XiaoMi-AI文件搜索系统
World File Search System发现效率
B -LFP48系列-BSLBATT
通过BSLBATT的机架电池发现效率和灵活性的力量，其核心磷酸锂技术的核心。旨在在有限的空间或将多个电池无缝集成到单个系统的应用中表现出色，这是必不可少的，我们的机架电池重新定义了满足各种需求的储能解决方案。
Insilico Medicine 摘要 - 深度医药情报
Insilico Medicine 专有功能使各种行业都具备尖端潜力。计算靶标识别正在打破传统方法的范式。数字技术大大拓宽了可能发现的靶标范围，从而可以快速发现新靶标。用于药物或靶标比较的虚拟工具大大提高了各个阶段的药物发现效率，极大地影响了每个分子的资源分配。数字化前人类和人类靶标或药物验证的可能性开辟了广泛的分子分析，并显著降低了药物开发领域的成本并提供了风险管理选项。
如何成为供应链分析师.pdf
1. 数据收集和分析：从多个来源收集数据，包括内部系统 (ERP)、供应商门户和物流合作伙伴。分析师评估这些数据以了解供应链的运作情况。 2. 流程改进：一旦发现效率低下，分析师就会着手制定和实施策略来提高供应链绩效。例如，他们可能会发现仓储运营中的瓶颈或开发更好的库存预测模型。 3. 预测和库存管理：供应链分析师使用历史数据和预测分析来确保库存水平得到优化以满足未来的需求。这涉及与需求计划人员和采购团队密切合作，以确保库存水平与销售预测保持一致。 4. 跨部门协作：由于供应链涉及组织的每个部分，因此供应链分析师必须与其他部门（如销售、财务和客户服务）密切合作。例如，他们可能与营销部门合作以了解即将推出的促销活动，或与财务部门合作以确保满足预算限制。
量子计算增强算法揭示 KRAS 的新型抑制剂
药物发现是一个复杂的过程，涉及新分子的识别、开发和严格测试。这个过程通常需要十年以上，花费高达 25 亿美元，给制药行业带来巨大的财务风险，因为不成功的药物开发周期可能导致总投资损失 [1–3]。为了满足提高药物发现效率和创新的迫切需求，先进的计算工具正在被整合到传统的药物研究方法中。与此同时，生成模型已经成为分子设计的突破性技术 [4–7]。生成模型使用机器学习技术来学习给定数据集中原子和键的底层分布。然后利用这些知识通过称为逆向分子设计的过程创建具有特定、预定义属性的分子 [8–10]。这些模型特别擅长探索广阔的化学空间，估计包含约 10 60 个类药物分子，从而有效地识别潜在的候选药物 [11]。
分子修饰：药物发现和药物设计的一种策略
药物发现和设计是一个复杂而昂贵的过程。开发一种新药的成本可能高达数十亿美元，而且成功率非常低。提高药物发现效率的一种方法是使用分子修饰。分子修饰是化学改变已知药物分子以改善其物理、化学和药理特性的过程。这可以提高药物的效力、改善溶解度、提高其选择性或减少其副作用。分子修饰是一种强大的工具，可用于提高现有药物的功效和安全性。它是一种相对简单且廉价的技术，可用于快速生成许多新的候选药物。分子修饰已被用于开发一些成功的药物，包括抗癌药物环磷酰胺和紫杉醇。在本文中，我们回顾了分子修饰的原理并讨论了其在药物发现中的应用。我们还讨论了分子修饰的挑战和局限性，并概述了该领域的现状。
ChemPrint：用于增强药物发现的 AI 驱动框架
摘要：传统的高通量筛选 (HTS) 药物发现效率低下。具有临床治疗潜力的化合物的命中率通常为 0.5%，最多只有 2%。深度学习模型将筛选率提高到 28%；然而，这些结果包括与治疗无关浓度的命中、训练集的新颖性不足以及遍历有限的化学空间。这项研究介绍了一种新型人工智能 (AI) 驱动平台 GALILEO 和分子几何深度学习 (Mol-GDL) 模型 ChemPrint。该模型部署了 t 分布随机邻域嵌入 (t-SNE) 数据分割，以在训练期间最大化化学差异，并部署了自适应分子嵌入，以增强预测能力并探索未知的分子领域。回顾性测试时，ChemPrint 的表现优于一组五个模型难以用药的肿瘤靶点 AXL 和 BRD4，使用 t-SNEsplit 实现平均 AUROC 得分 AXL 为 0.897，BRD4 为 0.876，相比之下，基准模型得分范围为 AXL 为 0.826 至 0.885，BRD4 为 0.801 至 0.852。在一项零样本前瞻性研究中，体外测试表明，ChemPrint 提名的 41 种化合物中有 19 种在浓度≤20µM 时表现出抑制活性，命中率为 46%。这 19 个命中报告的平均-最大 Tanimoto 相似度得分相对于其训练集为 0.36，得分为 0.13 （AXL）和 0.10（BRD4）相对于这些目标的临床阶段化合物。我们的研究结果表明，通过在具有最大差异性的数据集上训练和测试 ChemPrint 来增加测试集难度可以增强模型的预测能力。这导致发现具有低治疗浓度和高化学新颖性的高命中率的化合物库。综上所述，所提出的平台设定了新的性能标准。
Chemprint：一个用于增强药物发现的AI驱动框架
摘要：传统的高通量筛查（HTS）药物发现效率低下。具有临床治疗潜力的化合物的命中率通常为0.5％，最大最高为2％。深度学习模型使筛查率丰富至28％；但是，这些结果包括具有非治疗性相关浓度的命中，其训练集的新颖性不足以及化学空间有限。这项研究介绍了一种新颖的人工智能（AI）驱动的平台，伽利略和分子几何深度学习（Mol-GDL）模型，Chemprint。该模型部署了两个T分配的随机邻居嵌入（T-SNE）数据分裂，以在训练和适应性分子嵌入过程中最大化化学差异，以增强预测能力并导航未知的分子领土。进行回顾性测试时，Chemprint的表现优于五个模型的小组，用于难以放药肿瘤学目标，AXL和BRD4，AXL的AUROC平均得分为0.897，BRD4的AUROC得分为0.876，使用T-SNE分配的BRD4为0.826至0.826至0.885的基准分型，而T-SNE分开的平均得分为0.885。在一项零照片的前瞻性研究中，体外测试表明，通过针对AXL和BRD4提名的41种化合物中有19种在浓度≤20µm时表现出抑制活性，命中率为46％。19次命中报告的平均最高tanimoto相似性得分为0.36，相对于其训练组，得分为0.13（AXL）和0.10（BRD4），相对于这些目标的临床阶段化合物。这会导致以低治疗浓度和高化学新颖性的高命中率发现化合物文库。我们的发现表明，通过训练和测试具有最大差异性的训练和测试化学印记增加了测试的难度增强了模型的预测能力。综上所述，提议的平台设定了新的性能标准。
使用化学语言模型进行药物设计的目标感知分子生成*
生成性药物设计是药物发现的一种很有前途的方法，其目的是从头开始创建具有所需药理特性的新型分子/化合物，而不依赖于现有的模板或分子框架 [ 2 , 3 ]。传统的基于筛选的方法，例如高通量筛选、虚拟筛选和新兴的基于深度学习的筛选 [ 4-7 ]，通常从包含 104 至 108 个分子的库中寻找候选药物 [ 8-10 ]，而生成性药物设计能够探索广阔的化学空间，据估计其中包含超过 1060 种可行化合物 [ 11 ]。因此，它有可能识别尚未充分探索的化合物类别和现有库中不存在的新化合物。这对于没有命中化合物（药物设计的起点）的靶蛋白和对现有药物产生耐药性的靶蛋白尤其重要。生成建模技术极大地增强了药物设计能力。近年来，得益于自回归模型 [ 18 ]、生成对抗网络 (GAN) [ 19 ]、变分自编码器 (VAE) [ 20 ] 和扩散模型 [ 12 ] 等创造性人工智能技术，越来越多的方法被提出来根据目标蛋白的信息来指导类药物化合物的生成。这些方法通过探索以目标靶标为条件的化学空间，证明了利用深度学习进行基于靶标的生成药物设计的可行性。然而，通常缺少生物物理或生化分析的验证 [ 21 ]，因为大多数生成的化合物缺乏类药物化合物令人满意的理化性质，例如合成可及性。换句话说，尽管现有的方法生成了大量新型化合物，但它们难以证明其能够提供有效的候选化合物，从而提高现实世界的药物发现效率。因此，我们提出了一种名为 TamGen（目标感知分子生成）的方法。 TamGen 具有类似 GPT 的化学语言模型，旨在生成类似药物的化合物，其灵感来自大型语言模型 [ 22 ] 的成功。生成式预训练 Transformer [ 23 ] (GPT) 是大型语言模型的支柱，它不仅能生成文本 [ 22 ]，还能生成图像 [ 24 ] 和语音 [ 25 ]，还能理解