XiaoMi-AI文件搜索系统
World File Search System尾迹
CRISPR/Cas9 介导的胰岛素样肽编码基因突变对脊尾白虾生长的影响
胰岛素样肽（ILP）在脊椎动物的生长、代谢和繁殖中起着关键作用。在甲壳类动物中，一种类型的 ILP，胰岛素样雄激素腺激素（IAG）据报道与性别分化有关。然而，其他类型 ILP 的功能很少报道。在这里，我们在脊尾白虾（EcILP）中鉴定了另一种类型的 ILP，它是果蝇 ILP7 的直系同源物。序列表征和表达分析表明，EcILP 的异二聚体结构和表达谱与脊椎动物的胰岛素/IGF 和昆虫 ILP 相似。利用 CRISPR/Cas9 基因组编辑技术，我们生成了 EcILP 敲除（KO）对虾。EcILP -KO 个体的生长抑制性状和死亡率明显高于正常组。此外，通过RNA干扰（RNAi）敲低EcILP导致生长速度减慢，死亡率增加。这些结果表明EcILP是脊尾棘鱼重要的生长调节剂。
计算量子熵和距离的新量子算法
我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依熵、量子 R´enyi 熵、迹距离和保真度。所提出的算法在低秩情况下的表现明显优于之前的最佳算法（甚至是量子算法），其中一些算法实现了指数级加速。具体来说，对于秩为 r 的 N 维量子态，我们提出的用于计算加性误差 ε 内的冯·诺依曼熵、迹距离和保真度的量子算法的时间复杂度分别为 ˜ O ( r/ε 2 )、˜ O ( r 5 /ε 6 ) 和 ˜ O ( r 6 . 5 /ε 7 . 5 )。相比之下，先前的冯诺依曼熵和迹距离的量子算法通常具有时间复杂度 Ω( N )，而先前的最佳保真度算法具有时间复杂度 ˜ O ( r 12 . 5 /ε 13 . 5 )。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。这是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。与现有方法相比，我们的技术的优势在于不需要对密度算子进行任何限制；与此形成鲜明对比的是，以前的方法通常需要对密度算子的最小非零特征值有一个下限。
从猜测角度评估量子密钥分发的安全性
摘要 量子密钥分发可以提供信息论安全的密钥。实际应用中，窃听者可能会攻击传输的量子态，从而将一些信息泄露给生成的密钥。最终密钥的安全性取决于窃听者猜测密钥的难易程度。猜测概率受实际生成的量子态与理想量子态之间的迹距离所约束，因此可以用来估计量子密钥分发的安全性。利用迹距离ε和密钥长度n，我们证明了在某些特殊情况下猜测概率可达到上限ε + 2 − n。我们证明了不同的攻击策略会给出不同数量的猜测，有时甚至是完全颠覆性的差异，以得到最终密钥。我们的结果表明，应谨慎选择适当的安全参数ε以保证生成密钥的安全性。
讲座 10. 量子信息基础
至少有三种方法可以说明我们为什么需要量子通道。从数学的角度来看，量子通道只是状态的物理变换。由于我们现在考虑密度矩阵，它的物理变换现在对应于量子通道。物理意味着什么？它意味着线性、完全正向和迹保持。具体来说，当 E ( ρ 1 + ρ 2 ) = E ( ρ 1 ) + E ( ρ 2 ) 时，运算 E ( ρ ) 是线性的。完全正向的概念稍微复杂一些。如果每当 ρ A ≥ 0 时 EA ( ρ A ) ≥ 0，则运算称为正向运算。然而，只有正向性是不够的。考虑一个纠缠态 ρ AB 和一个正向运算 EA ，即使我们确实有 EA ( ρ A ) ≥ 0，我们也不能保证 EA ( ρ AB ) ≥ 0。一个值得注意的例子是转置运算（检查一下！）。因此，完全正则是一个更严格的要求，即对于所有 ρ AB ≥ 0，EA ( ρ AB ) ≥ 0。最后，迹保持仅意味着 Tr[ E ( ρ )] = Tr[ ρ ]。总而言之，量子通道定义如下。
用图嵌入神经网络的自适应布局分解
摘要 - 已广泛研究了多个图案布局分解（MPLD），但是到目前为止，还没有在结果质量和效率方面主导其他人的分解器。这种观察促使我们探索如何适应为给定布局图的最合适的MPLD策略，这是无聊的，仍然是一个空旷的问题。在本文中，我们提出了一个基于图形卷积网络的布局分解框架，以获取布局的图嵌入。图形嵌入式用于图库构造，分解器选择，图形匹配，针迹去除预测和图形着色。此外，我们设计了一种纯粹取决于传递图形神经网络的快速非针迹布局分解算法。实验结果表明，我们基于图的嵌入式框架可以在广泛使用的基准测试中实现最佳分解，即使与快速但非最佳的启发式方法相比，运行时也可以下降。
使用合成 RNA 作为 RNA 直接测序中 poly(A) 长度推断的基准
多聚腺苷酸化是一个动态过程，在细胞生理学中非常重要。Oxford Nanopore Technologies 的直接 RNA 测序提供了一种对全长 RNA 分子进行测序以及对转录组和表观转录组进行分析的策略。目前有几种可用于 poly(A) 尾长估计的工具，包括 tailfindr 和 nanopolish 等成熟工具，以及两种较新的深度学习模型：Dorado 和 BoostNano。然而，这些工具的准确性与金标准数据集的基准测试有限。在本文中，我们使用合成 RNA 标准（Sequins）评估了四种 poly(A) 估计工具，这些标准具有已知的 poly(A) 尾长，并提供了一种衡量 poly(A) 尾长估计准确性的有效方法。所有四种工具生成的平均尾长估计值都在正确值的 12% 以内。总体而言，由于 Dorado 运行时间相对较快、变异系数低并且易于使用且可与碱基调用集成，因此被推荐作为首选方法。
量子信息理论解决方案 5
1 − F ( | a ⟩ , | b ⟩ ) 2 ，其中 | a ⟩ 和 | b ⟩ 是纯态，并且隐含着 δ ( | a ⟩ , | b ⟩ ) := δ ( | a ⟩⟨ a | , | b ⟩⟨ b | )（保真度也类似）。我们可以固定一个基础来表示状态 | a ⟩ 和 | b ⟩ ，即 | a ⟩ = | 0 ⟩ 和 | b ⟩ = cos θ | 0 ⟩ + sin θ | 1 ⟩ 。注意 F ( | a ⟩ , | b ⟩ ) = |⟨ a | b ⟩| = | cos θ | 。迹距离也是：
利用图嵌入神经网络实现自适应布局分解
摘要 — 多重模式布局分解 (MPLD) 已被广泛研究，但到目前为止，还没有一个分解器在结果质量和效率方面胜过其他分解器。这一观察促使我们探索如何为给定的布局图自适应地选择最合适的 MPLD 策略，这是一个并非平凡且仍未解决的问题。在本文中，我们提出了一种基于图卷积网络的布局分解框架来获得布局的图嵌入。图嵌入用于图库构建、分解器选择、图匹配、针迹去除预测和图着色。此外，我们设计了一种纯粹依赖于消息传递图神经网络的快速非针迹布局分解算法。实验结果表明，与快速但非最优的启发式方法相比，我们基于图嵌入的框架可以在广泛使用的基准中实现最佳分解，并且运行时间显着下降。
通过倾斜信息量化基于量子相干性的量子非马尔可夫性
基于非相干完全正映射和迹保持映射下量子相干性通过倾斜信息的非增性，我们提出了一种开放量子过程的非马尔可夫性测度。作为应用，通过将所提出的测度应用于一些典型的噪声信道，我们发现它等价于先前针对相位衰减和振幅衰减信道的三个非马尔可夫性测度，即基于量子迹距离、动态可分性和量子互信息的测度。对于随机酉信道，它等价于一类输出态基于相干性l 1 范数的非马尔可夫性测度，并且不完全等价于基于动态可分性的测度。我们还利用修正的Tsallis相对α相干熵来检测量子开放系统动力学的非马尔可夫性，结果表明，当α较小时，修正的Tsallis相对α相干熵比原始的Tsallis相对α相干熵更加合适。