XiaoMi-AI文件搜索系统
World File Search System耗费
删除吗啉结合位点 (DeMOBS) 来评估变体表型的特异性
两种互补方法被广泛用于研究斑马鱼的基因功能：诱导基因突变（通常使用靶向核酸酶，例如 CRISPR/Cas9）和抑制基因表达（通常使用吗啉寡聚体）。这两种方法都不完美。吗啉 (MO) 有时会产生脱靶或毒性相关效应，这些效应可能会被误认为是真正的表型。相反，基因突变体可能会受到补偿，或者由于泄漏（例如使用隐蔽剪接位点或下游 AUG）而无法产生无效表型。当观察到突变体和吗啉诱导的（变形）表型之间的差异时，对此类表型的实验验证将变得非常耗费人力。我们已经开发出一种简单的遗传方法来区分真正的变形表型和由于脱靶效应而产生的表型。我们推测 5′ 非翻译区内的插入/缺失不太可能对基因表达产生显着的负面影响。在 MO 靶位点内诱发的突变将产生吗啉代折射等位基因，从而抑制真正的 MO 表型，同时保留非特异性表型。我们在具有独有合子功能的基因 tbx5a 和具有强烈母体效应的基因 ctnnb2 上测试了这一假设。我们发现吗啉代结合位点内的插入/缺失确实能够抑制合子和母体形态表型。我们还观察到，此类插入/缺失抑制吗啉代表型的能力确实取决于缺失的大小和位置。尽管如此，使母体和合子基因中的吗啉代结合位点发生突变可以确定形态表型的特异性。
致相关人士： 我的侄女是一名因疫苗受伤的儿童……
我们应该感谢那些花时间自愿为公众研究具体事实信息（媒体拒绝向我们提供）的人，感谢他们不遗余力地保护他们的家人。更不用说他们为了保护自己和家人而承受着来自公众甚至伴侣和家人的压力。上帝保佑那些因疫苗伤害而受苦的儿童和家庭。如果你是一名立法者，想象一下你的孩子遭受疫苗伤害，你也会在那里为他们的权利而战。请访问儿童健康防御页面并查看事实。总之，我们要安全。请不要强迫上帝健康的创造物接种任何有毒疫苗（缺乏安全监测和研究），做正确的事。保护您的孩子和家人免受慢性疾病和自身免疫性疾病的侵害。请专注于通过一项法案，就像华盛顿州和新泽西州正在做的那样。我的孩子小的时候我确实给她接种过疫苗，我相信她的医生，因为我认为这是正确的做法。不久之后，我的侄女因疫苗受伤，通过我姐姐耗费数小时的研究，以及这个话题不幸占据了她日常生活的方式，我发现了疫苗还有我们从未听说过的一面。现在人们开始站出来发声。感谢上帝。但是，我并不打算再给我的女儿接种疫苗。我绝不能被强制给我美丽的孩子接种 HPV 疫苗，这种疫苗与大量疫苗伤害有关。我还没有给我的女儿做 MTHFR 缺乏症检测，我计划将来做一次。我的父母来自波兰，这个群体的 MTHFR 缺乏症发病率确实较高。我和我姐姐的 MTHFR 缺乏症检测结果均为阳性，我们俩都患有自身免疫性疾病。我的孩子我的选择感谢您抽出时间，伊丽莎白·罗萨里奥
通过预设消除碱基调用中浪费的计算...
碱基调用是纳米孔测序分析中的一个重要步骤，其中纳米孔测序仪的原始信号被转换成核苷酸序列，即读取。最先进的碱基调用器使用复杂的深度学习模型来实现高碱基调用准确性。这使得碱基调用在计算上效率低下且耗费内存，成为整个基因组分析流程的瓶颈。然而，对于许多应用而言，大多数读取与感兴趣的参考基因组（即目标参考）不匹配，因此在基因组学流程的后续步骤中被丢弃，浪费了碱基调用计算。为了解决这个问题，我们提出了 TargetCall，这是第一个预碱基调用过滤器，以消除碱基调用中浪费的计算。TargetCall 的主要思想是在碱基调用之前丢弃与目标参考不匹配的读取（即脱靶读取）。 TargetCall 由两个主要组件组成：(1) LightCall，一种产生噪声读取的轻量级神经网络碱基调用器，以及 (2) 相似性检查，它通过将这些噪声读取与目标参考进行匹配，将每个噪声读取标记为在靶或脱靶。我们彻底的实验评估表明，TargetCall 1) 将最先进的碱基调用器的端到端碱基调用运行时性能提高了 3.31 倍，同时在保持目标读取方面的高 (98.88%) 召回率，2) 在下游分析中保持高准确率，以及 3) 与以前的工作相比，实现了更好的运行时性能、吞吐量、召回率、准确率和通用性。TargetCall 可在 https://github.com/CMU-SAFARI/TargetCall 获得。
人工智能系统量化自杀指标并识别自杀行为
自杀是全球范围内严重的公共卫生问题，社交媒体和网络平台的兴起为识别和预防自杀行为带来了新的挑战。过去，识别网络帖子中的自杀指标和相关内容依赖于人工版主或心理健康专家手动审查和分类内容。这种手动方法既耗费劳动力，又往往缺乏实时能力，导致无法及时向陷入困境的个人提供支持。此外，网络内容的规模使得传统方法难以处理不断增加的信息量。因此，该项目开发了人工智能系统，源于解决数字时代日益严重的自杀问题的紧迫性，该系统可以以超出人类能力的规模和速度处理数据，使其能够分析大量帖子、识别模式并实时检测潜在的自杀指标。这个提议的人工智能系统能够实时处理和分析大规模数据，从而实现早期发现和及时干预，大大提高自杀预防工作的有效性。主要目的是找到子系统中组件之间的强关联，并比较准确度以构建警报系统。“迟做总比不做好”，受害者可以通过所提出的方法获救并立即开始治疗。此外，这种人工智能系统有望通过为有自杀风险的个人提供更主动和个性化的支持，彻底改变心理健康护理领域。通过不断改进和发展，希望这项技术将在日益互联的世界中发挥拯救生命和促进心理健康的关键作用。
人工智能和机器学习在放射化学中的潜在应用
简介正电子发射断层扫描 (PET) 应用的放射化学是不同专业领域的复杂融合。该领域融合了基础有机化学和分析科学，所有这些都受到及时生产短寿命同位素 ( 11 C、 18 F 和 68 Ga) 的约束，以满足具有足够活度和纯度的医疗需求。总的来说，这些限制使得除了少数小分子之外的所有小分子都无法在动物身上进行研究和/或商业化。虽然本期其他地方将讨论用于进一步研究的新型分子的生成，但放射化学家在放射性示踪剂流程 (方案 1) 中的作用是确定分子中哪个位点最适合标记，确定在该位点标记的理想策略，优化化学反应以有效生产放射性标记产品化合物，最后开发适当的分析技术来验证标记分子的身份和纯度。到目前为止，实现这些目标的主要方法是通过大量的反复试验，耗费大量的时间（包括人力和仪器）和资源。随着人工智能和机器学习中使用的许多工具可供研究人员使用，利用这些工具解决 PET 应用的放射性标记分子生产过程中遇到的问题的潜力越来越大。1 人工智能虽然是一个常用的“流行词”，旨在唤起超人理解系统的能力，但它只是机器表现出的“智能”，通过应用数学和计算机科学算法来评估数据（“机器学习”）和执行决策，模仿动物或人类的“自然智能”。它们并不能取代人类在科学过程中的作用；相反，它们可以被视为方便的“专家”和工具，以补充和增强该领域的化学家。从这个角度来看，我们概述了人工智能在放射化学领域的一些潜在应用。
基于人工智能的软件缺陷预测器：案例研究中的应用和优势
Ayse Tosun 1、Ayse Bener 2、Resat Kale 3 1,2 博阿齐奇大学计算机工程系软件研究实验室（SoftLab），邮编 34342，伊斯坦布尔，土耳其 3 Turkcell 技术公司，盖布泽，伊斯坦布尔，土耳其 1 ayse.tosun@boun.edu.tr，2 bener@boun.edu.tr，3 resat.kale@turkcellteknoloji.com.tr 摘要 软件缺陷预测旨在通过引导测试人员完成软件系统中易出现缺陷的部分来减少软件测试工作量。缺陷预测器被广泛用于组织中以预测缺陷，从而节省时间和精力，作为手动代码审查等其他技术的替代方案。在现实环境中应用缺陷预测模型很困难，因为它需要来自过去项目的软件度量和缺陷数据来预测新项目的缺陷倾向。另一方面，它非常实用，因为它易于应用，可以用更少的时间检测出缺陷并减少测试工作量。我们在一年的时间内为一家电信公司建立了一个基于学习的缺陷预测模型。在这项研究中，我们简要解释了我们的模型，展示了它的收益并描述了我们如何在公司中实施该模型。此外，我们将我们的模型的性能与试点项目中应用的另一种测试策略的性能进行了比较，该项目实施了一种名为团队软件流程 (TSP) 的新流程。我们的结果表明，缺陷预测器可用作新流程实施过程中的支持工具，预测 75% 的代码缺陷，并减少测试时间，而通过代码审查和正式检查表等更耗费劳动力的策略检测到的代码缺陷率为 25%。
使用多个 BCI 任务进行 EEG 解码的联合深度迁移学习
摘要 — 深度学习是 BCI 解码的最新技术。然而，它非常耗费数据，训练解码器需要汇集来自多个来源的数据。来自不同来源的 EEG 数据由于负迁移而降低了解码性能 [1]。最近，迁移学习已被建议作为一种补救措施 [2]，[3]，并成为最近 BCI 竞赛（例如 BEETL [4]）的主题，但在组合来自许多受试者的数据时存在两个复杂因素。首先，隐私得不到保护，因为高度个人化的大脑数据需要共享（并在日益严格的信息治理边界上复制）。此外，BCI 数据是从不同来源收集的，通常用于不同的 BCI 任务，这被认为限制了它们的可重用性。在这里，我们展示了一种联邦深度迁移学习技术，即基于我们之前的 SCSN [1] 工作的多数据集联邦分离-公共-分离网络 (MF-SCSN)，它将隐私保护属性集成到深度迁移学习中以利用具有不同任务的数据集。该框架使用来自不同图像任务的不同源数据集来训练 BCI 解码器（例如，一些数据集包含手和脚，而另一些数据集包含单手和舌头等）。因此，通过引入隐私保护迁移学习技术，我们释放了现有 BCI 数据集的可重用性和可扩展性。我们在 NeurIPS 2021 BEETL 竞赛 BCI 任务上评估了我们的联合迁移学习方法。所提出的架构比基线解码器高出 3%。此外，与基线和其他迁移学习算法相比，我们的方法保护了来自不同数据中心的大脑数据的隐私。
使用多个数据流学习无标签的神经解码器
神经解码领域的最新进展加速了脑机接口的发展，旨在帮助用户完成日常任务，如说话、行走和操纵物体。然而，目前训练神经解码器的方法通常需要大量标记数据，而这些数据在现实环境中可能非常耗费精力或无法获得。一种有趣的替代方法是使用自监督模型，在两个数据流之间共享自生成的伪标签；此类模型在未标记的音频和视频数据上表现出色，但它们在神经解码方面的扩展效果仍不清楚。在这里，我们通过利用多个同时记录的数据流（包括神经、运动和生理信号）来学习没有标签的神经解码器。具体来说，我们应用跨模态、自监督深度聚类来解码脑部记录中的动作；这些解码器与监督和单模态、自监督模型进行了比较。我们发现，与单模态自监督模型相比，在训练期间在两个数据流之间共享伪标签可显著提高解码性能，其准确度接近在标记数据上训练的监督解码器的准确度。接下来，我们开发了在三种模态上训练的解码器，其性能与监督模型相当或略有超过，实现了最先进的神经解码准确度。跨模态解码是一种灵活、有前途的方法，可在没有任何标签的情况下在现实世界应用中实现稳健、自适应的神经解码。
基于结构的虚拟筛选：从传统到人工智能
药物开发过程是制药行业的一大挑战，因为开发一种新药需要耗费大量的时间和金钱。一种广泛使用的减少药物开发过程成本和时间的方法是计算机辅助药物设计 (CADD)。CADD 可以更好地专注于实验，从而减少研究新药所需的时间和成本。在这种情况下，基于结构的虚拟筛选 (SBVS) 是稳健且有用的，也是药物设计最有前途的计算机模拟技术之一。SBVS 试图预测两种分子之间形成稳定复合物的最佳相互作用模式，并使用评分函数来估计配体和分子靶标之间非共价相互作用的力。因此，评分函数是 SBVS 软件成功或失败的主要原因。许多软件程序都用于执行 SBVS，由于它们使用不同的算法，因此使用相同的输入可能会从不同的软件获得不同的结果。在过去十年中，一些研究使用了一种称为共识虚拟筛选 (CVS) 的 SBVS 新技术来提高 SBVS 的准确性并减少在这些实验中获得的假阳性。能够利用 SBVS 的必不可少的条件是目标蛋白质的 3D 结构。已经创建了一些虚拟数据库，例如蛋白质数据库，用于存储分子的 3D 结构。但是，有时无法通过实验获得 3D 结构。在这种情况下，同源性建模方法可以根据蛋白质的氨基酸序列预测其 3D 结构。本综述概述了使用 CADD 执行 SBVS 所涉及的挑战、CADD 工具支持 SBVS 的领域、最常用工具之间的比较以及当前用于减少药物开发过程中的时间和成本的技术。最后，最终考虑证明了在药物开发过程中使用 SBVS 的重要性。
2017-22 年商业计划 - Huntly
主要考虑因素包括：1. Deveron Arts 这个名字不再反映该组织的工作范围。2. 在亨特利成立 21 年以来，Deveron Projects 在该镇的生态环境中占据了可靠的地位。与许多其他机构不同（许多商店已经关闭，银行和邮局减少了服务等），我们一直在稳步发展。我们不仅让该镇成为苏格兰艺术创新的典范，而且多年来，我们慢慢地成为该镇的关键参与者，现在当地人很难想象没有 Deveron Projects 的地方。未来，我们应该专注于具有可衡量影响的长期计划。3. Deveron Projects 已将自己定位为一个关键组织，在苏格兰农村和国际范围内具有独特的社会参与可持续实践模式。我们应该通过批判性话语强调这一点，并在未来使其更加引人注目。4. 我们希望推动艺术超越简单地反思世界和社会问题。我们希望产生具有长期影响的社会变革。因此，有必要保持灵活的计划安排，以适应当地、苏格兰和国际上的变化。5. 与许多其他艺术家驻留计划不同，Deveron Projects 是基于项目的，并且通常包含委托元素；这应该得到更多的认可/认可。每年四个三个月的严格驻留计划已经过时，需要采取更灵活的方法，这既是因为艺术家的需求不断变化，也是因为需要更好的研究和更可持续的项目。6. 我们应该密切关注艺术家的报酬，以保持在苏格兰的领先地位。7. 我们需要找到衡量 Deveron Projects 工作长期影响的其他方法。8. 为每个项目配备影子策展人太耗费资源了。