XiaoMi-AI文件搜索系统
World File Search System现新
在人体中发现新的脂肪细胞亚型可以推进个性化的肥胖治疗大脑在做出决策时如何平衡风险和回报
近年来，机器学习的研究人员开发了一种决策理论，可以更好地捕捉与选择相关的各种潜在奖励。他们将该理论纳入了一种新的机器学习算法中，该算法优于Atari视频游戏中的替代算法，以及每个决定都具有多个可能结果的其他任务。
口服胰岛素滴为糖尿病患者提供缓解 机器学习阐明了人脑的感受 FDA批准更广泛的保护性脑膜炎球菌疫苗 行政命令阻止需要共同疫苗的学校的联邦资金 在人体中发现新的脂肪细胞亚型可以推进个性化的肥胖治疗 大脑在做出决策时如何平衡风险和回报
不调节的葡萄糖可能非常危险，因此糖尿病患者必须监测其葡萄糖水平，并在必要时服用胰岛素以降低葡萄糖水平。注射是使胰岛素进入血液的最快方法，但患者通常每天至少需要三到四次注射，这可能会影响其生活质量。遵守该方案是具有挑战性的，随着时间的流逝，这会导致严重的并发症，例如眼睛，肾脏和神经损伤，可能导致肢体截肢。
利用Ichip技术从泥炭土壤微生物组中发现新型抗生素，以打击抗菌抗性
抗菌素抵抗（AMR）构成了关键的全球健康威胁，使全球感染管理变得复杂。关于世界卫生组织（WHO）在2019年释放的抗生素抗药性患病率的数据导致127万人死亡（Murray等，2022； Who，2023）。此外，世界银行估计，到2050年，AMR的经济影响可能会损失高达1万亿美元的医疗保健费用，而到2030年，国内生产总值（GDP）损失了3.4万亿美元（Jonas等人，2017年）。迫切需要发现新药替代耐药性抗生素已变得越来越重要。最大的新抗生素生产商来源之一来自土壤，其中99％的微生物物种。抗菌化合物是由土壤中的微生物产生的，由于传统培养技术的局限性，这些化合物在实验室中通常仍然无法培养，而传统培养技术无法复制微生物的自然栖息地（Choi等，2015； Bhattacharjee，2022222）。具有获取新抗生素剂的巨大潜力的土壤类型是泥炭土（Kujala等，2018； Liu等，2022； Atapattu等，2023）。泥炭土包含富含养分的有机沉积物，这些养分支持微生物生长和多样性（Nawan and Wasito，2020）。必须利用泥炭土中丰富的微生物含量来开发新的抗生素。当前的微生物培养技术通常仅限于微生物的一部分，从而限制了二级代谢产物的分离。克服这些局限性需要创新的方法来培养产生抗生素的微生物，这些微生物在实验室条件下仍然无法养活。未经培养的土壤技术（UST）或原位孵育是最新的发展之一，涉及使用环境中存在的自然生长因子进行培养（Berdy等，2017； Chaudhary等，2019）。
我能做得更好：捍卫人类增强技术以实现新的基因平等
反对基因增强的主要理由是，它将造成“基因隔离”，加深现有的不平等。本文提出了一些可以削弱反对基因增强的不平等论点的考虑因素。首先，我质疑治疗与增强的二分法，因为两者之间的区别并不明显。其次，我认为人类增强是人类天性的一部分，没有充分的理由在其他领域接受它，而在遗传学领域拒绝它。本文还表明，不平等存在于社会的各个方面，“上帝赋予的”基因是极其不平等的，而基因增强可以作为一种机制，实现新的基因平等。然而，本文强调，如果基因平等将我们带入一个由缩小规模的人类组成的统一社会，那么它本身就不是我们应该追求的价值。基因平等只有在增强人类整体能力时才有价值。
在基于目标的药物相似性网络中发现新的药物特性
尽管生物信息学、系统生物学和机器学习最近取得了进展，但准确预测药物特性仍然是一个悬而未决的问题。事实上，由于生物环境是一个复杂的系统，传统的基于化学结构知识的方法无法完全解释药物与生物靶标之间相互作用的性质。因此，在本文中，我们提出了一种无监督机器学习方法，该方法使用我们了解的有关药物-靶标相互作用的信息来推断药物特性。为此，我们根据药物-靶标相互作用定义药物相似性，并根据药物-药物相似性关系构建加权药物-药物相似性网络。使用能量模型网络布局，我们生成与特定、主要药物特性相关的药物社区。然而，这些社区中 13.59% 的药物似乎与主要药理特性不匹配。因此，我们将它们视为药物重新利用的提示。测试所有这些重新利用提示所需的资源相当可观。因此，我们引入了一种基于中介性/度节点中心性的优先级机制。通过使用介数/度作为药物再利用潜力的指标，我们确定药物甲丙氨酯可能是一种抗真菌药物。最后，我们使用基于分子对接的稳健测试程序进一步确认甲丙氨酯的再利用能力。
今年圣诞节会出现新冠疫情浪潮、高峰还是低谷？这取决于你住在哪里
例如，如果您要拜访年长的亲戚或免疫系统较弱的人，如果您有呼吸道症状，请谨慎。优质口罩和使用 RAT 测试仍然是一种选择。无论您的症状如何，聚集在通风良好的房间（或室外）都会降低您感染和感染他人的机会。
Lumi-LAB：一个基础模型驱动的自主平台，可以发现新的电离脂质设计用于mRNA的脂质设计
分子发现的复杂性需要有效地播放庞大而未知的化学空间的自主系统。虽然将人工智能（AI）与16个机器人自动化相结合已加速发现，但其应用程序仍在稀有历史数据的领域17中受到限制。一个这样的挑战是脂质纳米颗粒（LNP）的设计，用于18个mRNA传递，它依赖于专家驱动的设计，并受到有限数据集的阻碍。19在这里，我们介绍了一种自动驾驶实验室（SDL）系统Lumi-LAB，该系统通过将分子基础模型与自动化的21个主动学习实验工作流相结合，从而可以使用最小的湿LAB数据进行有效的学习20。通过十个迭代循环，Lumi-LAB合成22，并评估了1,700多种LNP，与临床认可的基准相比，人支气管细胞中具有优质mRNA转染的可离子脂质23人支气管细胞的效力。出乎意料的是，24个自主透露的溴化脂质尾巴是一种新型功能，从而增强了mRNA递送。25体内验证进一步证实，含有表现最佳的26个脂质Lumi-6的LNP在鼠模型中的肺上皮细胞中的基因编辑功效达到20.3％，27个在我们的知识中，在鼠类模型中27次超过了吸入的LNP介导的CRISPR-Cas9递送28的LNP LNP介导的CRISPR-CAS9递送的效率最高。这些发现证明了Lumi-LAB是一个强大的，数据效率的29平台，用于推进mRNA传递，强调了AI驱动的自主30系统在材料科学和治疗发现中加速创新的潜力。31
通过计算方法利用从 Cochlospermum 物种中分离的生物活性化合物发现新型 HMG-CoA 还原酶抑制剂
棒状表示。二级结构元素用黑色标签标记。HMG 和 CoA 用洋红色表示；NADP 用绿色表示。瑞舒伐他汀用紫色表示。他汀类药物利用 HMGR 的构象灵活性在活性位点附近形成疏水结合口袋。形成 HMG 结合口袋（瑞舒伐他汀结合处用黄色表示）的关键氨基酸残基的单字母缩写如下：K，Lys；