XiaoMi-AI文件搜索系统
World File Search SystemCombinatorial
第 13 届组合搜索研讨会的经验教训
组合搜索研讨会 (SoCS) 是人工智能 (AI) 研究人员的年度会议，他们对符号状态空间搜索的理论和实践感兴趣。SoCS 2020 现已进入第 13 届，于 5 月 26 日至 28 日完全在线举行。将 SoCS 以虚拟会议的形式举行是应对全球冠状病毒大流行的一项最新决定。对于 SoCS 系列研讨会以及更广泛的 AI 社区来说，这是一个重大转变，该社区重视线下会议作为传播新科学成果的主要方式。由于时间较早，SoCS 2020 被社区中的一些人视为一次实验，领先于其他决定推迟或转向完全在线形式的大型人工智能会议，例如约束编程原则与实践会议、欧洲人工智能会议、国际自动规划和调度会议 (ICAPS)、国际人工智能联合会议以及国际知识表示和推理原理会议。
与肿瘤相关的抗原XCT和突变体-P53作为新组合抗肿瘤策略的分子靶标
摘要：胱氨酸/谷氨酸抗植物XCT是一种与肿瘤相关的抗原，在许多癌症类型中已被新近鉴定。通过参与谷胱甘肽生物合成，XCT可以保护癌细胞免受氧化应激条件和铁毒性的影响，并有助于代谢重编程，从而促进肿瘤的进展和化学抗性。此外，XCT在癌症干细胞中过表达。这些特征使XCT成为癌症治疗的有希望的靶标，正如文献中广泛报道的，在我们的免疫靶向方面。有趣的是，对TP53基因的研究表明，野生型和突变体p53均诱导了XCT的转录后下调调节，从而导致了铁毒性。APR-246是一种可以恢复癌细胞中野生型p53功能的小分子药物，已被描述为在具有突变体p53积累的肿瘤中XCT表达的间接调节剂，因此是一种与XCT抑制相结合的有希望的药物。本综述总结了当前对XCT的知识及其对p53的调节，重点是铁the虫中这两个分子的串扰，还考虑了一些可能的组合策略，这些策略可以与抗XCT免疫促进结合使用APR-246治疗。
组合游行沿指数尾巴向下
新想法通常是现有商品或思想的组合，Romer（1993）和Weitzman（1998）强调了这一点。单独的文献强调了指数增长与帕累托分布之间的联系：Gabaix（1999）展示了指数增长如何产生帕累托分布，而Kortum（1997）则显示了帕累托分布如何产生指数级增长。但这提出了一个“鸡肉和鸡蛋”问题：哪个是第一个是指数级的增长或帕累托分布？，无论如何，Romer和Weitzman的见解发生了什么，Combinatorics应该很重要？本文通过证明从标准薄尾分配的抽取数量的组合增长会导致指数级经济增长来回答这些问题；无需帕累托假设。更一般地，它提供了一个定理，将最大极端值的行为与抽奖数和尾巴的形状联系起来，以进行任何连续的概率分布。
量子随机函数的组合方法
伪随机函数 (PRF) 是现代密码学的基本组成部分之一。Goldreich、Goldwasser 和 Micali 在开创性著作 [ 13 ] 中引入了 PRF，回答了如何构建一个与随机函数难以区分的函数的问题。粗略地说，PRF 可以保证没有任何有效算法能够通过 oracle 访问这样的函数而将其与真正的随机函数区分开来。事实证明，PRF 是密码原语（如分组密码和消息认证码）设计中的宝贵工具，而且现在已成为一个很好理解的对象：继 [ 13 ] 基于树的构造之后，PRF 已从伪随机合成器 [ 19 ] 和直接从许多难题 [ 20 、 21 、 22 、 11 、 18 、 7 、 2 ] 构建而成。然而，当考虑更精细的量子设置时，对 PRF 硬度的研究仍处于起步阶段。在深入研究这一原语的细节之前，需要进行一些澄清，因为可以用两种方式定义 PRF 的量子安全性：
在果蝇硅二氧化硅患者模型中揭示了结直肠癌的最佳组合疗法
图2。堆栈条形图的细胞命运倾向（ISC），肠和基础隔室，肠细胞（EBS）和肠细胞（EC）（ECS）中的肠道干细胞（ISC）表示。（a）ISC - apical细胞采用九种不同的细胞命运，而在三个环境条件下仍然没有表征。在正常条件下，观察到挤压的最高倾向，然后按顺序进行细胞凋亡，增殖和EB命运。在压力的情况下，最高的倾向是挤出，其次是EB命运和增殖。在癌症中，最高的倾向是多层的倾向，其次是细胞凋亡和挤压。（b）ISC – Basal采用九种不同的细胞命运，在正常条件下，EE命运的倾向最高，在癌症情况下，在压力条件下凋亡，而在癌症，多层和凋亡的倾向上显示出最高的倾向。（c）EB中的七个细胞命运，在正常情况下挤出，压力凋亡和癌症多层的倾向最高。（d）EC中的五个细胞命运，在正常，压力和癌症条件下，DPP产生的倾向最高。
利用组合构建量子自旋液体...
自旋量子液体是直到零温[1]都检测不到磁对称破缺序的系统，而是存在拓扑序[2]。理论方面，有许多模型哈密顿量存在量子自旋液体状态[3,4]。规范对称性在这些模型中很常见，无论是离散的还是连续的，内在的还是突现的。许多规范模型，如 Z 2 环面代码 [3] 和分形模型，如 X 立方体 [5,6]，都是使用多自旋相互作用定义的。本文我们表明，这些模型中精确的局部 Z 2 规范对称性可以仅由两自旋相互作用产生。在两自旋哈密顿量的某些低能量极限下可以产生有效的多自旋相互作用并不意外；新颖之处在于我们讨论的对称性是精确的。我们阐明了组合规范对称性的概念，它解释了为什么可以构造具有精确 Z 2 规范对称性的局部两自旋哈密顿量。保持代数的变换和单项式矩阵——我们从一组 N 个自旋 1/2 自由度开始，比如我们熟悉的 N 个位点晶格上的自旋模型。自旋算子是泡利矩阵 σ α i ，其中 α = x , y , z 且 i = 1 , . . . , N 。不同位点上的自旋交换，而相同位点上的自旋满足通常的角动量代数。让我们问一个简单的问题：这 3 N 个算子的哪些变换可以保持所有的交换和反交换关系？对于 N 玻色子或费米子，这个问题很容易回答；允许的单粒子变换集属于酉群 U ( N )，因为需要满足对易关系或反对易关系。但对于自旋来说，问题更难；不能简单地混合不同自旋的空间分量并保留位点内和位点间的代数。N 个自旋的希尔伯特空间是 2 N 维的，这个空间中允许的算子是 2 N × 2 N 酉矩阵，对应于群 SU (2 N )。自旋算子的一般变换 σ ai → U σ ai U † 保留了代数，但也同时作用于许多自旋：它将 3 N 单自旋算子 σ ai 与 SU (2 N ) 的其他（多自旋）2 2 N − 1 − 3 N 生成器混合。
免疫检查点抑制剂近期临床试验中存在联合治疗获益但无协同作用
。CC-BY-NC-ND 4.0 国际许可 它是根据作者/资助者提供的，他已授予 medRxiv 永久展示预印本的许可。（未经同行评审认证）
学习优化变分量子电路来解决组合问题
量子计算是一种计算范式，在解决各种问题时有可能超越经典方法。最近提出的量子近似优化算法 (QAOA) 被认为是近期展示量子优势的主要候选算法之一。QAOA 是一种变分混合量子-经典算法，用于近似解决组合优化问题。QAOA 针对给定问题实例获得的解决方案的质量取决于用于优化变分参数的经典优化器的性能。在本文中，我们将寻找最优 QAOA 参数的问题表述为一项学习任务，其中可以利用从解决训练实例中获得的知识来为看不见的测试实例找到高质量的解决方案。为此，我们开发了两种基于机器学习的方法。我们的第一种方法采用强化学习 (RL) 框架来学习策略网络以优化 QAOA 电路。我们的第二种方法采用核密度估计 (KDE) 技术来学习最佳 QAOA 参数的生成模型。在这两种方法中，训练过程都是在可以在传统计算机上模拟的小型问题实例上执行的；然而，学习到的 RL 策略和生成模型可用于有效地解决更大的问题。使用 IBM Qiskit Aer 量子电路模拟器进行的大量模拟表明，与其他常用的现成优化器相比，我们提出的基于 RL 和 KDE 的方法将最优差距缩小了 30 倍。15 倍。
免疫检查点抑制剂近期临床试验中存在联合治疗获益但无协同作用
。CC-BY-NC-ND 4.0 国际许可 它是根据作者/资助者提供的，他已授予 medRxiv 永久展示预印本的许可。（未经同行评审认证）