XiaoMi-AI文件搜索系统
World File Search System稳健
混合脂质块共聚物膜可实现多种纳米孔的稳定重建和血清的稳健采样
生物纳米孔是在单分子水平上检测生物分子的强大工具，使它们成为生物样品的传感器。然而，在存在生物液的情况下，纳米孔居住的脂质膜可能不稳定。在这里，用两亲聚合物PMOXA-PDMS-PMOXA和PBD-PEO形成的膜被测试为纳米孔传感的潜在替代方法。我们证明，聚合物膜可以具有增加对应用电位和高浓度的人血清的稳定性，但是稳定的广泛生物纳米孔的插入最常受到损害。另外，杂种聚合物脂质膜包含PBD 11 PEO 8和DPHPC的1：1 W/W混合物，在为所有经过测试的纳米孔创造合适的环境时，表现出较高的电气和生化稳定性。分析物（例如蛋白质，DNA和糖）有效采样，表明在杂化膜中，纳米孔显示出类似天然的特性。分子动力学模拟表明，脂质形成了由聚合物基质散布的12 nm结构域。纳米孔被分配到这些脂质纳米域和隔离的脂质中，可能具有与天然双层中相同的结合强度。这项工作表明，在[PBD 11 PEO 8 + DPHPC]膜中使用纳米孔进行的单分子分析是可行的，并且在人血清存在下呈现稳定的记录。这些结果为新型纳米孔生物传感器铺平了道路。
基于稳健深度学习激光雷达的自主太空着陆器姿态估计
在太空着陆操作期间，准确估计航天器的相对姿态对于确保安全成功着陆至关重要。本文提出了一种基于 3D 光检测和测距 (LiDAR) 的 AI 相对导航架构解决方案，用于自主太空着陆。所提出的架构基于混合深度循环卷积神经网络 (DR-CNN)，将卷积神经网络 (CNN) 与基于长短期记忆 (LSTM) 网络的循环神经网络 (RNN) 相结合。获取的 3D LiDAR 数据被转换为多投影图像，并将深度和其他多投影图像输入 DRCNN。该架构的 CNN 模块可以有效地表示特征，而 RNN 模块作为 LSTM，可提供鲁棒的导航运动估计。我们考虑、模拟和实验了各种着陆场景，以评估所提出架构的效率。首先使用 PANGU（行星和小行星自然场景生成实用程序）软件创建基于 LiDAR 的图像数据（范围、坡度和海拔），然后使用这些数据对所提出的解决方案进行评估。建议使用 Gazebo 软件中的仪表化空中机器人进行测试，以模拟在合成但具有代表性的月球地形（3D 数字高程模型）上着陆的场景。最后，使用配备 Velodyne VLP16 3D LiDAR 传感器的真实飞行无人机进行真实实验，以在设计的缩小版月球着陆表面上着陆时生成真实的 3D 场景点云。所有获得的测试结果表明，所提出的架构能够通过良好合理的计算提供良好的 6 自由度 (DoF) 姿势精度。
突变稳健性和缓冲基因在进化中的作用
生物体依靠突变来促进适应性进化。然而，许多突变会对适应性产生负面影响。因此，细胞可能进化出了影响突变表型效应的机制，从而赋予了突变稳健性。具体来说，所谓的缓冲基因被认为直接或间接地与遗传变异相互作用并降低其对适应性的影响。环境或遗传扰动可以改变缓冲基因和遗传变异之间的相互作用，从而揭示遗传变异的表型效应，从而为自然选择提供变异来源。本综述概述了我们对突变稳健性和缓冲基因的理解，并以伴侣基因 HSP90 为关键例子。它讨论了缓冲基因是否仅影响现有变异或也与新生突变相互作用，突变稳健性如何影响进化，以及突变稳健性是否可能是一种进化特征，还是仅仅是复杂遗传相互作用的副作用。
HyperPCM：药物的稳健任务条件建模……
摘要：药物发现的一个核心问题是确定类药物化合物与蛋白质靶标之间的相互作用。在过去的几十年中，已经开发了各种定量结构-活性关系 (QSAR) 和蛋白质化学计量 (PCM) 方法来建模和预测这些相互作用。虽然 QSAR 方法仅利用药物化合物的表示，但 PCM 方法结合了蛋白质靶标和药物化合物的表示，使它们能够对以前未见过的蛋白质靶标实现高于偶然性的预测准确度。QSAR 和 PCM 方法最近都通过机器学习和深度神经网络得到了改进，从而允许从测量数据开发药物-靶标相互作用预测模型。然而，深度神经网络通常需要大量的训练数据，并且无法稳健地适应新任务，例如在推理时预测未见过的蛋白质靶标的相互作用。在这项工作中，我们建议使用超网络在推理过程中有效地在任务之间传输信息，从而准确预测药物-靶标对未见过的蛋白质靶标的相互作用。与之前的方法相比，我们的 HyperPCM 方法在多个知名基准（包括 Davis、DUD-E 和 ChEMBL 衍生的数据集）上达到了最先进的性能，并且在涉及看不见的蛋白质靶标的零样本推理方面尤其出色。 我们的方法以及可重复的数据准备可在 https://github.com/ml-jku/hyper-dti 上获得。■ 简介药物 - 靶标相互作用 1 的建模是药物发现的一个基本步骤，意味着学习小的类药物化合物（在此称为药物化合物（术语药物化合物在本文中表示配体，即分子化合物，被视为潜在药物但最终可能不适合作为最终候选药物））与已确定的疾病蛋白质靶标之间相互作用的结合特性。2 随着新疾病的出现，迫切需要快速准确地预测大量药物 - 靶标相互作用。 3 药物-靶标相互作用的计算机建模受益于更强大的计算能力 4 ，而使用其他领域的最先进深度学习方法则有助于进一步发展。 5、6 到目前为止，该领域的研究主要集中在药物化合物和蛋白质靶标的表示上。 传统的定量结构-活性关系 (QSAR) 模型 7 仅基于药物化合物结构的表示来学习药物-靶标相互作用的特性。 通常，首先将结构编码为数值向量，即嵌入。 手工嵌入可以从化学和生物数据 8-10 或通过位向量（例如摩根指纹）构建。 11
新型双特异性降解剂 BHV-1300 在包括非人类灵长类动物在内的临床前模型中实现了快速、稳健、选择性和瞬时 IgG 降解
• 在服用 BHV-1300 12 小时后，Humira® 的 PK 没有变化 • 支持同一天服用 BHV-1300 和含 Fc 的生物制剂 (mAb) • FcRn 抑制剂会降低含 Fc 的生物制剂的有效性，因此不应一起使用
使用实时脉冲神经网络硬件框架对 ECoG 中的癫痫样模式进行稳健压缩和检测
训练数据集。ECoG 数据的稀疏分解已被证实可以检测病理性 HFO 30, 31 。我们在此生成一个有效的稀疏时间编码，允许设计简单的规则来通过明确使用设备不匹配来检测癫痫样模式。3.3 测量视角
阐明人类肠道微生物群相互作用，可稳健地抑制不同营养景观跨越不同的梭状芽胞杆菌艰难梭菌菌株
。cc-by-nc-nd 4.0国际许可证未通过同行评审获得证明）是作者/资助者，他已授予Biorxiv授予Biorxiv的许可，以永久显示预印本。它是此预印本的版权持有人（该版本发布于2024年4月17日。; https：//doi.org/10.1101/2024.04.13.589383 doi：Biorxiv Preprint
考虑干热岩热电联产的区域综合能源系统分布式稳健优化调度模型
干热岩储量丰富、分布广泛、绿色低碳，具有广阔的开发潜力与前景。本文提出了一种考虑干热岩热电联产的区域综合能源系统分布式鲁棒优化（DRO）调度模型。首先，在区域综合能源系统引入干热岩增强型地热系统（HDR-EGS），HDR-EGS通过与区域电网和区域热网协调运行，实现热电联产的热电解耦，增强系统风电接入空间。其次，在分时电价背景下，利用价格需求响应指导转移高峰负荷。最后，以区域综合能源系统调度周期内总成本最小化为优化目标，构建了考虑干热岩热电联产的区域综合能源系统DRO调度模型。通过模拟真实的小型区域综合能源系统，结果表明，HDR-EGS可以有效促进风电消纳，降低系统运行成本。
具有有序的热点构造的痕量分析物的有效浓度，用于稳健而敏感的SERS平台
抽象的表面增强拉曼散射（SERS）平台可实现痕量分析物检测，具有重要的应用前景。通过构建/修改SERS底物的表面，可以将高稀释溶液中的分析物集中到局部活性区域中以进行高度敏感的检测。但是，由于制造过程的难度，平衡热点结构和同时平衡分析物的集中能力仍然具有挑战性。因此，制备密集有序的热点和有效浓度能力的SERS底物对于高度敏感的检测具有重要意义。在此，我们提出了AG和氟烷基修饰的分层装甲底物（AG/F-HA），该甲酸盐（AG/F-HA）具有双层堆叠设计，以将分析物浓度与热点结构相结合。微臂结构是通过飞秒激光处理来制造的，以充当超疏水和低粘合剂表面，以浓缩分析物，而阳极氧化铝（AAO）模板会形成纳米虫阵列，可作为密集和有序的热点。在热点和分析物浓度的协同作用下，Ag/f-Ha的检测极限降至10-7 m阿霉素（DOX）分子，RSD为7.69％。此外，AG/F-HA表现出极好的鲁棒性，可抵抗外部干扰，例如液体飞溅或磨损。基于我们的策略，通过对缺陷的微酮阵列进行构图，进一步探索了具有方向分析物浓度的SERS基板。这项工作为在各种情况下的现实实施打开了一种方法。
量子脆弱性分析指导稳健量子计算系统设计
Travis LeCompte 的工作得到了路易斯安那州董事会研究生奖学金的支持。这项工作部分得到了美国国家科学基金会 (NSF) 拨款 OIA-2019511 的支持，部分得到了 NSF 计算探险项目“启用实用规模量子计算 (EPiQC)”的资助，资助金额为 CCF-1730449，部分得到了量子软件定制架构 (STAQ) 的资助，资助金额为 NSF Phy-1818914，部分得到了美国能源部 (DOE) 高级科学计算研究办公室、量子计算加速研究计划的支持，部分得到了 NSF 量子飞跃挑战混合量子架构和网络研究所 (NSF 奖 2016136) 的支持，部分得到了美国能源部科学办公室、国家量子信息科学研究中心的支持，部分得到了陆军研究办公室 (拨款 W911NF-23-1-0077) 的支持，部分得到了橡树岭领导计算设施的支持，该设施是美国能源部科学办公室用户设施，受合同资助DE-AC05-00OR22725。