XiaoMi-AI文件搜索系统
World File Search System标准误差
药物诱导的癌细胞耐药性适应过程
a. 生成药物适应系的实验设计示意图。通过增加药物浓度（从 1 到 320 μM）对 Kuramochi 细胞系进行挑战。标明了具体剂量和治疗持续时间。从代表性显微镜图像（放大 5 倍，比例尺 = 50 μm）显示了细胞形态。b. 适应系的细胞活力显示了 9 天治疗期间对 olaparib 的反应。剂量范围与生成线所用的剂量范围相同。所有数据点均相对于载体处理的对照（针对每个相应的线）进行了标准化，并代表 3 个独立实验（每个实验 6 个技术重复）的平均值及其各自的标准误差线 (sem)。c. 适应细胞系平均转录组之间的 Spearman 相关性。d. 各个系上的 scRNA-seq 数据的 UMAP 表示。颜色和数字表示由 Louvain 聚类确定的亚群。e.根据适应系中 Spearman 等级相关系数对亚群进行聚类。标明了定义的五种主要转录状态。f. 适应系中五种状态下每个群体的细胞频率。图 1e 中显示的亚群聚类结果基于属于特定亚群的细胞分配到各自的状态。
对抗性自我训练改善了渐进域适应性的鲁棒性和概括
逐渐的域适应性（GDA），其中为学习者提供了辅助中间域，在许多情况下已经在理论上和经验上研究了。尽管在关键安全方案中起着至关重要的作用，但GDA模型的对抗性鲁棒性仍然没有探索。在本文中，我们采用了有效的渐进自我训练方法，并用副本自我训练（AST）替换香草自我训练。AST首先预测未标记的数据上的标签，然后对手在伪标记的分布上训练模型。有趣的是，我们发现逐渐的AST不仅提高了对抗性的准确性，而且可以提高目标域的清洁准确性。我们揭示这是因为当伪标签包含一部分不正确标签时，对抗性训练（AT）的性能要比标准训练更好。因此，我们首先介绍多类分类设置中逐渐AST的概括误差界限。然后，我们使用子集总和问题的最佳值在真实分布和伪标记分布上的对抗误差上桥接标准误差。结果表明，在具有不正确的伪标签的数据上，可能会获得比标准培训更紧密的结合。我们进一步提出了有条件的高斯分布的一个例子，以提供更多的见解，说明为什么逐渐的AST可以提高GDA的清洁精度。
评估随机森林，决策树，支持向量回归的性能和流量预测的梯度提升
这项研究利用一系列机器学习算法来预测Ikpoba河的小时流量。数据收集依赖于沿河沿线安装的水透度系统，收集每小时测量量高度，环境温度和大气压。将量规高度转换为流量数据，从Ikpoba河等级曲线中提取了涵盖2015年至2020年期间的历史量规和流量数据，并使用曲线拟合技术对水流和量规高度之间的精确关系进行了分析。使用各种拟合度措施，例如调整后的R平方值，估计标准误差和确定系数，用于识别最佳拟合关系。随后使用土壤和水评估工具对估计的流量数据进行了验证，并结合了研究区域的数字高程模型，以及其他输入参数，例如土壤，坡度，每日最大降水量和每日最高温度。使用Microsoft Excel中生成的回归图进行了验证结果。从机器学习结果中，随机森林算法在预测流量方面的其他方法优于其他方法，均为0.02的均值误差和确定系数为0.98。相反，决策树在预测单个数据点方面表现出了较高的准确性，最低的根平方误差为0.02。
五条鰤幼鱼生长过程中血清IgM水平的动态变化
摘要 免疫球蛋白 (Igs)，也称为抗体，可协调宿主针对外来抗原（包括侵入性病原体）的获得性免疫反应。在鱼类中，IgM 主要存在于血液中，对体液系统免疫和保护宿主免受病原体侵害尤为重要。灭活疫苗是世界各地鱼类中广泛使用的一种主要疫苗，其效力与血清抗体水平直接相关；然而，鱼类血液中循环的全身性 IgM 出现的时间尚未确定。在本研究中，我们使用一种针对 IgM 开发的高灵敏度夹心酶联免疫吸附测定 (ELISA) 检查了日本琥珀鱼幼鱼血清 IgM 水平的动态变化。我们发现，幼鱼血清中的 IgM 浓度在孵化后 (dph) 长达 72 天 (平均值±平均值的标准误差 [SEM]；体重：5.73±0.38 g，标准长度 [SL]：72.2±1.94 mm) 维持在较低水平，但从 79 dph 开始水平显著增加，在 85 dph (体重：14.05±0.92 g，SL：101.1±2.07 mm) 时达到平均值 84.76±9.23 μg/mL。这些结果表明，在幼鱼的早期生长阶段，由 IgM 介导的全身免疫仅部分成熟。目前的发现有助于制定针对幼鱼传染病的有效疫苗接种计划。
优化废弃鳄梨油的生物柴油产量和燃料特性：ANFIS 和 RSM 机器学习模型的比较研究
化石燃料带来的挑战推动了人们对替代能源的追求，从而推动了生物燃料的发展。本研究重点是通过酯交换反应从废弃的鳄梨油中生产生物柴油。首先，使用萃取技术从鳄梨的果皮和种子中提取油。然后用甲醇和硫酸 (H₂SO₄) 对提取的油进行预处理，以将其游离脂肪酸含量降低至 1.0 wt% 以下。本研究比较了两种专家系统，即自适应神经模糊推理系统 (ANFIS) 和响应面法 (RSM)，用于建模和优化鳄梨油的生物柴油生产。使用统计指标评估了这些优化工具的性能。结果表明，ANFIS 优于 RSM，误差值较低，预测标准误差 (SEP)=0.7653、平均绝对误差 (MAE)=0.1413、均方根误差 (RMSE)=0.4103、平均绝对偏差 (AAD)=0.2955%、均方误差 (MSE)=0.1683，判定系数高 (R² = 0.9976)。两种模型都预测生物柴油产量较高 (>85%)，ANFIS 的产量 (88.21%) 略高于 RSM (86.20%)。将优化条件下生产的生物柴油的特性与美国材料与试验协会 (ASTM) D6751 和欧洲标准 (EN) 14214 标准进行了比较，结果发现其在可接受的范围内，表明该燃料是适用的。
牙科材料
目的：在细胞毒性，自我更新，迁移，迁移和骨化分化方面，比较了常规纳米杂交（CERAM.X光谱）和基于Ormocer的牙科复合树脂对人牙髓干细胞（HDPSC）的影响。方法：在存在不同稀释液（未稀释的情况下，表格1：2至1：100）的Ceramx（CX）和Admira Fusion（AD）的培养HDPSC和在标准或成骨条件下的生存力测定。根据ISO 10993 - 12。此外，进行了凋亡，自我更新和迁移性评估。通过碱性磷酸酶活性，艾丽莎白红染色和特异性标记的基因表达（ALP，RUNX2，OCN，OPN，OPN和COL1α1）测试成骨分化潜力。 通过单向方差分析（单向方差分析）进行统计分析，然后进行Tukey的测试进行多重比较。结果表示为平均值±平均值（SEM）的标准误差。 结果：Admira Fusion证明是高度生物相容性的，并且对HDPSCS Pro的生动和分化显示了积极影响；相反，常规的纳米杂化复合材料显示出更大的细胞毒性，对干细胞分化没有任何显着影响。 此外，通过在基于Ormocer的复合树脂洗脱的存在下获得的成骨分化标记的明显上调，可以进一步证实所获得的结果。 此外，在同一组中，OPN和OCN与对照（OPN，p = 0.009; OCN，p = 0.0005）和CX 1:50相比产生的5倍（OPN，p = 0.012; ocn，ocn，p = 0.0006）。成骨分化潜力。通过单向方差分析（单向方差分析）进行统计分析，然后进行Tukey的测试进行多重比较。结果表示为平均值±平均值（SEM）的标准误差。结果：Admira Fusion证明是高度生物相容性的，并且对HDPSCS Pro的生动和分化显示了积极影响；相反，常规的纳米杂化复合材料显示出更大的细胞毒性，对干细胞分化没有任何显着影响。此外，通过在基于Ormocer的复合树脂洗脱的存在下获得的成骨分化标记的明显上调，可以进一步证实所获得的结果。此外，在同一组中，OPN和OCN与对照（OPN，p = 0.009; OCN，p = 0.0005）和CX 1:50相比产生的5倍（OPN，p = 0.012; ocn，ocn，p = 0.0006）。具体而言，在AD 1:50 ALP的组表达水平中，RUNX2，COL1α1比对照双重（ALP，P = 0.045； Runx2，P = 0.003；Col1α1，P = 0.001）和CX 1:50（ALP，P = 0.006; Runx2，P = 0.029; Col129;Col1α1，P = 0.029;Col1α1，P = 0.005）。显着性：与常规纳米杂交复合材料相比，AD获得的细胞毒性较小，这可能归因于口服环境中的单体释放减少，从而支持有限的不良反应和增强愈合潜力的假说，主要是当材料与浆液组织密切接触时。
XMT -1660
ADA，抗药物抗体； ADC，抗体 - 药物结合； Af -hpa，auristatin f-羟丙基酰胺； A/MBC，晚期或转移性乳腺癌； BC，乳腺癌； Boin，贝叶斯最佳间隔； BRCA，BRCA DNA修复相关基因； CD，分化簇； CT，化学疗法； DAR，药物与抗体比； des，剂量升级； DL，剂量水平； DOR，响应持续时间； EC，子宫内膜癌； ECOG PS，东方合作肿瘤学组绩效状况； ER，雌激素受体； ET，基于内分泌的疗法； Exp，剂量扩展； HER2，人表皮生长因子受体2； HGSOC，高级浆液卵巢癌； HR，激素受体； iv，静脉注射；很多，治疗线； mAb，单克隆抗体； MTD，最大耐受剂量； NAB，中和抗体； OC，卵巢癌； ORR，客观响应率； OS，整体生存； OV，卵巢； PARPI，聚（ADP- ribose）聚合酶抑制剂； PD ‑ 1，编程死亡受体1； PD − L1，编程的死亡受体 - 配体1; PDX，患者衍生的异种移植物； PK，药代动力学；问，每个；恢复，实体瘤的反应评估标准； RP2D，建议的2期剂量； RSEM，平均值的相对标准； SEM，平均值的标准误差； SOC，护理标准； TNBC，三阴性乳腺癌； UCEC，子宫类子宫内膜癌。ADA，抗药物抗体； ADC，抗体 - 药物结合； Af -hpa，auristatin f-羟丙基酰胺； A/MBC，晚期或转移性乳腺癌； BC，乳腺癌； Boin，贝叶斯最佳间隔； BRCA，BRCA DNA修复相关基因； CD，分化簇； CT，化学疗法； DAR，药物与抗体比； des，剂量升级； DL，剂量水平； DOR，响应持续时间； EC，子宫内膜癌； ECOG PS，东方合作肿瘤学组绩效状况； ER，雌激素受体； ET，基于内分泌的疗法； Exp，剂量扩展； HER2，人表皮生长因子受体2； HGSOC，高级浆液卵巢癌； HR，激素受体； iv，静脉注射；很多，治疗线； mAb，单克隆抗体； MTD，最大耐受剂量； NAB，中和抗体； OC，卵巢癌； ORR，客观响应率； OS，整体生存； OV，卵巢； PARPI，聚（ADP- ribose）聚合酶抑制剂； PD ‑ 1，编程死亡受体1； PD − L1，编程的死亡受体 - 配体1; PDX，患者衍生的异种移植物； PK，药代动力学；问，每个；恢复，实体瘤的反应评估标准； RP2D，建议的2期剂量； RSEM，平均值的相对标准； SEM，平均值的标准误差； SOC，护理标准； TNBC，三阴性乳腺癌； UCEC，子宫类子宫内膜癌。
便携式近红外分光光度计...
特定作物生产或“处方耕作”是一种管理技术，其中除草剂和肥料等投入物的施用率根据土壤和农学特性的空间差异而变化。量化这些空间差异的数据可以通过密集采样和随后的实验室分析来收集，但为了获得最高效率，最好通过能够在田间进行分析的自动化仪器来获取这些数据。光谱反射率测量提供了一种估计田间土壤特性的可能方法。研究人员已经将土壤特性与可见光和近红外 (NIR) 反射率数据相关联（Dalal 和 Henry，1986 年；Gaultney 等人，1989 年；Gunsaulis 等人，1991 年；Henderson 等人，1989 年；Krishnan 等人，1980 年；和 Schreier，1977 年）。 Sudduth 和 Hummel (1991) 评估了可见光和近红外反射数据，以估计 TIlinoissoils 的有机物含量。通过偏最小二乘回归分析的近红外数据为 30 种土壤在枯萎点和田间持水量水平下提供了最佳相关性（r2= 0.92，预测标准误差为 0.34% 有机物）。使用的反射数据为 1720-2380 nm，间距和带宽为 60 nm，总共 12 个反射点。本文介绍了坚固耐用的便携式近红外光谱仪的设计、开发和评估
2024 年 12 月月度建筑支出
在解释本新闻稿中的统计数据变化时，请注意，季节性调整后的统计数据的月度变化通常显示出可能不规则的变动。可能需要 2 个月才能确定总体建筑的基本趋势，而特定类别的建筑则可能需要长达 8 个月的时间。本新闻稿中的统计数据是根据多个来源和调查估算的，并且受抽样变异性以及非抽样误差的影响，包括偏差和响应方差、未报告和覆盖不足。表 3 提供了标准误差的估计值。每当文本中出现诸如“2.3（±3.1%）以上”之类的陈述时，这表示实际百分比变化可能发生的范围（-0.8 到 +5.4%）。给出的所有范围都是 90% 的置信区间，仅考虑抽样变异性。如果范围不包含零，则变化具有统计意义。如果它包含零，则变化不具有统计意义；也就是说，不确定是增加了还是减少了。当月的统计数据为初步估计，可能会在随后的几个月随着更多数据的出现而进行修订。主要季节性调整组成部分的初步估计与第一次修订相比的平均绝对百分比变化如下：总建筑量为 0.88%；私人建筑量为 0.85%；公共建筑量为 2.18%。有关置信区间和抽样变异性的说明，请访问我们的网站 < www.census.gov/construction/c30/methodology.html/ >。
甲基化操作向导（Meow）
图1。Meow在长阅读测序数据中识别差异甲基化区域。A. Meow需要一组带有填充的MM和ML标签的对齐的BAM文件以及包含感兴趣区域列表的床文件，例如CPG岛，以构建参考数据库。在构建参考数据库后，可以在参考队列中执行一项输出分析，以识别该数据集中的唯一差异甲基化区域（DMR）。也可以使用已经构建的参考数据库来识别DMR的测试样本运行。两种方法的输出都在表或图形格式中获得。B.与已知具有Prader-Willi综合征的测试样品相比，与19个随机样品的对照数据库相比，显示了已知具有Prader-Willi综合征的测试样品的显着差异甲基化的位点（红色），该数据库是1000个基因组项目ONT测序联盟的一部分。C. Meow生成图形，说明了测试样品和对照数据集之间甲基化频率的显着差异。所示的五个DMR表示（b）中的显着值。D.色带图显示了查询中每个C和G的甲基化频率，相对于控制数据库甲基化频率在同一位置的平均值和标准误差。