XiaoMi-AI文件搜索系统
World File Search SystemCombining
结合公司级气候灵敏度与气候波动式附加组合
致谢：基于斯科特（Scott）与CGFI的隶属关系，与英国绿化金融与投资中心（CGFI）密切合作，这份Z-strisk Engine研究论文成为可能，该论文成为了CGFI的隶属关系，该研究人员是研究气候因素整合到最新的信用信用风险评估中的副研究研究员。本文不一定代表CGFI或CGFI联盟的观点。我们要感谢牛津大学牛津可持续金融集团过渡金融研究负责人Gireesh Shrimali博士直接支持这项合作，尤其是他对本文的整体指导，特别是通过审查研究计划，研究设计和论文草案。我们还要感谢CGFI的同事同事；特别是，克里斯·科马克（Chris Cormack）博士和戴维·威尔金森（David Wilkinson）博士在彻底而有见地的审查过程中，他们的有益评论和反馈（帮助我们平衡了学术上的严谨与实际见解）。最后，我们要感谢2024年3月6日内部CGFI研讨会上的所有参与者，在那里我们发表了论文，以获取他们的有益评论。欢迎所有其他评论 - 任何错误或遗漏仍然是作者的责任。我们的所有信用风险建模以及信用/气候研究论文和出版物都可以在我们的网站上找到：www.z-riskengine.com。
方法将机器学习与基于结构的蛋白质设计结合起来，以预测和设计蛋白质的翻译后修饰
蛋白质的翻译后修饰（PTM）在其功能和可行性中起着至关重要的作用。这些修饰会影响蛋白质折叠，信号传导，蛋白质 - 蛋白质相互作用，酶活性，结合亲和力，聚集，降解等等。迄今为止，已经描述了超过400种PTM，代表了远远超出遗传编码氨基酸的化学多样性。这种修饰对蛋白质的成功设计构成了挑战，但也代表了使蛋白质工程工具箱多样化的主要机会。为此，我们首先训练了人工神经网络（ANN），以预测十八种最丰富的PTM，包括蛋白质糖基化，磷酸化，甲基化和脱氨酸。在第二步中，这些模型是在计算蛋白建模套件Rosetta中实现的，该模型允许与现有协议的灵活组合来建模修饰的位点并了解它们对蛋白质稳定性和功能的影响。最后，我们开发了一种新的设计协议，该协议可以最大化或最大程度地减少修改特定站点的预先指定的概率。我们发现，基于ANN预测和基于结构的设计的这种组合可以使现有和引入新颖PTM的修改。我们工作的潜在应用包括但并不包括对表位的聚糖掩盖，从而加强了通过phos-odylation加强蛋白质 - 蛋白质相互作用，还可以保护蛋白质免受脱氨基责任的影响。我们的作品为Rosetta的蛋白质工程工具箱添加了新颖的工具，该工具允许PTM的理性设计。这些应用对于设计新蛋白质治疗剂的设计尤其重要，在这种蛋白质疗法的设计中，PTM可以彻底改变蛋白质的治疗特性。
结合温度和降水以限制气溶胶
早期在线版本：该初步版本已被接受在《气候杂志》中出版，可以完全引用，并已分配DOI 10.1175/jcli-d-2 3 -0 347 .1。最终的排版复制文章将在发布时在上述DOI上替换EOR。
将基因组生物标志物结合起来指导非小细胞肺癌Joris van de haar 1,2,3，Joanne M. Mankor 4，Karlijn Hummelink 5
摘要◥目的：在非小细胞肺癌（NSCLC）中指导免疫检查点阻断（ICB）治疗的STK11，KEAP1和EGFR改变的临床值仍然有争议，因为一些拟议的抗药性生物标志物显示出耐用的ICB反应。这种疾病迫切需要更多特定的组合生物标志物方法。ExperimentalDesign: Todevelopacombinatorialbiomarkerstra- tegy with increased speci fi city for ICB unresponsiveness in NSCLC, we performed a comprehensive analysis of 254 patients with NSCLC treated with ligand programmed death-ligand 1 (PD-L1) blockade monotherapy, including a discovery cohort of 75 patients subjected to whole-genome sequencing (WGS), and独立的验证队列，由169名患者进行肿瘤非正式面板序列。在低（<10 muts / mb）或高（≥10cuts / mb）肿瘤突变负担（TMB）的背景下，评估了STK11 / KEAP1 / EGFR改变的特定级别的ICB反应性。
将人类专业知识与人工智能相结合
我们感谢斯坦福大学医院为数据访问提供便利。作者感谢阿尔弗雷德·P·斯隆基金会 (2022-17182)、JPAL 医疗保健交付计划和麻省理工学院 SHASS 的支持。该实验已在 AEA 注册中心预注册，编号为 AEARCTR-0009620。预分析计划可在 SSR 注册 9620 和 SSR 注册 8799 处获得。该项目受益于与多位放射科医生的合作，包括斯坦福大学的 Matthew Lungren、Curtis Langlotz 和 Anuj Pareek 博士、西奈山医院的 Etan Dayan 和 Adam Jacobi 博士、VinBrain 的 Steven Truong 和 VINMEC 的几位放射科医生，以及 USARAD、Vesta Teleradiology 和 Advanced Telemed 的远程放射科医生。我们感谢 Daron Acemoglu、David Autor、David Chan、Glenn Ellison、Amy Finkelstein、Chiara Farronato、Drew Fudenberg、Paul Joskow、Bentley MacLeod、Whitney Newey、Pietro Ortoleva、Paul Oyer、Ariel Pakes、Alex Rees-Jones、Frank Schilbach、Chad Syverson 和 Alex Wolitzky 提供的有益对话、评论和建议。Oishi Banerjee、Ray Huang、Andrew Komo、Manasi Kutwal、Angelo Marino 和 Jett Pettus 提供了宝贵的研究协助。本文表达的观点为作者的观点，并不一定反映美国国家经济研究局的观点。
将人类专业知识与人工智能相结合
∗ 我们感谢斯坦福大学医院为数据访问提供便利。作者感谢阿尔弗雷德·P·斯隆基金会 (2022-17182)、JPAL 医疗保健交付计划和麻省理工学院 SHASS 的支持。该实验已在 AEA 注册表上预先注册，编号为 AEARCTR-0009620。预分析计划可在 SSR 注册 9620 和 SSR 注册 8799 处获得。† Agarwal：麻省理工学院和 NBER 经济学系，电子邮件：agarwaln@mit.edu。Moehring：麻省理工学院斯隆管理学院，电子邮件：moehring@mit.edu。Rajpurkar：哈佛医学院生物医学信息学系，电子邮件：pranav_rajpurkar@hms.harvard.edu。Salz：麻省理工学院和 NBER 经济学系，电子邮件：tsalz@mit.edu。该项目受益于与多位放射科医生的合作，包括斯坦福大学的 Matthew Lungren 博士、Curtis Langlotz 博士和 Anuj Pareek 博士、西奈山医院的 Etan Dayan 博士和 Adam Jacobi 博士、VinBrain 的 Steven Truong 和 VINMEC 的多位放射科医生，以及 USARAD、Vesta Teleradiology 和 Advanced Telemed 的远程放射科医生。我们感谢 Daron Acemoglu、David Autor、David Chan、Glenn Ellison、Amy Finkelstein、Chiara Farronato、Drew Fudenberg、Paul Joskow、Bentley MacLeod、Whitney Newey、Pietro Ortoleva、Paul Oyer、Ariel Pakes、Alex Rees-Jones、Frank Schilbach、Chad Syverson 和 Alex Wolitzky 提供的有益对话、评论和建议。Oishi Banerjee、Ray Huang、Andrew Komo、Manasi Kutwal、Angelo Marino 和 Jett Pettus 提供了宝贵的研究协助。
将电池存储与太阳能相结合 - Qmerit
评估您的能源消耗模式并确定所需的备用电源水平至关重要。考虑您的平均每日用电量和可能的任何峰值需求。这些信息将有助于确定适合您需求的电池存储系统的大小和容量。
结合电化学和理论分析以评估氢渗透
在这项工作中，进行电化学测试以测量在存在离子液体（ILS）1-乙基-3-甲基咪唑乙酸酯（（EMIM） +（AC） - 1-乙基-3-乙基-3-甲基-3-甲基咪唑烷基咪唑硫酸盐（BR Bromomide）的情况下，在碳钢自由溶解过程中测量氢渗透率（ILS）。 1-叔丁基-3-甲基咪唑唑化三氟甲氟化[（BMIM） +（BF 4） - ]在5.4 mol L -1 HCl水溶液中。还评估了还评估了5-羟基-2-硝基甲基 - 二苯胺（HPY）和商业腐蚀抑制剂（CCI）的渗透抑制效率（IEP（％））。在IL中，（BMIM） +（BF 4） - 化合物呈现出最高的腐蚀和氢渗透抑制效率，值分别为23％和30％。（EMIM） +（br）和（EMIM） +（AC） - 化合物无效抵抗腐蚀，但它们的IEP分别为15.8％和23％。HPY化合物在预防腐蚀方面表现出61％的有效性，而在计算机评估中则表明毒性没有毒性。但是，HPY化合物和CCI化合物在腌制过程中均未抑制氢进入碳钢。
结合软机器人技术和远程访问型，以改善中风后运动功能
传统刚性或柔软的远程访问和机器人技术已被广泛研究并用于改善中风后的手工功能。然而，有限数量的设备将这两种技术结合在一起，以至于可以在患者的家中使用它们的成熟水平，无监督。在这里，我们提出了一项新的研究，该研究证明了一个整合软件机器人手套的系统的可行性，与云连接的软件界面和远离居民疗法的可行性。在通过软件主导的治疗并与职业治疗师保持联系后，十个慢性中性中风幸存者独立使用该系统4周，在他们的家中使用该系统4周。疗法的数据，包括机器人的自动评估，可以实时地实时，这要归功于系统的云连接能力。参与者强烈使用该系统（每次疗程的运动是标准护理的五倍），总共需要超过8小时的治疗。我们能够观察到标准临床指标的改善（FMA +3.9±4.0，p <.05，COPM-P +2.5±1.3，p <.05，p <.05，copm-s +2.6±1.9，p <.05，mal-aou +6.6.6±6.5，p <.05，p <.05）和运动（ +88％）的范围。尽管很小，但是在治疗结束后2周，这些改进在随访中得到了维持。这些有希望的结果为进一步调查的道路铺平了途径，以部署合并的软机器人/端居式系统，以便在家中以自主使用进行中风康复。
通过结合机器学习和自动常识性推理来构建智能系统
我们提出了一种模仿人类智力的建筑系统的方法。我们的方法使用机器学习技术（包括生成AI系统）来从图片，文本等中提取知识，并将其表示为（预定的）谓词。接下来，我们使用S（CASP）自动平价推理系统以与人类的方式非常相似的方式来检查这种提取的知识和理由的一致性。我们已经将AP-PRACH用于构建系统，以进行视觉问题答案，特定于任务的聊天机器人可以“理解”人类对话并与他们进行交互交谈，以及依靠常识性推理的自主驾驶系统。本质上，我们的方法模仿了人类如何处理他们使用感应和模式识别来获取知识的知识（Kahneman的系统1思维，类似于使用机器学习模型），然后使用推理来得出结论，产生响应或采取行动（Kahneman的系统2思维，对自动推理来说，是对自动推理的）。