XiaoMi-AI文件搜索系统
World File Search System阶图
图S1
（a）使用SUP-B15 Cas9单克隆，SGRNA库的慢病毒转导效率。（b）使用KOPN-8 CAS9单个克隆在CRISPR屏幕的“初始”和“最终”点收集的NGS样品中SGRNA读数的分布。（c）使用SUP-B15 Cas9单个克隆在CRISPR屏幕的“初始”和“最终”点收集的NGS样品中SGRNA读数的分布。（d）使用KOPN-8 CAS9单个克隆在CRISPR屏幕上收集的NGS样品的PCA分析。（E）使用SUP-B15 Cas9单个克隆在CRISPR屏幕的“初始”和“最终”点收集的NGS样品的PCA分析。（f）使用KOPN-8 CAS9单个克隆，针对CRISPR屏幕中36个RNA和DNA甲基化机械基因的SGRNA的CRISPR得分。CRISPR得分已针对阴性对照SGRNA的平均得分进行标准化（设置为0.0）。（g）使用SUP-B15 Cas9单克隆，针对CRISPR筛选中36个RNA和DNA甲基化机械基因的SGRNA的CRISPR得分。CRISPR得分已针对阴性对照SGRNA的平均得分进行标准化（设置为0.0）。（h）在KOPN-8 CAS9克隆＃2中靶向Znf217的25个SGRNA的计数。（i）读取针对SUP-B15 Cas9克隆＃1中Znf217的25个SGRNA的计数。（j）读取25个针对Znf217的SGRNA的计数，SUP-B15 Cas9克隆＃2。（k）ZnF217在不同的B-ALL亚型和健康的骨髓中的表达。Znf217表达数据来自白血病（MILE）研究的微阵列创新（登录GSE13159）。n = 70，MLL-R; BCR-ABL1 n = 122; n = 237，类似于bcr- abl1； n = 40用于高二倍体； TCF3-PBx1的n = 36; ETV6-RUNX1的n = 58; n = 73用于健康的BM。使用两尾t检验计算p值。** p <0.01; *** p <0.001。
通过基于组件的降阶模型库实现数据驱动的基于物理的数字孪生
这项工作提出了一种方法，将基于组件的降阶模型库与贝叶斯状态估计相结合，以创建数据驱动的基于物理的数字孪生。降阶建模产生的基于物理的计算模型足够可靠，可用于预测数字孪生，同时仍然可以快速评估。与传统的整体模型降阶技术相比，基于组件的方法可以有效地扩展到大型复杂系统，并为快速模型自适应提供灵活且富有表现力的框架——这两者都是数字孪生环境中的关键特性。数据驱动的模型自适应和不确定性量化被表述为贝叶斯状态估计问题，其中传感器数据用于推断模型库中的哪些模型是数字孪生的最佳候选者。通过为 12 英尺翼展无人机开发数字孪生来展示这种方法。离线时，我们构建了一个原始和受损飞机部件库。在线时，我们使用结构传感器数据快速调整基于物理的飞机结构数字孪生。数据驱动的数字孪生使飞机能够根据结构损坏或退化动态地重新规划安全任务。
分数阶薛定谔方程中双曲势的量子信息熵
摘要：本文通过计算位置熵和动量熵，研究了分数阶薛定谔方程（分数阶导数（0 < n ≤ 2））中两个双曲单阱势的 Shannon 信息熵。我们发现，随着分数阶导数 n 的减小，波函数会向原点移动；在分数阶体系中，即当 n 值较小时，位置熵密度局域化程度越来越严重，而动量概率密度非局域化程度越来越高。然后，我们研究了 Beckner Bialynicki-Birula–Mycieslki（BBM）不等式，发现虽然该不等式随着双曲势 U 1 （或 U 2 ）的深度 u 的增加而逐渐减小（或增大），但 Shannon 熵对于不同的深度 u 仍然满足该不等式。最后，我们还进行了 Fisher 熵的计算，发现 Fisher 熵随势阱深度 u 的增加而增大，分数阶导数n减小。
根据图统计信息生成神经图
我们描述了一种从聚合图统计数据（而不是图邻接矩阵）学习深度图生成模型 (GGM) 的新设置。匹配观察到的训练图的统计数据是学习传统 GGM（例如 BTER、Chung-Lu 和 Erdos-Renyi 模型）的主要方法。隐私研究人员已提出从图统计数据中学习作为保护隐私的一种方式。我们开发了一种架构来训练深度 GGM 以匹配统计数据，同时保留局部差异隐私保证。对 8 个数据集的实证评估表明，当两者都仅从图统计数据中学习时，我们的深度 GGM 比传统的非神经 GGM 生成更逼真的图。我们还将仅在统计数据上训练的深度 GGM 与在整个邻接矩阵上训练的最先进的深度 GGM 进行了比较。结果表明，图统计数据通常足以构建具有竞争力的深度 GGM，该深度 GGM 可生成逼真的图，同时保护本地隐私。
