XiaoMi-AI文件搜索系统
World File Search System深神
从非参数方法到深神经网络
图2：NNME的神经网络结构。输入为w和y，输出是估计的回归函数f✓（x）。左绿色块是一个编码器，它由几个具有Relu激活函数的完全连接的层组成，最后一层具有线性函数；编码器的输出是提案分布的参数。右绿色块是一个解码器，它的网络结构与编码器相同；输入是x的随机样本，输出是f✓（x）的估计值。顶部的绿色块是另一个解码器，它由标准化流量的几个耦合层组成；输入是x的随机样品，输出是估计的x的先前密度。
1使用深神经网络对ECG信号进行分类
心电图（ECG）是心脏病领域的必不可少的工具，因为它可以测量心脏的电活动。它涉及将电极放在患者的皮肤上，从而促进心律的测量和分析。这种非侵入性和无痛测试提供了有关心脏功能的基本信息，并有助于诊断各种心脏病。使用深度学习技术对心电图信号进行分类，近年来引起了极大的兴趣。通过深度学习模型，尤其是卷积神经网络（CNN）的应用，心电图分类任务表现出了令人鼓舞的结果。在本研究中提出了Googlenet，Alexnet和Resnet Deep-CNN模型作为可靠的方法，用于使用ECG数据准确诊断和分类心脏病。这些模型的主要目标是预测和分类普遍的心脏病，包括心律不齐（ARR），充血性心力衰竭（CHF）和正常的窦性节奏（NSR）。为了实现此分类，通过连续小波变换获得的2D缩放图图像被用作模型的输入。该研究的发现表明，在准确预测和分类与这些心脏条件相关的ECG信号方面，Googlenet，Alexnet和Resnet模型的精度为96％，95,33％和92,66％。总体而言，在ECG分析中，深度学习技术（例如Googlenet，Alexnet和Resnet模型）的整合具有提高诊断和分类心脏疾病的准确性和效率的希望，有可能导致改善患者护理和成果。
使用深神经网络从后顶层皮层解码
抽象目标。运动解码对于翻译脑部计算机界面（BCIS）的神经活动至关重要，并提供了有关如何在大脑中编码运动态的信息。深神经网络（DNNS）正在成为有前途的神经解码器。尽管如此，目前尚不清楚DNN在不同的电机解码问题和方案中的表现如何，哪个网络可以成为入侵性BCIS的良好候选人。方法。完全连接，卷积和复发性神经网络（FCNN，CNNS，RNNS）设计并应用于从麦克拉（Macaques）后顶叶皮层（PPC）中从V6A区域记录的神经元中解释运动态。考虑了三个运动任务，涉及到达和到达（后者在两个照明条件下）。dnns使用试用课程中的滑动窗口接近3D空间中的九个到达终点。为了评估模拟各种场景的解码器，还分析了性能，同时人为地减少了记录的神经元和试验的数量，并在执行从一项任务到另一个任务的转移学习时。最后，准确的时间课程用于分析V6A电机编码。主要结果。dnns的表现优于经典的幼稚贝叶斯分类器，而CNN在整个电机解码问题上还优于XGBoost和支持向量机分类器。cnns使用较少的神经元和试验时，导致了表现最佳的DNN，并且任务对任务转移学习改善了性能，尤其是在低数据制度中。意义。最后，V6A神经元甚至从动作计划中编码并触及到gr的属性，稍后发生握把属性的编码，更接近移动执行，并且在黑暗中显得较弱。结果表明，CNN是有效的候选者，可以从PPC记录中实现人类侵入性BCI的神经解码器，这也减少了BCI校准时间（转移学习），并且基于CNN的数据驱动分析可以提供有关大脑区域的编码特性和功能性启动的见解。
形状驱动的深神经网络，用于快速获取主动脉3D压力和速度流场
计算流体动力学（CFD）可用于模拟血管血流动力学并分析潜在的治疗选择。CFD已证明对改善患者预后有益。但是，尚未实现CFD的实施CFD。CFD的障碍包括高计算资源，设计模拟设置所需的专业经验以及较长的处理时间。这项研究的目的是探索使用机器学习（ML）以自动和快速回归模型复制常规主动脉CFD。用于训练/测试的数据该模型由对合成生成的3D主动脉形状进行的3,000个CFD模拟组成。这些受试者是由基于实际患者特异性主动脉（n = 67）的统计形状模型（SSM）生成的。对200个测试形状进行的推理导致压力和速度的平均误差分别为6.01％±3.12 SD和3.99％±0.93 SD。我们的基于ML的模型在 * 0.075秒内执行了CFD（比求解器快4,000倍）。这项概念验证研究表明，可以在自动过程中使用ML以更快的速度且准确性地使用ML复制常规血管CFD的结果。
将药物重新定位到阿尔茨海默氏病的三孔深神经网络中的线粒体融合蛋白2
尽管乳腺癌筛查技术的进步和对疾病的广泛研究，但乳腺癌仍然是美国女性（美国）的癌症负担最重，而疾病差异显着。自2004年以来，乳腺癌发病率增加了0.4％，估计表明，八分之一的女性将受到这种诊断的影响（1）。在过去的十年中，早期发作乳腺癌的诊断率在50岁之前的诊断率显着增加（2，3）。早期发作乳腺癌通常是一种更具侵略性的疾病类型，在后期被诊断出来，预后通常很差（2）。生存早期发作乳腺癌的患者面临着影响其生活质量的不同生存问题（4）。提高乳腺癌率，尤其是早期发作疾病，是一个紧迫的公共卫生问题，需要新的临床和转化方法来遏制这些疾病趋势。对加速生物年龄的仔细考虑可能为预防疾病提供有希望的途径，特别是对于早期发作乳腺癌。年龄仍然是乳腺癌的最强预测因素之一（5，6），因此尚不清楚为什么在美国发生早期乳腺癌发生率的增加，一种潜在的途径是了解早期发作乳腺癌的增长趋势正在确定加速生物年龄在乳腺癌风险中的作用。这些共同的分子标志在预测乳腺癌风险方面的发现是矛盾的（9，11）。生物年龄的标志是人体系统中的渐进式下降也称为衰老的标志（7，8），而这些下降会增加对疾病和死亡的脆弱性。与乳腺癌的发展有关的九个标志（7，8），这些标记是：基因组不稳定性（9），端粒损耗（9），表观遗传变化（10），过失调节的营养感应（11，12），Mitochondirialialialialialial nirial dimochrial dipfuntiment（12），互动（11），和11个（11）（11）（11）（11）（11）（11）。 迄今为止，DNA甲基化的表观遗传学改变是生物年龄最强的预测指标（13，14）。 DNA甲基化是一种表观遗传标记物，在CpG（细胞质 - 磷酸 - 瓜氨酸）岛上最常发生在胞嘧啶核苷酸上，并且通常与年龄相关（15）。 DNA甲基化（DNAM）是癌症进展的肿瘤生成和病理生理学的既定标志（14）。 考虑到DNAM捕获的生物年龄和年代年龄之间的差异，以及通过DNAM进行癌症发展的风险增加为预防疾病的调查提供了关键的地点。 本评论的重点是阐明有关乳腺癌风险中DNA的现有证据，作为监视和干预的潜在标志，因为DNAM已被发现可以通过生活方式和心理干预措施可逆，可以修改（16，17）（图1）。 使用机器学习开发表观遗传时钟，以在整个基因组的CPG位点创建多元加权总和，以评估生物年龄（14）。与乳腺癌的发展有关的九个标志（7，8），这些标记是：基因组不稳定性（9），端粒损耗（9），表观遗传变化（10），过失调节的营养感应（11，12），Mitochondirialialialialialial nirial dimochrial dipfuntiment（12），互动（11），和11个（11）（11）（11）（11）（11）（11）。 迄今为止，DNA甲基化的表观遗传学改变是生物年龄最强的预测指标（13，14）。 DNA甲基化是一种表观遗传标记物，在CpG（细胞质 - 磷酸 - 瓜氨酸）岛上最常发生在胞嘧啶核苷酸上，并且通常与年龄相关（15）。 DNA甲基化（DNAM）是癌症进展的肿瘤生成和病理生理学的既定标志（14）。 考虑到DNAM捕获的生物年龄和年代年龄之间的差异，以及通过DNAM进行癌症发展的风险增加为预防疾病的调查提供了关键的地点。 本评论的重点是阐明有关乳腺癌风险中DNA的现有证据，作为监视和干预的潜在标志，因为DNAM已被发现可以通过生活方式和心理干预措施可逆，可以修改（16，17）（图1）。 使用机器学习开发表观遗传时钟，以在整个基因组的CPG位点创建多元加权总和，以评估生物年龄（14）。与乳腺癌的发展有关的九个标志（7，8），这些标记是：基因组不稳定性（9），端粒损耗（9），表观遗传变化（10），过失调节的营养感应（11，12），Mitochondirialialialialialial nirial dimochrial dipfuntiment（12），互动（11），和11个（11）（11）（11）（11）（11）（11）。迄今为止，DNA甲基化的表观遗传学改变是生物年龄最强的预测指标（13，14）。DNA甲基化是一种表观遗传标记物，在CpG（细胞质 - 磷酸 - 瓜氨酸）岛上最常发生在胞嘧啶核苷酸上，并且通常与年龄相关（15）。DNA甲基化（DNAM）是癌症进展的肿瘤生成和病理生理学的既定标志（14）。考虑到DNAM捕获的生物年龄和年代年龄之间的差异，以及通过DNAM进行癌症发展的风险增加为预防疾病的调查提供了关键的地点。本评论的重点是阐明有关乳腺癌风险中DNA的现有证据，作为监视和干预的潜在标志，因为DNAM已被发现可以通过生活方式和心理干预措施可逆，可以修改（16，17）（图1）。表观遗传时钟，以在整个基因组的CPG位点创建多元加权总和，以评估生物年龄（14）。通过此测量工具捕获了三个不同的生物过程：基于DNAM的年龄估计量（13），生理过程
Chromwave：用深神经网络的转录因子与核小体之间的DNA编码竞争
转录因子（TFS）通过识别和结合特定的DNA序列来调节基因表达。有时，这些调节元件可能会被核小体遮住，从而使其无法访问TF结合。TFS和核小体之间DNA占用率的竞争以及相关的基因调节输出是基因组中编码的顺式调节信息的重要结果。但是，这些序列模式是微妙的，并且仍然难以解释。在这里，我们引入了Chromwave，这是一个深入学习模型，首次以显着的准确性来预测TF和核小体占用的竞争曲线。使用短片和长碎片MNase-seq数据训练的模型成功地学习了整个酵母基因组中TF和核小体占用的序列偏好。他们从区域概括了核小体驱逐
体外和计算机研究 心房尿液肽的类似物（C-ANP4-23）调节人分化脂肪细胞中的葡萄糖代谢 双酚A暴露会影响特定的肠道分类单元，并驱动儿童肥胖症中的微生物群 量子机学习实现：建议和实验 研究基于电阻开关设备的量化硬件深神经网络，常规方法和卷积方法 在与数字社会交流时，人脑面临一些挑战 Sigma-1受体 蔗糖溶液中的一个等离子体传感器 文章在大学生中有问题的互联网使用及其与社交技能的关系 Agassi模型的数字量子模拟 孕妇外周血的表观基因组广泛的研究鉴定了潜在的代谢 开放量子系统用于量子机学习的好处 寡核苷酸合成的P（V）平台 微生物接种剂和有机肥料的联合应用改善了不利的土壤条件下的植物生长 结合了上的1/F斜率和脑模拟
摘要：通过乙酰胆碱酯酶（ACHE）和丁酰基胆碱酯酶（Buche）抑制增强胆碱能功能被认为是治疗阿尔茨海默氏病的有价值的治疗策略。这项研究旨在评估锌390718的体外效应，锌390718先前使用计算方法对胆碱酯酶进行了研究，并使用分子动力学（MD）仿真来表征该化合物内部胆碱酯酶酶内部的结合模式。还使用富含星形胶质细胞的神经胶质细胞培养研究了体外细胞毒性效应。ZINC390718在高度旋转范围（IC 50 = 543.8 µm）和对Buche（IC 50 = 241.1 µM）的体外双重抑制活性以浓度依赖性方式对ACHE表示，具有较大的活性，具有较大的活性。MD模拟显示锌390718与两个靶标上的催化残基位点形成了重要的疏水性和H键相互作用。促进ACHE靶标的疏水相互作用和H键的残基是Leu67，Trp86，Phe123，Tyr124，Ser293，Phe295和Tyr341，以及在Buche目标上，它们是ASP70，Tyr332，Tyr332，Tyr128，ile442，trp82，trpy197。通过细胞活力评估的Z390718的细胞毒性作用表明该分子的体外毒性低。体外和计算机结果表明，锌390718可以用作对新的双胆碱酯酶抑制剂优化和鉴定的化学型。
不断发展的深神经网络
深度学习的成功取决于找到架构以符合任务。随着深度学习的扩展，构建结构变得很难手工设计。本文提出了一种自动化方法，即CodeEpneat，以通过进化来优化深度学习体系结构。通过将现有的神经进化方法扩展到拓扑，组件和超参数，此方法可实现与对象识别和语言建模中标准基准测试中最佳人工设计相当的结果。它还支持在杂志网站上构建自动图像字幕的现实应用程序。鉴于可用的计算能力的预期增加，深网的演变是将来构建深度学习应用程序的一种有前途的方法。
通过重复使用深神经网络特征的转移学习来进行神经影像学
摘要。将机器学习应用于神经图像的一个主要问题是MRI扫描仪的技术变异性和跨研究的受试者人群的差异。转移学习（TL）试图减轻这一问题。tl是指从相关任务中获取知识的一种方法，以改善感兴趣的任务中的概括。在这项工作中，我们在英国生物库MRI数据上进行了有关年龄和性别预测的深度神经网络，并研究了该网络对三个小型MRI数据集的预测。我们发现，神经网络可以在必要但充分的条件下从看不见的数据集中提取有意义的特征，以预测该网络以预测感兴趣的标签（例如如果年龄预测是感兴趣的任务，则对年龄预测进行了预先培训）。基于此，我们提出了一条转移学习管道，该管道依赖于在同一任务中重复使用深度神经网络功能。我们发现我们的方法的表现优于经典回归方法和从头开始训练网络。特别是我们改善了年龄和性别预测的最新结果。因此，我们的转移学习方法可以提供简单有效的管道，以在小型MRI数据集上实现高性能。
通过ϵ -greedy探索了解强化学习中的深神经功能近似
本文提供了对强化学习（RL）深处神经功能近似（RL）的理论研究。此问题设置是由属于该制度的成功深Q-Networks（DQN）框架所激发的。在这项工作中，我们从函数类别和神经网络体系结构（例如宽度和深度）的角度从“线性”制度之外的角度提供了对理论理解深度RL的初步尝试。是具体的，我们专注于基于价值的算法，分别通过BESOV（和Barron）函数空间赋予的深（和两层）神经网络进行了to -greedy探索，旨在近似D -Dimensional特征空间中近似α -Smooth Q -unction。我们证明，随着t发作，缩放宽度m = e O（t d2α + d），而神经网络的深度l = o（log t）的深度RL足以在Besov空间中以sublinear遗憾地学习。此外，对于由Barron空间赋予的两层神经网络，缩放宽度ω（√