XiaoMi-AI文件搜索系统
World File Search System和力
第一性原理计算了解共溅射铝合金的微观结构和力学性能
Al 3s 2 3p 1 12 12 12 FCC a=4.040 3.47 Mg 3s 2 19 19 11 HCP a=3.189; c=5.194 1.52 Si 3s 2 3p 2 9 9 9 金刚石a=5.469 4.54 Ti 3p 6 3d 2 4s 2 15 15 9 HCP a=2.936; c=4.648 5.31 Fe 3d 7 4s 1 17 17 17 BCC a=2.832 4.92 Co 3d 8 4s 1 19 19 13 HCP a=2.491; c=4.025 5.17 Ni 3d 8 4s 2 13 13 13 FCC a=3.518 5.08 Zn 3d 10 4s 2 19 19 11 HCP a=2.637; c=5.072 1.11 Zr 4s 2 4p 6 4d 2 5s 2 15 15 9 HCP a=3.232; c=5.169 6.45 Ru 4d 7 5s 1 19 19 11 HCP a=2.713; c=4.281 7.97 Pd 4d 9 5s 1 12 12 12 FCC a=3.942 3.79 Ag 4d 10 5s 1 12 12 12 FCC a=4.146 2.53
管理算法：公共领域人工智能的危险和力量......
在大多数情况下，人工智能系统通过自动分析大量数据来提高政府绩效。人们认为它们比人类驱动的分析提供更全面、更准确的见解。然而，情况并非总是如此，因为计算机数据分析的结果取决于可用数据的质量和所采用算法的准确性。但除了我们确实知道的问题和挑战之外，“已知的已知”，更不用说我们不知道的许多“未知的未知”，人工智能的固有特性及其显示的学习特性强调了许多“已知的未知”的存在。也就是说，我们知道但不知道如何解决的挑战和问题。这意味着迫切需要解决人工智能目前的局限性以及不当使用人工智能系统可能对公民产生的负面后果和副作用。
增材制造铝合金纳米结构对微观结构演变和力学性能行为的影响
摘要：本文回顾了纳米颗粒技术在铝基合金增材制造 (AM) 方面的现状。对常见的 AM 工艺进行了概述。增材制造是制造业进步的一个有前途的领域，因为它能够生产出近净成型的部件，并且在最终使用之前只需进行最少的后处理。AM 还允许制造原型以及经济的小批量生产。通过 AM 加工的铝合金由于其高强度重量比，将对制造业非常有益；然而，许多传统的合金成分已被证明与 AM 加工方法不兼容。因此，许多研究都着眼于改善这些合金的加工性的方法。本文探讨了使用纳米结构来增强铝合金的加工性。结论是，添加纳米结构是改进现有合金的一种有前途的途径，并且可能对其他基于粉末的工艺有益。
基于柔软且灵活材料的亲和力传感器
本期刊文章的自存档后印本版本可在林雪平大学机构知识库 (DiVA) 上找到：http://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-169862 注意：引用本研究时，请引用原始出版物。Meng, L., Turner, AP, Mak, WC, (2020), 基于软性和柔性材料的亲和力传感器, Biotechnology Advances, 39, 107398. https://doi.org/10.1016/j.biotechadv.2019.05.004
无需仪器的蛋白质微阵列制造，实现准确的亲和力测量
摘要：蛋白质微阵列已成为药物和生物标志物开发以及诊断等各个领域的一种有吸引力的工具。因此，以微阵列形式进行多重结合亲和力测量变得至关重要。基于微阵列的蛋白质测定的制备依赖于探针溶液的精确分配，以有效固定在活性表面上。微阵列制造所需的设备成本过高，并且需要经过培训的人员来操作高复杂性的机器人点样器，这对研究人员来说是重大的不利因素，尤其是对于资源有限的小型实验室而言。在这里，我们提出了一种低成本、无需仪器的分配技术，通过该技术，熟悉微量移液的用户可以手动创建多重蛋白质测定，与机器人点样测定相比，该测定的捕获效率和噪音水平有所提高。在本研究中，我们使用干涉反射成像传感器平台，通过分析与抗 α -乳清蛋白抗体相互作用获得的结合动力学，比较了手动和机器人分配 α -乳清蛋白探针点的效率。我们表明，通过微量移液器手动点样制备的蛋白质阵列达到并超过了通过最先进的机器人点样器制备的蛋白质阵列的性能。与通过平均 75 个机器人点（对应于相同有效传感器表面积）获得的数据相比，这些无需仪器的蛋白质测定具有更高的结合信号（改善了约 4 倍）和结合曲线中的信噪比 (SNR) 提高了约 3 倍。我们展示了以 24 多路复用芯片格式确定抗原-抗体结合系数的潜力，测量误差小于 5%。
应用数学和力学（英文版）
摘要 作为可穿戴电子设备的热防护基板，由嵌入相变材料和金属层的聚合物材料制成的功能性软复合材料对人体皮肤的热防护具有独特的能力。在此，我们开发了一个分析瞬态相变传热模型来研究带有热防护基板的可穿戴电子设备的热性能。该模型通过实验和有限元分析（FEA）进行了验证。系统全面地研究了基板结构尺寸和热源功率输入对温度管理效率的影响。结果表明，可穿戴电子设备的热管理目标是通过以下热防护机制实现的。金属薄膜通过重新配置热流方向有助于沿平面方向散热，而相变材料则吸收多余的热量。这些结果不仅将促进对包含热防护基板的可穿戴电子设备热性能的根本理解，而且还有助于可穿戴电子设备热防护基板的合理设计。
使用图神经网络和接触图预测药物-靶标亲和力
计算机的高性能使得它们可以为药物设计中的实验室实验提供帮助。1因此计算机辅助药物设计在过去的几十年里得到了发展，充分利用高性能计算机，可以快速模拟药物设计中的诸多步骤，各种应用也逐渐发展起来。例如，NAMD (NAnoscale Molecular Dynamics)2、GROMACS3和Amber4提供了相对精确的分子动力学模拟手段，可以模拟分子体系在特定条件下的自然运动。分子对接可以探索不同分子之间的结合构象空间，帮助研究人员找到最佳的对接构象。许多专注于分子对接的方法包括DOCK、5AutoDock、6GOLD7等。随着深度学习在各个领域的卓越成就，基于深度学习的药物设计应用和模型不断涌现。Preuer等人。构建了一个前馈神经网络，并提出了一个名为 DeepSynergy 8 的模型来预测抗癌药物的协同作用。DeepTox 9 由一个深度神经网络组成，被提出用于毒性预测，并在 Tox21 挑战数据集中表现良好。10 BSite-pro 11 使用随机森林分类器仅基于序列来预测蛋白质结合位点。Lenselink 等人证明深度神经网络的表现优于生物活性基准集。12 Ciriano 等人总结了最近基于机器翻译的蛋白质化学计量建模
DeepGS：用于药物靶标结合亲和力预测的图形和序列的深度表示学习
摘要：准确预测药物-靶标结合亲和力 (DTA) 是药物发现中的一项关键任务。大多数传统的 DTA 预测方法都是基于模拟的，这严重依赖于领域知识或具有靶标的 3D 结构的假设，而这些知识通常很难获得。同时，传统的基于机器学习的方法应用各种特征和描述符，并且仅仅依赖于药物-靶标对之间的相似性。最近，随着可用的亲和力数据的增加和深度表示学习模型在各个领域的成功，深度学习技术已应用于 DTA 预测。然而，这些方法考虑了标签/独热编码或分子的拓扑结构，而没有考虑氨基酸和 SMILES 序列的局部化学背景。基于此，我们提出了一种新颖的端到端学习框架 DeepGS，该框架使用深度神经网络从氨基酸和 SMILES 序列中提取局部化学背景，以及从药物中提取分子结构。为了协助对符号数据的操作，我们建议使用先进的嵌入技术（即 Smi2Vec 和 Prot2Vec）将氨基酸和 SMILES 序列编码为分布式表示。同时，我们提出了一种在我们的框架下运行良好的新分子结构建模方法。我们进行了大量的实验，将我们提出的方法与最先进的模型（包括 KronRLS、SimBoost、DeepDTA 和 DeepCPI）进行了比较。大量的实验结果证明了 DeepGS 的优越性和竞争力。
使用 GAN 预测药物-靶标结合亲和力
药物与靶标之间相互作用的计算预测是药物发现领域的长期挑战。最先进的药物-靶标相互作用预测方法主要基于具有已知标签信息的监督机器学习。然而，在生物医学中，获取标记的训练数据是一个昂贵且费力的过程。本文提出了一种基于半监督生成对抗网络 (GAN) 的方法来预测结合亲和力。我们的方法包括两部分，两个用于特征提取的 GAN 和一个用于预测的回归网络。半监督机制使我们的模型能够学习标记和未标记数据的蛋白质药物特征。我们使用多个公共数据集评估我们方法的性能。实验结果表明，我们的方法在利用免费提供的未标记数据时实现了具有竞争力的性能。我们的结果表明，利用这种未标记数据可以大大帮助提高各种生物医学关系提取过程的性能，例如药物-靶标相互作用和蛋白质-蛋白质相互作用，特别是在这些任务中只有有限的标记数据可用时。据我们所知，这是第一个基于半监督 GAN 的预测结合亲和力的方法。