XiaoMi-AI文件搜索系统
World File Search System图勒
图S1
（a）使用SUP-B15 Cas9单克隆，SGRNA库的慢病毒转导效率。（b）使用KOPN-8 CAS9单个克隆在CRISPR屏幕的“初始”和“最终”点收集的NGS样品中SGRNA读数的分布。（c）使用SUP-B15 Cas9单个克隆在CRISPR屏幕的“初始”和“最终”点收集的NGS样品中SGRNA读数的分布。（d）使用KOPN-8 CAS9单个克隆在CRISPR屏幕上收集的NGS样品的PCA分析。（E）使用SUP-B15 Cas9单个克隆在CRISPR屏幕的“初始”和“最终”点收集的NGS样品的PCA分析。（f）使用KOPN-8 CAS9单个克隆，针对CRISPR屏幕中36个RNA和DNA甲基化机械基因的SGRNA的CRISPR得分。CRISPR得分已针对阴性对照SGRNA的平均得分进行标准化（设置为0.0）。（g）使用SUP-B15 Cas9单克隆，针对CRISPR筛选中36个RNA和DNA甲基化机械基因的SGRNA的CRISPR得分。CRISPR得分已针对阴性对照SGRNA的平均得分进行标准化（设置为0.0）。（h）在KOPN-8 CAS9克隆＃2中靶向Znf217的25个SGRNA的计数。（i）读取针对SUP-B15 Cas9克隆＃1中Znf217的25个SGRNA的计数。（j）读取25个针对Znf217的SGRNA的计数，SUP-B15 Cas9克隆＃2。（k）ZnF217在不同的B-ALL亚型和健康的骨髓中的表达。Znf217表达数据来自白血病（MILE）研究的微阵列创新（登录GSE13159）。n = 70，MLL-R; BCR-ABL1 n = 122; n = 237，类似于bcr- abl1； n = 40用于高二倍体； TCF3-PBx1的n = 36; ETV6-RUNX1的n = 58; n = 73用于健康的BM。使用两尾t检验计算p值。** p <0.01; *** p <0.001。
汤姆·贝克勒 -
1。（2023，Neurips Conference）Will，G。Behrens，J。Busecke，N。Lose，C。Stern，T。Beucler等。：攀登：用于混合物理机器学习气候仿真的大型多尺度数据集。神经信息处理系统的进步。“ Oustanding数据集和基准测试”奖。2。（2023年，Neurips Workshop）Lin，J.，M。A. Bhouri，T。Beucler，S。Yu＆M。Pritchard：在看不见，温暖的气候下，应对混合物理学机器学习气候模拟的压力测试。2023神经信息处理系统会议。3。（2021，Neurips Workshop）Mangipudi，H.，G。Mooers，M。Pritchard，T。Beucler＆S。Mandt：使用多通道VAE分析高分辨率云和对流。2021神经信息处理系统会议。4。（2020年，Igarss）Beucler，T.，M。Pritchard，P。Gentine＆S。Rasp：迈向物理上一致的数据驱动的对流模型。IEEE国际地球科学和遥感研讨会2020年。5。（2020年，气候信息学）Mooers，G.，J。Tuyls，S.Mandt，M。Pritchard＆T。Beucler：大气对流的生成建模。第十届国际气候信息学会议的会议记录，98-105。6。（2019年，ICML研讨会）Beucler，T.，S。Rasp，M。Pritchard＆P。Gentine：在气候建模中实现神经网络模拟器中的能量保护。2019年国际机器学习会议。
本杰明·斯托勒
human path prediction experiments with realistic perception, contributing a novel error correction module • Leveraged Unity for scene recreation and deep generative modeling for multi-modal, variational predictions TrajAir Aug 2021 – May 2022 • Researched machine learning methods for predicting aircraft trajectories in non-towered airspaces • Utilized clustering and vector field methods to capture movement patterns and infer pilot intent University of密歇根州EFES实验室|密歇根州安阿伯，2019年9月 - 2020年5月•设计和构建了一个系统，可以通过使用符号执行来查找应用程序中的持续记忆错误•在Oracle的NVM直接框架上进行LED调查和实验，发现和报告23个新错误专业经验stack AV |宾夕法尼亚州匹兹堡，2024年3月 - 2024年8月研究软件工程师实习生
根据图统计信息生成神经图
我们描述了一种从聚合图统计数据（而不是图邻接矩阵）学习深度图生成模型 (GGM) 的新设置。匹配观察到的训练图的统计数据是学习传统 GGM（例如 BTER、Chung-Lu 和 Erdos-Renyi 模型）的主要方法。隐私研究人员已提出从图统计数据中学习作为保护隐私的一种方式。我们开发了一种架构来训练深度 GGM 以匹配统计数据，同时保留局部差异隐私保证。对 8 个数据集的实证评估表明，当两者都仅从图统计数据中学习时，我们的深度 GGM 比传统的非神经 GGM 生成更逼真的图。我们还将仅在统计数据上训练的深度 GGM 与在整个邻接矩阵上训练的最先进的深度 GGM 进行了比较。结果表明，图统计数据通常足以构建具有竞争力的深度 GGM，该深度 GGM 可生成逼真的图，同时保护本地隐私。