凝热蛋白是一种从嗜酸藻植物,如钙毛状植物,钙牛乳核酸蛋白钙牛乳卷和属于Asclepiadaceae家族的Asclepias currasavica等药理学活性化合物。所有这些植物都被认为是亚洲国家使用的医学传统植物。凝热蛋白被鉴定为高度有效的甲烯醇,具有与心脏糖苷相似的化学结构(例如高氧蛋白和二毒素)。在过去的几年中,频率更高的频率频率报道了甲苯酚糖苷的细胞毒性和抗肿瘤作用。在心脏中,钙洛宁被确定为最有前途的药物。在这项更新和全面的综述中,我们旨在分析和讨论癌症治疗中热毒素的特异性机制和分子靶标,以打开辅助治疗不同类型癌症的新观点。在临床前药理研究中,使用癌细胞系和体内在实验动物模型中对临床前药理研究进行了广泛的研究,这些实验动物模型靶向抗肿瘤机制和抗癌信号传导途径。从科学数据库中获得了来自专业文献的分析信息,直到2022年12月,主要来自PubMed/Medline,Google Scholar,Scopus,Scopus,Web of Science和Science Direct Direct数据库,并使用特定的网格搜索术语。我们的分析结果表明,钙罗蛋白钙蛋白酶可能是癌症药物治疗管理中潜在的化学治疗/化学预防辅助剂。
摘要:交通运输部门占尼日利亚能源消耗的 70% 以上。过去 20 年来,该部门一直是化石燃料的主要消耗者。本研究基于尼日利亚六个代表不同地理和气候条件的地点的可再生能源 (RE) 来源的可用性,研究了电动汽车 (EV) 充电方案的技术和经济可行性。使用具有网格搜索和专有无导数优化技术的 HOMER Pro ® 微电网软件来评估拟议的 EV 充电方案的可行性。位于索科托的 PV/WT/电池充电站拥有两个 WT、174 kW PV 板、380 个电池存储和 109 kW 转换器,提供最佳经济指标,其中 NPC、电力成本和初始成本最低,分别为 547,717 美元、0.211 美元/kWh 和 449,134 美元。最佳充电方案能够可靠地满足大部分电动汽车充电需求,因为它只占未满足负载的一小部分,与其他充电站的相应值相比,这一比例最低。此外,所有 6 个地点的最佳充电系统都能够以最长的正常运行时间充分满足电动汽车充电需求。进行了敏感性分析,以检查最佳充电方案的稳健性。该敏感性分析表明,最佳充电站的技术和经济性能指标对敏感性变量的变化很敏感。此外,结果确保了可再生能源和电动汽车的混合系统可以最大限度地减少碳和其他污染物的排放。本研究的结果和发现可以由所有相关方实施,以加速电动汽车不仅在尼日利亚,而且在非洲大陆其他地区和世界其他地区的发展。
摘要:骨髓是许多与血液相关疾病的来源,例如血液癌和骨髓移植(BMT),也称为造血干细胞移植(HSCT),是一种挽救生命的手术程序。但是,这种治疗与死亡率高有关。因此,预测BMT后的生存对于有效而准确的治疗至关重要。BMT被认为是由于几个主要的死亡原因(例如感染,毒性和移植物抗宿主病(GVHD))引起的与治疗相关的死亡率。此外,几个危险因素会影响BMT和治疗后的长期生存的成功。因此,需要基于机器学习技术的预测系统,该技术可以预测患者是否在BMT之后生存,这绝对可以帮助医生在为患者进行手术之前做出正确的决定。在本文中,使用了加利福尼亚大学Irvine ML存储库(UCI ML存储库)的公开可用的BMT数据集,研究了不同的机器学习模型,以预测经过BMT治疗的儿童的生存状况。尤其是随机森林(RF),包装分类器,极端梯度提升(XGBOOST),自适应增强(Adaboost),决策树(DT),梯度提升(GB)和K-Nearest Neighbors(KNN)在给定的数据集上进行了培训。数据集在应用一系列预处理步骤并根据相关热图上删除多重共线性特征后,由45个变量组成。RF,Adaboost,GB和Baging技术的最佳准确度达到97.37%。然后,应用了功能工程和建模步骤来识别最重要的功能,然后使用机器学习模型来简化整体分类过程。重要的是要注意,DT和GB获得的最重要特征分别最适合训练包装分类器和KNN模型。除此之外,还将使用网格搜索交叉验证(GSCV)优化了两种方法,以提高生存预测的准确性。
图1描绘了使用标记数据训练以预测材料特性的典型监督ML模型。此类ML模型的主要组成部分是(a)定义问题(b)数据采集并选择适当的特征空间,(c)数据处理或探索性数据分析(EDA)和(d)使用合适的算法培训和验证该模型。尽管有许多开源材料数据库,但与数据科学的其他领域相比,数据由不同的类别组成,每个类别的数据相对有限。在大多数实验数据中,研究是在不同的实验条件下进行的,因此数据取决于温度,时间,湿度,原始化学物质等各种对照参数。选择数据后,下一个关键挑战是选择材料的适当功能集(指纹),以用目标属性映射。诸如Pymatgen [12],Matminer [13],原子模拟环境(ASE)[14],DSCRIBE [15]等的开源库[13]等。对于分子和材料的不同位点,键和全局(晶格)特征非常有用。EDA包括验证任何异常值,将丢失的数据推出,将对象类型参数编码为数字类型,检查数据中的任何重复副本等。一旦数据准备就绪,为给定问题选择特定算法是另一个挑战,它应该考虑不同的因素,例如数据的大小,特征空间,问题的复杂性等。如果选择有限的数据点(例如深度学习算法)(高方差)模型(高方差)模型,则可能导致过度拟合。训练模型的解释性是了解最归因于总体预测的特征的另一个重要因素[16]。可以使用超参数调谐方法(如随机搜索交叉验证和网格搜索交叉验证)进一步调整模型的精度。
摘要 — 提高心脏病检测方法的精确度对于减少与诊断过程相关的昂贵医疗费用至关重要。从医疗数据中提取模式可以解开关联以改进心脏病诊断技术。本研究旨在构建一个高效的机器学习模型,作为医疗决策支持系统的可靠组成部分。研究了七种不同的机器学习模型,包括逻辑回归、支持向量分类器、K 最近邻 (KNN)、随机森林、决策树、朴素贝叶斯和梯度提升分类器,这些模型被全面探索用于心脏病分类。这些算法的超参数优化涉及三种技术:网格搜索、随机搜索和贝叶斯搜索。对每个模型性能的评估包括测量特异性、敏感性和 F1 分数,利用来自三个医疗诊所(克利夫兰、Statlog、匈牙利)的具有 12 个属性和 1189 个观测值的数据集。特征选择方法包括包装方法、嵌入方法卡方和方差分析,用于识别高度相关的特征,最终将数据的维度降低到 7 个特征。评估过程采用 10 倍交叉验证,表明随机森林模型实现了最高平均准确率 92.85%,超过了之前报告的 86.9%。此外,10 倍交叉验证确保了模型的可靠性和对数据不平衡的弹性。基于集成的方法再次证明了随机森林在诊断心脏病方面的卓越性能,准确率高达 94.96%。总之,这种开发的模型在心脏病分类中表现出可靠性,并为医疗应用提供了一种有前途的解决方案,可以有效地降低诊断成本和时间限制。关键词——应用机器学习、冠心病、随机森林
识别和储层相的表征是划定用于碳氢化合物勘探的储层的碳氢化合物区域的主要因素。地球物理日志是在钻孔附近测量的储层相的物理参数,在储层相的解释中起着至关重要的作用。本研究涉及使用地球物理原木上的机器学习(ML)技术在坎贝盆地中岩石BEL的岩性的识别。机器学习的监督技术,例如支持向量机(SVM),ARTI B CIAL神经网络(ANN)和K-Nearest邻居(KNN),用作非线性地球体物理原木岩性学的识别的非线性分类。使用网格搜索交叉验证(CV)方法优化了ML模型的超参数,如ConfusionMatrix评估,auctreceiver操作特性曲线(AUC),精度,召回和F1分数对促进性的促进症状效果。ML模型使用了两个井的地球物理参数,其中有四个已知的杰出岩性(class-a,class-b,class-c和class-c和class-c和class-c和class-c和class-class-c和class-class-class-c和class-class-class)。分别从混淆矩阵中分别为KNN,SVM和ANN的每个岩性的优化和训练的模型,分别以85.4%,87.0和88.9%的形式显示了对真实值的总体正确预测。因此,每个模型从评估参数中的准确性表明,对不同ML模型的组合分析选择优化的ML模型,以更好地实现和验证,以更好地实现和建模岩性。除此之外,接收器手术特征(ROC)还表明,每种岩性的曲线下的整体面积大于90%,其他评估参数(例如精度,回忆和F1得分)的准确性大于84%,除了SVM和ANN类C类D类和Ans类D类案例外。
糖尿病是一种与血糖水平升高有关的持续代谢疾病,被称为血糖。随着时间的流逝,这种情况会对心脏,血管,眼睛,肾脏和神经产生不利影响。这是一种慢性疾病,当人体无法产生足够的胰岛素或无法有效使用其胰岛素的胰岛素时会产生。当糖尿病无法得到适当治疗时,通常会导致高血糖,这种疾病的特征是血糖水平升高或葡萄糖耐受性受损。这可能会对各种身体系统(包括神经和血管)造成重大伤害。在本文中,我们建议使用医学城医院数据动态实验室极度不平衡的实验室进行多类糖尿病检测和分类方法。我们还制定了一个新的数据集,该数据集是根据医疗城医院数据动态实验室中等不平衡的。要正确识别多类糖尿病,我们采用了三个机器学习分类器,即支持向量机器,逻辑恢复和k-nearest邻居。我们还专注于降低维度(功能选择 - 窗口,包装器和嵌入式方法),以修剪不必要的特征并扩大分类性能。要优化分类器的分类性能,我们通过超参数优化使用10倍网格搜索交叉验证来调整模型。通过根据基于包装器的顺序特征选择使用前9个功能,K-Nearest邻居为其他性能指标提供了0.935和1.0的精度。对于原始的极度不平衡数据集(具有70:30的分区和支持向量机分类器),我们达到了0.964的最高准确性,精度为0.968,召回0.964,F1得分为0.962,Cohen Kappa为0.835,为0.835和0.99的COHEN KAPPA和0.99的UC和0.99的uc auc of Top 4 Fift top 4 Feater fip Top 4功能。对于我们创建的具有80:20分区的中等不平衡的数据集,SVM分类器可实现0.938的最大精度,而对于其他性能指标,则可实现1.0。对于多类糖尿病的检测和分类,我们的实验表现优于医学城医院数据动力学实验室的研究。
摘要背景我们的研究目的是使用系统性的网格搜索对急诊科分类的患者的重大不良心脏事件(MACE)的早期预测,设计和评估人工神经网络(ANN)模型。方法这是一项使用电子健康记录从2017年1月到1220年的单中心横断面研究。研究人群由成年人组成,来到我们在阿加汗大学医院的急诊科分类。住院期间的狼牙棒是主要结果。使用分诊数据增强ANN的体系结构,我们使用了系统的网格搜索策略。使用了四个隐藏的ANN层,然后使用外层。遵循每个隐藏层是返回归一化和辍学层。mace:ANN,随机森林(RF)和逻辑回归(LR)。检查了这些模型的总体准确性,灵敏度,特异性,精度和回忆。使用接收器操作特征曲线(ROC)和具有95%置信区间的F1分数评估每个模型。结果在研究期间总共记录了97,333次急诊就诊,其中33%的患有心血管症状的患者。平均年龄为54.08(19.18)岁。在23,052例(23.7%)的患者中观察到了狼牙棒,在10,888例(11.2%)患者中,住院(长达30天)的死亡率和5483例(5.6%)患者的心脏骤停。用于培训和验证的数据分别为80:20的比例为77,866和19,467。ANN的MACE的AUC分数为0.97,大于RF(0.96)和LR(0.96)。同样,使用ANN的MACE的Precision-Recall曲线更大(RF为0.94 vs. 0.93,LR为0.93)。使用ANN,RF和LR分类器对MACE预测的敏感性分别为99.3%,99.4%和99.2%,特异性分别为94.5%,94.2%和94.2%。结论何时使用分类数据来预测MACE,死亡和心脏骤停时,具有全身网格搜索的ANN可以提供精确而有效的结果,并将受益于预测具有有限资源的急诊室中必须处理大量患者的MACE。关键词人工智能,急诊医学,心脏骤停,主要不良心血管事件,验证研究
nogy,纳米材料必须通过不受任何影响其特性的快速和可扩展过程来综合。为了应对这一挑战,我们和其他人最近报道了Graphene的合成,[1-3],以及混合相的MOS 2和WS 2,[4]高渗透合金NPS,[5,6] Nanodiamond,[7],[7]和其他纳米酸盐和其他纳米型使用电热闪光灯闪光灯焦耳热热效应。在电气放电期间产生的强烈黑体辐射后,石墨烯产品称为“闪光石墨烯”。闪光焦耳加热允许非晶碳的转化,包括诸如碎石橡胶轮胎等废物,[8]来自塑料回收的灰烬副产品,[9]或垃圾填充级混合塑料废物,[10] [10]到石墨烯晶体中。此外,闪光石墨烯晶体是涡轮形成的,并且沿C轴表现出不同程度的层到层的不良方向。[1]这种涡轮质石墨烯构成纳米结构依赖性的物质,包括表面活性剂溶液中的增强溶解度[1]和改变的带结构。[11]焦耳加热过程的可扩展性和环境友好性,以及合成产品的涡轮质性质,使Flash Joule加热一种有趣的合成技术,可带来进一步的研究和分析。尽管Flash Joule加热具有巨大的实用性,但本质上很难研究。闪光石墨烯的形式过程仅在数百毫秒内发生。这些波动很难通过实验控制,这使得它在传统的网格搜索中对映射过程 - 结构 - 专业关系的关系充满挑战。例如,Tang等。更重要的是,当前的闪光灯加热反应器在当前的放电轮廓上不提供控制,从而向每种反应增加了随机元素,这取决于电路向样本接触的瞬时波动。由于这些因素,在闪光灯加热过程中驱动大量纳米晶体形成的参数仍然模棱两可。同时,新兴的文献体系表明机器学习(ML)是材料科学基础研究的强大工具。[12–18]虽然ML经典地考虑了一种用于预防过程故障的工业工具,但使用ML询问大型参数空间可以在低时期内对新技术产生见解。使用ML探索过程 - 结构 - 专业关系 - 管理良好理解过程的船只,例如化学蒸气沉积和量子点综合,并根据其结果争论,ML将使研究人员能够研究
董事,尼日利亚港口大学bourdillon.omijeh@uniport.edu.ng摘要的摘要准确的温室气体预测(GHG)排放对于解决气候变化和指导有效的缓解策略至关重要。我们开发并测试了高级技术,以改善时间序列的温室气体排放预测,以解决现有模型的局限性。我们的研究探索了各种算法,包括Arima,Sarima,ETS,先知和TBAT,以确定最有效的方法,用于捕获尼日利亚河流Harcourt港特有的温室气体数据中复杂的季节性和非线性模式。我们使用ADF和KPSS测试测试了时间序列的平稳性。使用网格搜索和Akaike信息标准(AIC)优化了其处理趋势和季节性组件的能力和季节性组件的能力。然后,我们将其与Arima,Sarima,Prophet和TBATS模型进行了比较。ETS模型的表现优于其他模型,在观察到的数据的95%置信区间内预测了CO₂值,平均绝对误差(MAE)为14.82,而根平方误差(MSE)为18.91。这项研究标志着温室气体排放预测的重大进步,强调了调整模型在环境科学中的实践价值及其与政策决策的相关性。未来的工作应着重于完善这些模型以实时使用,以确保计算效率和预测精度之间的平衡,以为决策者和环境科学家提供可行的见解。关键字:时间序列,发射,温室气体,预测,指数平滑。简介预期温室气体(GHG)排放对于制定有效减轻气候变化的策略至关重要。2023年,国际能源局(IEA)报告说,全球能源相关的二合作的排放量增长了1.1%,达到创纪录的37.4 gigatonnes(GT)(GT)(IEA,2023年)。这强调了气候缓解当局深入了解当前和未来排放趋势的重要性,以开发和实施有效的对策。本文回顾了用于温室气体排放预测的预测模型和算法,检查了其优势和缺点,如先前的研究中所强调的那样。重点是了解对这些低效率的研究如何指导预测准确性的改善。温室气体(温室气体)是捕获并重新发射红外辐射的大气气体,导致温室效应。尽管这种作用对于维持生命的温度至关重要,但人类活动(例如燃烧化石燃料和森林砍伐)却显着增加了温室气体排放,导致全球变暖和气候变化(英国地质调查,2023年)。二氧化碳(CO₂),主要的温室气体,主要是通过燃烧化石燃料(例如煤炭,石油和天然气)以及工业