XiaoMi-AI文件搜索系统
World File Search System评分算法
e2424232024.full.pdf
无菌α和包含1（SARM1）的TIR基序是一种可诱导的NADASE，在损伤后发生的整个神经元和感觉代谢变化都定位于线粒体。在SARM1耗竭或激活后观察到最小的蛋白质组学变化，这表明SARM1不会对神经元蛋白稳态产生广泛的影响。然而，响应损伤和细胞胁迫的整个神经元中是否发生SARM1激活，在很大程度上未知。使用半小动的成像管道和定制的深度学习评分算法，我们研究了混合性性小鼠原发性皮质神经元和男性人类诱导的多能干细胞衍生的皮质神经元的变性，以响应许多不同的胁迫。我们表明，根据压力源，SARM1激活差异限于特定的神经元室。皮质神经元在机械横切后经历SARM1依赖性轴突变性，而SARM1激活仅限于损伤部位远端的轴突室。然而，VACOR处理后的全局SARM1激活会导致细胞体和轴突变性。上下文特异性应激源，例如微管功能障碍和线粒体应力，会诱导轴突SARM1激活，从而导致SARM1依赖性轴突变性和与SARM1无关的细胞体死亡。我们的数据表明，隔室特异性SARM1 - 介导的死亡信号传导取决于损伤的类型和细胞应激源。
通过校准患者特定通路特征，使用预测机器学习模型进行药物反应模拟
图 1. 方法论和方法验证的概念概述。a) 通路活动评分用于训练一个高度预测性的 ML 模型，该模型可区分正常和疾病样本，在热图上分别标记为绿色和红色。b) 接下来，使用药物靶标信息并应用模拟给定药物在通路水平上效果的评分算法来修改疾病样本的通路评分。然后使用训练有素的 ML 分类器评估以前归类为“患病”的修改后的疾病样本现在是否可以归类为“正常”。c) 最后，我们使用现在被归类为正常的疾病样本比例作为代理来识别候选药物，提出联合疗法，并确定新的目标。d) 为了验证该方法，我们首先使用来自 KEGG 和 BRCA-、LIHC- 和 PRAD-TCGA 数据集的通路执行 ssGSEA 以获取样本通路活动得分。 e) 接下来，我们从 DrugBank 和 DrugCentral 获得已知的药物-靶标相互作用，从 Clinicaltrials.gov 和 FDA 批准的药物获得药物-疾病对（即 FDA 批准的药物和针对特定病症的临床试验药物），其中后两者被用作真实阳性（TP）列表。 f) 为了使用通路活性得分模拟上述 TCGA 数据集中患者的药物治疗（即图 1d），我们应用了图 1a-c 中描述的方法，根据治疗的疾病样本比例获得药物排名。最后，我们确定了按我们的方法排名的药物中对三个 TCGA 数据集为真阳性的比例，并将该比例与随机机会进行了比较。
全身性红斑狼疮中静脉血栓栓塞的预测模型的开发和外部验证
具有全身性红斑狼疮（SLE）的抽象客观患者具有静脉血栓栓塞（VTE）的风险增加。我们进行了这项研究，以开发SLE患者VTE的风险评分算法，该患者提供个性化的风险估计。方法，我们根据2009年1月至2020年1月的中国SLE治疗和研究小组队列（CSTAR）开发了4502例SLE患者的VTE临床预测模型，并在2020年1月至2022年1月在CSTAR的3780例SLE患者进行外部验证。基线数据，并在随访期间记录VTE事件。使用多元逻辑回归以及最少的绝对收缩和选择算子，开发了SLE患者6个月内VTE风险的开发。SLE-VTE评分和nom图。结果总共有4502名发育群体中的患者，有135例发生了VTE事件。最终预测模型（SLE-VTE得分）包括11个变量：性别，年龄，体重指数，高脂血症，低脂蛋白血症，c反应蛋白，反应性蛋白，抗β2GPI抗体，狼疮抗凝剂，抗癌药，肾脏参与，肾脏参与，神经系统参与，以及均为0.的范围。 （n = 4502）和外部验证队列（n = 3780）。根据净益处和预测的概率阈值，我们建议对具有SLE的VTE的VTE年度筛查（≥1.03％）患者。结论各种因素与SLE患者的VTE发生有关。拟议的SLE-VTE风险评分可以准确预测VTE的风险，并帮助识别患有可能受益于血栓预防的VTE风险高的SLE患者。
机器学习模型：英语论文文本内容特征提取和自动评分的研究
英语论文是英语学习的关键部分，反映了学生运用英语技能的整体能力。因此，对英语论文的准确评分至关重要[1]。传统的评估方法涉及教师的手动分级，这很耗时，可能无法为每个学生提供个性化评估，尤其是在面对大量学生时[2]。机器学习算法的出现提供了一种自动评分英语论文的方法。自动论文评分的机器学习算法的基本原理是使用大量的预定论文数据集来训练该算法以学习评分模式并将其应用于未知文章。将机器学习应用于自动的英语论文评分可以使评分更加客观和高效，从而节省了教师的时间和精力[3]。但是，在捕获诸如写作样式和上下文之类的主观信息时，将机器学习用于自动评分仍然存在局限性。需要进一步改进算法以说明这些主观元素。McNA-MARA [4]研究了层次分类方法在自动论文评分中的应用，并证明了该方法在论文评分领域的有效性。li [5]提出了一种使用神经网络自动中文论文评分的新模型，该模型应用BERT网络以获取文章的句子向量，然后使用两层双向双向短期内存（BI-LSTM）提取文章向量。实验结果表明，该模型的性能比其他基线方法更好。hao [6]提出了一个加权有限状态自动机系统，并利用了渐进的潜在语义分析来处理大量论文。实验结果验证了系统的有效性。本文简要介绍了用于英语论文的基于XGBoost的自动评分算法，并引入了LSTM语义模型，以从论文中提取语义评分功能，以提高算法的准确性。最后，在模拟实验中，使用五种主题赋予的论文将优化的XGBoost算法与传统的XGBoost和LSTM算法进行了比较。
引用：Kootar S，Huque MH，Kiely KM等。用于开发和验证单个工具以评估中风风险的研究方案，糖尿病
摘要引入了当前减少痴呆症专注于预防和风险降低风险因素，以定位可修改风险因素的努力。作为痴呆症和心脏代谢性非传染性疾病（NCDS）共享风险因素，与常规单方法相比，痴呆症的单个风险估计工具和多个NCD可能具有成本效益，并促进并发评估。这项研究的目的是开发和验证一种新的风险工具，该工具估计个人患痴呆症和其他NCD的风险，包括糖尿病，中风和心肌梗塞。一旦得到验证，可以由公众和全科医生使用。方法和分析确定了来自多个国家的十项高质量队列研究，这些研究符合资格标准，包括大型代表样本，长期随访，有关痴呆症和NCD的临床诊断数据，对四个NCDS的可修改风险因素确认了可修改的风险因素和死亡率数据。将使用来自同伙的汇总数据，其中65％随机分配用于开发预测模型，测试35％。预测因子包括社会人口统计学特征，一般健康风险因素和生活方式/行为风险因素。分布危险模型将评估风险因素对结果的贡献，并调整竞争死亡率风险。将使用预测权重，内部验证的基于点的评分算法，并将评估模型的判别能力和校准。灵敏度分析将包括使用逻辑回归重新计算风险评分。伦理和传播伦理批准由新南威尔士大学人类研究伦理委员会（UNSW HREC；协议号HC200515，HC3413）提供。所有数据均已去识别并牢固地存储在澳大利亚Neuroscience Research的服务器上。研究结果将在会议上介绍，并在同行评审期刊上发表。该工具将作为公共卫生资源访问。知识翻译和实施工作将探讨将工具应用于临床实践的策略。
TAIGET：小分子靶标识别和...
药物发现过程始于确定靶点和明确药物作用机制，以期赢得疾病治疗之战（Vamathevan 等人，2019 年）。药物发现中靶点识别的方法包括虚拟筛选和实验筛选。作为最广泛使用的基于结构的虚拟筛选方法之一，分子对接可以识别查询配体的最可能靶点。有许多流行的对接程序，例如 AutoDock、LeDock、Glide、GOLD 和 DOCK（Lapillo 等人，2019 年；Shahid 等人，2021 年）。为了减少评分偏差，Lee 和 Kim（2020 年）通过对 GOLD、AutoDock Vina 和 LeDock 的评分算法进行排名，构建了一个用于靶点预测的 Web 服务器。为了协助识别草药成分的假定靶点，Zhang 等人利用分子对接程序对草药成分进行分类，以确定可能的靶点。 (2019 ) 使用反向对接方法来预测配体-靶标相互作用。Ma 和 Zou (2021 ) 使用 DOCK 算法开发了一种反向对接程序，以支持将配体与多个蛋白质结构集合对接。然而，对接的优势被严重的缺陷所抵消：对接会产生许多假阳性事件 ( Lyu et al., 2019 )。这是由相对粗糙的搜索算法造成的，例如，蒙特卡洛算法在活性位点生成一个随机的配体初始构型，包括随机构象、平移和旋转；禁忌搜索算法对配体的当前构型进行了一些小的随机更改并对其进行排序 ( Sulimov et al., 2019 )。为了避免假阳性事件，我们之前开发了一种基于贝叶斯-高斯混合模型 (BGMM) 的靶标过滤算法 (Wei et al., 2022)。我们对从 PDB 中的配体结合蛋白晶体结构中提取的配体原子与蛋白质片段之间的相互作用对进行了聚类（发布时间：1995 年 1 月至 2021 年 4 月），发现潜在靶标应满足 ≥ 600 个显著相互作用对，同时它们与所有相互作用对的比例≥ 0.8 (Wei et al., 2022)。我们方法的优势在于，我们不仅考虑了配体和蛋白质之间的主要键，例如氢键、盐桥、疏水接触、卤素键和 π 堆积 (Shaikh et al., 2021)，还总结了配体和蛋白质之间的所有原子接触
授权和监督计划委员会小型...
众议院规则第 X 条第 2(d) 款要求众议院各常设委员会在国会第一届会议 3 月 1 日之前通过并向监督和政府改革委员会和众议院管理委员会提交本届国会的授权和监督计划。以下是第 119 届国会的小企业委员会及其小组委员会的授权和监督计划。委员会将根据第 X 条规定的立法和监督管辖权进行监督和调查，该规则允许委员会调查任何影响小企业的事项。第 X 条第 2(d)(2) 款要求委员会监督计划包括每个委员会管辖范围内的授权已失效但在上一财政年度获得资金的计划或机构的清单，或具有永久授权但在前三届国会中未接受委员会全面审查的计划或机构的清单。委员会未发现符合这些参数的小企业管理局 (SBA) 计划。规则 X 第 2(d)(2) 条还要求对本届国会或下一届国会授权的计划或机构进行描述，以及支持本届国会授权每个此类计划或机构的任何监督，以及在适当情况下修改现有法律以将此类计划或机构从强制性资助转变为自由裁量拨款的建议。委员会可考虑对本授权和监督计划中提到的各种 SBA 计划进行改革和改进。对联邦资本准入计划的监督委员会将对 SBA 和其他向美国企业家提供资本的联邦机构进行听证和调查，其中可能包括以下任何或所有事项，以及本报告提交后提请委员会注意的事项：▪ 资本准入计划在为增长最快的小企业创造就业机会方面的有效性。▪ 贷方是否实现了向小企业贷款和创造就业机会的目标。▪ 资本准入计划对纳税人的风险。 ▪ SBA 对其贷款合作伙伴的监督是否充分，以确保联邦纳税人得到适当的保护。▪ SBA 信息技术管理贷款组合的能力。▪ SBA 规则、法规和指导是否导致有关资本准入计划的决策透明且合理。▪ 评估信用评分算法是否可替代 SBA 及其贷款合作伙伴的个人信用评估。▪ SBA 行使自由裁量权来创建试点计划以及这些计划对纳税人构成的风险，以及是否应限制或取消这种权力。▪ SBA 灾难贷款计划及其监督是否确保小企业能够振兴和重建社区，而不会过度危及联邦纳税人。 ▪ 审查薪资保护计划、经济损失灾难贷款计划和其他与小企业相关的 COVID-19 相关救济计划。