XiaoMi-AI文件搜索系统
World File Search System粗到
马提尼 3 粗粒度力场：小分子
Martini 粗粒度力场 Martini 3 的最新重新参数化提高了该模型在预测分子动力学模拟中的分子堆积和相互作用方面的准确性。在这里，我们描述了如何在 Martini 3 框架内精确参数化小分子，并提供了一个经过验证的小分子模型数据库。我们特别关注脂肪族和芳香族环状结构的描述，这些结构在溶剂和药物等小分子或蛋白质和合成聚合物等大分子的构成块中普遍存在。在 Martini 3 中，环状结构由使用更高分辨率粗粒度颗粒（小颗粒和微小颗粒）的模型描述。因此，本数据库构成了校准新 Martini 3 小颗粒和微小颗粒尺寸的基石之一。这些模型表现出出色的分配行为和溶剂性能。还捕获了不同本体相之间的可混溶性趋势，从而完成了参数化过程中考虑的一组热力学性质。我们还展示了新的珠子尺寸如何能够很好地表示分子体积，从而转化为更好的结构特性，例如堆叠距离。我们进一步介绍了设计策略，以构建复杂度更高的小分子的 Martini 3 模型。
可转移、可极化的蛋白质粗粒度模型─ProMPT
摘要：由于表示所有原子的计算复杂性，经典分子动力学 (MD) 模拟在原子分辨率（细粒度级别，FG）下对大多数生物分子过程的应用仍然有限。这个问题在具有非常大构象空间的基于蛋白质的生物分子系统存在的情况下被放大，并且具有细粒度分辨率的 MD 模拟具有探索该空间的缓慢动态。文献中当前的可转移粗粒度 (CG) 力场要么仅限于以隐式形式编码环境的肽，要么无法捕获从氨基酸一级序列到二级/三级肽结构的转变。在这项工作中，我们提出了一种可转移的 CG 力场，它明确表示环境，以便对蛋白质进行精确模拟。力场由一组代表不同化学基团的伪原子组成，这些化学基团可以连接/关联在一起以创建不同的生物分子系统。这保留了力场在多种环境和模拟条件中的可转移性。我们添加了可以响应环境异质性/波动的电子极化，并将其与蛋白质的结构转变耦合。非键合相互作用通过基于物理的特征（例如通过热力学计算确定的溶剂化和分配自由能）进行参数化，并与实验和/或原子模拟相匹配。键合势是从非冗余蛋白质结构数据库中的相应分布推断出来的。我们通过模拟经过充分研究的水蛋白系统来验证 CG 模型，这些系统具有特定的蛋白质折叠类型 Trp-cage、Trpzip4、villin、WW-domain 和 β - α - β 。我们还探索了力场在研究 A β 16-22 肽的水聚集中的应用。■ 简介蛋白质分子的生理功能与其相关结构和动力学密切相关。1、2
oracle骨铭文的粗到1个生成模型
由于古老的起源，在出土的甲骨文骨铭文（OBI）中有许多不可或缺的字符，这使伟大的challenges带来了认可和研究。近年来，图像介绍技术取得了显着的进步。但是，这些模型无法适应OBI的唯一字体形状和复杂的文本背景。为了应对这些上述挑战，我们提出了一种使用生成的对抗网络（GAN）恢复受损的OBI的两阶段方法，该方法结合了双重歧视者结构，以捕获全球和局部图像。为了准确恢复图像结构和细节，提出了空间注意机制和新型损失函数。通过将现有OBI和各种蒙版的清晰副本喂入网络中，它可以学会为缺失区域生成内容。实验结果揭示了我们提出的方法完成OBI的有效性。
基于单精度浮点非迭代粗到精配准...
摘要。可变形图像配准是医学图像分析中的关键步骤，用于找到一对固定图像和运动图像之间的非线性空间变换。基于卷积神经网络 (CNN) 的深度配准方法已被广泛使用，因为它们可以快速、端到端地执行图像配准。然而，这些方法通常对具有较大变形的图像对性能有限。最近，迭代深度配准方法已被用来缓解这一限制，其中变换以由粗到细的方式迭代学习。然而，迭代方法不可避免地延长了配准运行时间，并且倾向于在每次迭代中学习单独的图像特征，这阻碍了利用这些特征来促进以后的迭代配准。在本研究中，我们提出了一种用于可变形图像配准的非迭代由粗到细配准网络 (NICE-Net)。在 NICE-Net 中，我们提出了：(i) 单次深度累积学习 (SDCL) 解码器，可以在网络的单次（迭代）中累积学习从粗到细的转换；(ii) 选择性传播特征学习 (SFL) 编码器，可以学习整个从粗到细配准过程的常见图像特征并根据需要选择性传播这些特征。在 3D 脑磁共振成像 (MRI) 的六个公共数据集上进行的大量实验表明，我们提出的 NICE-Net 可以胜过最先进的迭代深度配准方法，而只需要与非迭代方法类似的运行时间。
用于可变形医学图像配准的相关感知粗到精 MLP
可变形图像配准是医学图像分析的基本步骤。最近，Transformer 已用于配准，其表现优于卷积神经网络 (CNN)。Transformer 可以捕获图像特征之间的长距离依赖性，这已被证明对配准有益。然而，由于自注意力的计算/内存负载高，Transformer 通常用于下采样特征分辨率，无法捕获全图像分辨率下的细粒度长距离依赖性。这限制了可变形配准，因为它需要每个图像像素之间精确的密集对应关系。没有自注意力的多层感知器 (MLP) 在计算/内存使用方面效率高，从而可以捕获全分辨率下的细粒度长距离依赖性。然而，MLP 尚未在图像配准中得到广泛探索，并且缺乏对医学配准任务至关重要的归纳偏差的考虑。在本研究中，我们提出了第一个基于相关感知 MLP 的配准网络 (CorrMLP) 用于可变形医学图像配准。我们的 CorrMLP 在新颖的粗到细配准架构中引入了关联感知多窗口 MLP 块，该架构可捕获细粒度多范围依赖性以执行关联感知粗到细配准。对七个公共医疗数据集进行的大量实验表明，我们的 CorrMLP 优于最先进的可变形配准方法。
通过粗到精特征自适应实现跨域目标检测
近年来，基于深度学习的目标检测取得了长足的进步。然而，由于域转移问题，将现成的检测器应用于看不见的域会导致性能大幅下降。为了解决这个问题，本文提出了一种新的由粗到细的特征自适应方法用于跨域目标检测。在粗粒度阶段，与文献中使用的粗糙的图像级或实例级特征对齐不同，采用注意机制提取前景区域，并通过在公共特征空间中多层对抗学习根据其边缘分布进行对齐。在细粒度阶段，我们通过最小化来自不同域但属于同一类别的全局原型的距离来进行前景的条件分布对齐。由于这种由粗到细的特征自适应，前景区域中的领域知识可以得到有效的迁移。在各种跨域检测场景中进行了大量的实验。结果是最先进的，证明了所提出方法的广泛适用性和有效性。
用于粗粒基因调节网络的数据驱动优化方法。
总结系统生物学中的一个主要挑战是了解基因调节网络（GRN）中的各种基因如何共同执行其功能和控制网络动态。在具有数百个基因和边缘的大型网络的情况下，该任务变得极为难以解决，其中许多具有冗余的调节作用和功能。现有的模型减少方法通常需要对动态系统及其响应动力学参数的详细数学描述，而动力学系统通常不可用。在这里，我们提出了一种用于使用基于合奏的数学建模，降低维度降低和通过Markov Chain Monte Monte Carlo方法优化基因的数据驱动的大grn，名为Sacograci的粗粒度大GRN，称为Sacograci。sacograci需要网络拓扑作为唯一的输入，并且可以抵抗GRN中的错误。我们通过合成，基于文学和生物毒素的GRN进行基准并证明其用法。我们希望Sacograci能够增强我们建模复杂生物系统基因调节的能力。
使用粗图>在看不见的环境中的机器人导航
摘要 - 公制占用图广泛用于机器人导航系统中。但是，当机器人被部署在看不见的环境中时，构建准确的度量图会耗时。可以使用粗图直接在以前看不见的环境中直接导航？在这项工作中，我们提出了粗大地图导航器（CMN），这是一个可以使用不同的粗图在看不见的环境中执行机器人导航的导航框架。为此，CMN解决了两个挑战：（1）新颖而现实的视觉观察； （2）粗图上的误差和错位。为了解决在看不见的环境中的新型视觉观测，CMN了解了一个深刻的感知模型，该模型将视觉输入从各个像素空间映射到本地占用网格空间。为了解决粗图上的误差和未对准，CMN使用预测的局部占用网格作为观测值扩展了贝叶斯过滤器，并直接在粗图上保持信念。使用最新信念，CMN提取了全球启发式向量，该向量指导计划者找到本地导航行动。经验结果表明，CMN在看不见的环境中实现了高导航的成功率，明显优于基准，并且对不同的粗图形具有鲁棒性。
用于增强全脑分割的曲率引导粗到精框架
摘要。全脑分割是将整个脑体积划分为解剖标记的感兴趣区域 (ROI)，是脑图像分析中的关键步骤。传统方法通常依赖于复杂的管道，这些管道虽然准确，但由于其复杂性而耗时且需要专业知识。或者，端到端深度学习方法提供快速的全脑分割，但通常会由于忽略几何特征而牺牲准确性。在本文中，我们提出了一种新颖的框架，将以前由复杂的基于表面的管道使用但被基于体积的方法忽略的关键曲率特征集成到深度神经网络中，从而实现高精度和高效率。具体而言，我们首先训练一个粗略的解剖分割模型，重点关注高对比度组织类型，即白质 (WM)、灰质 (GM) 和皮层下区域。接下来，我们使用 WM/GM 接口重建皮质表面，并计算表面上每个顶点的曲率特征。然后将这些曲率特征映射回图像空间，在那里它们与强度特征相结合以训练更精细的皮质分割模型。我们还简化了皮质表面重建和曲率计算的过程，从而提高了框架的整体效率。此外，我们的框架非常灵活，可以将任何神经网络作为其主干。它可以作为即插即用组件来增强任何分割网络的全脑分割结果。在公共 Mindboggle-101 数据集上的实验结果表明，与各种深度学习方法相比，分割性能有所提高，速度相当。