XiaoMi-AI文件搜索系统
World File Search SystemAggregation
优化α-突触核蛋白聚集中二级成核的小分子抑制剂
帕金森氏病是最普遍的神经退行性运动障碍（Poewe等，2017； Dorsey等，2018； Balestrino和Schapira，2020； Aarsland等，2021）。Although its pathogenesis involves a wide range of pathways and mechanisms, including mitochondrial dysfunction, oxidative stress, calcium dyshomeostasis, impairment of axonal transport and neuroin fl ammation, a major histopathological hallmark of the disease is the presence of α -synuclein aggregates known as Lewy bodies ( Spillantini et al., 1997 ; Spillantini等，1998）。这些聚集体通过复杂的动力学过程形成，该过程涉及相互交织的微观步骤（Knowles等，2009； Buell等，2014）。在通常由脂质膜催化的过程中，最初是从单体前体从单体前体到原代成核形成的小寡聚组件（Galvagnion等，2015; Flagmeier等，2016; Galvagnion et al。，2016）。最初被无序的低聚物可以转化为有序形式（Cremades等，2012），它们可以通过单体依赖性伸长来长成长纤维（Knowles等，2009; Buell等，2014; Galvagnion; Galvagnion et al。这些纤维的存在可以催化新的寡聚组件的形成，在负责α-突核蛋白沉积物快速增殖的自催化过程中（Knowles等，2009; Buell等，2014; Galvagnion; Galvagnion et al。此过程被称为二级成核，因为它取决于已经形成的淀粉样蛋白纤维的存在，并且通常比原代成核更快。由于α-突触核蛋白的聚集是细胞毒性的，特别是通过寡聚中间体的形成（Winner等，2011; Fusco et al。，2017; Cascella等，2021），
应用人工智能作为工具和数据聚合来提高农业生产力
坦桑尼亚 (AI4Agric) 深度学习技术用于作物病害的早期检测 作物病害对农业产量管理造成重大问题，并对粮食安全构成重大威胁。再加上无法正确诊断作物病害的信息不足，可能导致重大经济损失和产量低下。然而，由于缺乏必要的基础设施，在包括坦桑尼亚在内的世界许多地方，迅速识别疾病仍然是一项艰巨的任务。玉米和香蕉是重要的主食和经济作物，主要由小农户生产，非洲湿润和半湿润热带地区有超过 7000 万人种植玉米和香蕉。尽管这些作物对家庭粮食安全和生存至关重要，但它们在很大程度上受到疾病的影响，尤其是玉米的致死性坏死病和玉米条纹病以及香蕉的黑叶斑病和镰刀菌枯萎病 1 号。自动检测和量化植物病害将使植物育种取得更快进展，并更快地侦察农民的田地。然而，训练深度学习模型以从田间拍摄的图像中准确检测出特定疾病需要大量人工生成的训练数据。由于非洲缺乏公开可用的数据集来促进机器学习活动，该项目建议生成玉米和香蕉图像的数据集，并开发用于早期检测农作物疾病的深度学习技术。
DNA-eval：通过分解和聚合增强大语模型评估
大型语言模型（LLMS）研究的加速度为评估生成的文本开辟了新的可能性。尽管LLM是可扩展和经济的评估者，但这些评估者的可靠性仍然不足。在法官将LLM的提示限制为单一用途以获得最终评估决定时，在元评估中进行了元评估。 然后，他们计算LLMS的输出和Human标签之间的一致性。 这缺乏理解LLM的评估能力的解释性。 鉴于这一挑战，我们提出了DNA-eval，它将评估过程分解为基于教学实践的分解和聚集阶段。 我们的实验表明，它不仅为LLMS评估的评估提供了一个更容易解释的窗口，而且还可以在各种元评估台上的不同LLM中改善高达39.6％的窗口。在元评估中进行了元评估。然后，他们计算LLMS的输出和Human标签之间的一致性。这缺乏理解LLM的评估能力的解释性。鉴于这一挑战，我们提出了DNA-eval，它将评估过程分解为基于教学实践的分解和聚集阶段。我们的实验表明，它不仅为LLMS评估的评估提供了一个更容易解释的窗口，而且还可以在各种元评估台上的不同LLM中改善高达39.6％的窗口。
OPSA：带有TEE的有效且可验证的一通安全聚合用于联合学习
摘要 - 在联合学习，安全的聚合（SA）促成（S＆P'23）和Lerna（Asiacrypt'23）等诸如恶意模型中已实现了有效的多轮SA。但是，他们的每一轮聚合需要至少三个客户服务器往返通信，并且缺乏对聚合结果验证的支持。可验证的SA方案，例如Versa（TDSC'21）和Eltaras等。（TIFS'23），根据服务器不与任何用户相关的安全性假设提供可验证的聚合结果。尽管如此，这些方案会产生高沟通成本，并且缺乏对有效的多轮聚合的支持。完全在SEAR中（TDSC'22）中完全在受信任的执行环境（TEE）中执行SA，可以保证隐私和可验证的聚合。但是，T恤中的有限物理内存带来了重要的计算瓶颈，尤其是在汇总大型模型或处理众多客户时。在这项工作中，我们介绍了OPSA，这是一种基于TEE的多轮安全聚合框架，以实现有效的通信，简化的计算和可验证的聚合。OPSA采用了一种新的策略，可以在TEE中揭示共享键，并实例化两种类型的掩盖方案。 此外，结果验证模块设计为与在OPSA框架下实例化的任何类型的SA协议兼容，并且安全性假设较弱。 与最先进的方案相比，OPSA在多轮聚集中达到了2个〜10×速度，同时也支持结果验证。OPSA采用了一种新的策略，可以在TEE中揭示共享键，并实例化两种类型的掩盖方案。此外，结果验证模块设计为与在OPSA框架下实例化的任何类型的SA协议兼容，并且安全性假设较弱。与最先进的方案相比，OPSA在多轮聚集中达到了2个〜10×速度，同时也支持结果验证。OPSA对具有高网络延迟和大规模模型聚合的方案更友好。
鹿角珊瑚组织内内生菌的差异聚集模式
预印本（未经同行评审认证）是作者/资助者。保留所有权利。未经许可不得重复使用。此版本的版权所有者于 2024 年 12 月 20 日发布。；https://doi.org/10.1101/2024.12.17.629048 doi：bioRxiv 预印本
使用信号推导和聚合功能的基于电动机的大脑计算机接口
摘要 - 大脑计算机接口（BCI）技术是人脑和外部设备之间通信的流行方法。BCI最受欢迎的方法之一是运动图像（MI）。在BCI应用中，电型图（EEG）是对脑动力学的非常流行的测量，因为其无创性质。尽管对BCI主题具有很高的兴趣，但由于在EEG信号中执行模式识别任务的困难，现有系统的性能仍然远非理想。这种困难在于选择正确的脑电图通道，这些信号的信号噪声比以及如何辨别它们之间的冗余信息。BCI系统由多种组件组成，这些组件可以执行信号预处理，特征提取和决策。在本文中，我们定义了一个新的BCI框架，称为增强的融合框架，我们提出了三种不同的想法来改善现有的基于MI的BCI框架。首先，我们包括信号的附加预处理步骤：EEG信号的差异化，使其具有时间不变。其次，我们添加了一个额外的频带作为系统的特征：感觉运动节奏频段，并显示了它对系统性能的影响。最后，我们对如何在系统中做出最终决定做出了深入的研究。我们提出了多达六种类型的不同分类器和广泛的聚合函数（包括经典聚合，Choquet和Sugeno积分及其扩展和重叠函数）的用法来融合所考虑的分类器给出的信息。我们已经在20名志愿者的数据集上测试了这一新系统，该数据集执行基于运动图像的脑部计算机接口实验。在此数据集上，新系统达到了88。精度的80％。我们还提出了一个最高可获得90％占76％的系统的优化版本。此外，我们发现这对choquet/sugeno积分和重叠功能是提供最佳结果的功能。
由 FUS 的种子聚集和扩散引起的额颞叶痴呆样疾病进展
© 作者 2024。开放存取本文根据知识共享署名 4.0 国际许可进行授权，允许以任何媒体或格式使用、共享、改编、分发和复制，只要您给予原作者和来源适当的信任，提供知识共享许可的链接，并指明是否做了更改。本文中的图片或其他第三方资料包含在文章的知识共享许可中，除非资料的致谢中另有说明。如果资料未包含在文章的知识共享许可中，且您的预期用途不被法定规定允许或超出允许用途，则需要直接从版权所有者处获得许可。要查看此许可证的副本，请访问 http://creativecommons.org/licenses/by/4.0/。知识共享公共领域贡献豁免（http://creativecom‑mons.org/publicdomain/zero/1.0/）适用于本文中提供的数据，除非数据来源中另有说明。
ASC 炎症小体适配器控制炎症性淀粉样变性中 SAA 衍生的蛋白质聚集
炎症相关淀粉样蛋白 A (AA) 淀粉样变性发生在一系列慢性疾病中，包括炎症性肠病、结核病、肝炎、遗传性炎症性疾病（如家族性地中海热）、癌症以及自身免疫性疾病，如类风湿性关节炎和血管炎 (Brunger et al, 2020 ; Lee et al, 2020 ; Papa and Lachmann, 2018 )。在这些情况下，细胞因子会刺激肝细胞合成并分泌血清淀粉样蛋白 A (SAA) 进入血液。在急性期反应期间，血清 SAA 可从基线浓度增加 1000 倍 (Sack, 2018 ; Ye and Sun, 2015 )。血清中 SAA 含量持续过高会妨碍其正常加工和清除，导致聚集的 AA 纤维成核和 AA 淀粉样蛋白的系统性沉积。淀粉样蛋白在脾脏、肾脏、肝脏和心脏中的沉积可能非常大，并导致危及生命的组织完整性破坏 (Chamling 等人，2021 年；Dubrey 等人，1996 年；Westermark 和 Westermark，2009 年)。越来越多的证据表明，先天免疫在蛋白质错误折叠疾病 (PMD) 的发病机制中发挥着重要作用 (Aguzzi，2022 年；Anders 和 Muruve，2011 年；Heneka 等人，2015 年；Heneka 等人，2014 年；Jang 等人，2019 年)。衔接蛋白 ASC（含有 caspase 募集结构域的凋亡相关斑点样蛋白）在阿尔茨海默病 (AD) 的发病机制中起着重要作用 (Dansokho 和 Heneka, 2018 ; Ising 等人, 2019 ; Venegas 等人, 2017 )。在过度表达淀粉样蛋白-β 前体蛋白和早老素-1 (APP/PS1; Pycard + / + 小鼠) 的小鼠中，海马内注射小胶质细胞衍生的 ASC 斑点会导致淀粉样蛋白 β (A β ) 交叉播种，而在 APP/
一个新颖的聚合框架，用于在智能网格中有效整合分布式能源
在本文中，我们提出了一种新颖的DER聚合框架 - 涵盖了多种体系结构以及各种类型的机制，以有效地管理和有效整合电网中的DER。我们体系结构的一个关键组成部分是局部灵活性估计量（LFES）代理，这是将聚合器从严重或资源密集型责任中卸载的关键，例如解决隐私问题并预测有关其提供的需求响应服务的DER语句准确性。提议的聚合框架允许形成有效的LFE合作社。我们的实验验证了其有效性地将异质DER纳入网格的有效性，以表明使用适当的机制会为参与LFE提供更高的付款。
针对核糖体蛋白质折叠活性的抗朊病毒药物可减少 PABPN1 聚集
HAL 是一个多学科开放存取档案库，用于存放和传播科学研究文献，无论这些文献是否已出版。这些文献可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。