮助世界各地的医生和病理学家快速找出受害者，从而降低 COVID-19 的流行率。关键词：COVID-19、CT 扫描图像、卷积神经网络、SARS-CoV-2 病毒
珊瑚准确解决具有长阅读测序
2海报海报，百老汇1号，马萨诸塞州14楼，美国3号，美国3 Wuxi，Wuxi Apptec（上海）公司（上海）公司，有限公司上海，200131年4月4日，4个抗病毒研究所，动物，乳制品和兽医科学系，犹他州大学，犹他州大学；洛根，UT 84322，美国。摘要疫苗和第一代抗病毒疗法为2019年冠状病毒病（COVID-19）提供了重要的保护，这是由于严重的急性呼吸综合征冠状病毒2（SARS-COV-2）引起的。但是，仍然需要其他治疗选择，从而提供增强的疗效并保护潜在的病毒抗性。SARS-COV-2类木瓜样蛋白酶（PL Pro）是参与病毒复制的两个必需半胱氨酸蛋白酶之一。虽然SARS-COV-2主蛋白酶（M Pro）的抑制剂已显示出临床功效，但已知的PL Pro抑制剂迄今为止缺乏抑制效力和必要的药代动力学，以证明靶向PL Pro在临床机构中转化为体内功效。在此，我们报告了机器学习驱动的有效，选择性和口服的SARS-COV-2 PL PR抑制剂的发现，铅化合物PF-07957472（4）在COVID-19感染的小鼠适应模型中提供了鲁棒的功效。
用于准确有效的从头基因组的新算法...
由于长期阅读的DNA测序技术，可以进行复杂基因组的从头基因组组件。但是，基于长阅读的组件质量最大化是一项具有挑战性的任务，需要开发专门的数据分析技术。我们提出了用于组装单倍体和二倍体生物的长DNA测序读数的新算法。组件算法构建了一个无方向的图，每个读取两个顶点是根据由k-mer分布得出的哈希函数所指出的最小化器所读取的。在图形构造过程中收集的统计信息被用作通过选择边缘来构建布局路径的功能，该边缘通过似然函数排名。对于二倍体样品，我们整合了对RefHAP算法进行分子相分化的重新配置。我们在PACBIO HIFI和纳米孔测序数据上运行了从不同物种的单倍体和二倍体样品中采集的纳米孔测序数据。与当前使用的其他软件相比，我们的算法表现出竞争精度和计算效率。我们希望这种新的发展对于为不同物种建立基因组组件的研究人员将很有用。
准确高效地检测 RNA 中的基因融合...
Fröhlich 1,2,3，Barbara Hutter 1,2,3，Umut H. Toprak 3,6，Olaf Neumann 7，Albrecht Stenzinger 3,7,8,4
人工神经网络准确预测大脑中的语言处理
图 1：将语言处理的人工神经网络模型与大脑语言网络的活动进行比较。我们测试了不同模型预测人类在语言理解过程中神经活动测量值的能力。候选模型包括简单的嵌入模型、更复杂的循环和变压器网络。刺激包括句子、段落和故事，并且 1) 输入模型，2) 呈现给人类参与者（视觉或听觉）。然后，1) 从模型中捕获由此产生的内部表征，2) 使用 fMRI 或 ECoG 从人类那里记录下来。为了比较模型和人类表征，我们对 80% 的刺激的相应人类测量值对模型表征进行了回归，然后将模型对保留的 20% 刺激的预测与保留的人类数据进行比较，并使用 Pearson 相关性（交叉验证 5 倍），得出每个模型数据对的相似度分数。