XiaoMi-AI文件搜索系统
World File Search SystemComputational
上下文的计算和神经基础 -
灵活的行为需要创建，更新和表达备忘录以取决于上下文。虽然对这些过程的每个过程的神经基础进行了深入的研究，但计算建模的最新进展揭示了以前在上下文依赖性学习中的关键挑战，这在以前很大程度上被忽略了：在自然条件下，上下文通常不确定，需要上下文推断。我们会在面对上下文不确定性及其所需的核心计算时回顾一种与上下文相关学习形式化的理论方法。我们展示了这种方法如何开始组织大量不同的实验性观察，从多个级别的大脑组织（包括电路，系统和行为）和多个大脑区域（最显着的是前额叶皮层，海马，海马和运动皮层），到一个连贯的框架中。我们认为，上下文推断也可能是理解大脑持续学习的关键。这种理论驱动的观点将上下文推断视为学习的核心组成部分。
计算物理研究所的研究
•计算机基础（WS）1。fs B.Sc•计算机上的物理学（SS）4。FS B.Sc. •仿真方法1 + 2选修学士学位 和M.Sc. （WS+SS）•高级仿真方法（SS）选择性硕士 •Esresso暑期学校（十月1.周之前FS B.Sc.•仿真方法1 + 2选修学士学位和M.Sc.（WS+SS）•高级仿真方法（SS）选择性硕士•Esresso暑期学校（十月1.周之前
SPM 计算解剖工具箱
Jäger AP 等人（2024 年）静息状态功能性磁共振成像血氧水平依赖性信号中长程时间相关性的降低反映了训练后长达 2 周的运动序列学习。人脑映射，45(4)，e26539。
A3A 靶向转移治疗计算结果
A3A 靶向转移治疗 A POBEC 3A (A3A) 是人类最重要的脱氨酶之一，可使单链 DNA (ssDNA) 发生超突变。超突变与多种肿瘤-癌症转移进展有关 1-4 5-7 。已报道 APOBEC 依赖性癌症类型，如肺癌 8、9-11 、前列腺癌 12 、尿路上皮癌 13 、膀胱肿瘤 14 、卵巢鳞状癌 15、16 、乳腺癌 17 、子宫内膜异位症/宫颈癌 18、19 和头部 20 ，超突变酶也与某些自身免疫有关 21 。为了使 ssDNA 超突变，A3 酶诱导脱氧胞嘧啶随机脱氨为脱氧尿嘧啶 (dC-to-dU)，这已通过人工模拟得到证实 22 。人类 A3A 抑制已被提议作为一种干扰转移产生的可能治疗方法 23 。然而，A3A 抑制受到其他七种结构相关的人类 A3 酶 (A、B、C 24 、D、F、G 25 、H 和 AID 26 ) 存在的限制，这些酶具有生理/防御功能和可控诱变，例如抗体多样化 27 28 、肠细胞更新 29 30 、衰老 31 或抗病毒活性 32、33 34 。经晶体学和低温电子显微镜测定，大多数人类 A3 酶表现出具有相似 3D 结构的不对称同型二聚体（异型二聚体）结构（A 35 、B 36 、C 24 、F 37 、G 25 、H 38 、AID 26 ，表 S2 和图形摘要）。每个 A3 单体包含 ssDNA 结合所需的结构域和锌依赖性 dC 到 dU 脱氨的独立结构域。由于 A3A ssDNA 结合和二聚体界面的可能抑制剂探索很少 25 ，因此本文使用共同进化对接通过计算探索了这些可能的靶点。最终目标是探索任何与肿瘤转移有关的超突变的计算机干扰。这里采用了基于 Java 的 Data Warrior B uild E volutionary Library (DWBEL) 2-5 协同进化算法，作为筛选超大型类药库 39, 40 或从蛋白质序列 41-43 中预测机器学习对接模型的一种替代方法。具体而言，DWBEL 协同进化标准经过调整，可随机生成数万个原始子代，以选择数百个具有低纳摩尔亲和力的最佳无毒适配子代。类似的协同进化对接预测，当靶向其他蛋白质-配体对时，亲和力会更高。例如，针对耐药葡萄球菌的新型抗生素 44 、针对不动杆菌的 Abaucin 衍生物 45 、非人类抗凝血灭鼠剂 46 、猴痘 Tecovirimat 抗性突变体 47 、内腔 SARS omicron 48 、炎性冠状病毒 ORF8 蛋白 49 、人类 K + 通道的原核模型 50 、VHSV 弹状病毒的内腔 51 、疟疾环子孢子蛋白 47 、RSV 抗性突变体 52 和抗 HIV-Vif A3G 53 。
TransBrain：翻译的计算框架
。CC-BY-NC-ND 4.0 国际许可证永久有效。它以预印本形式提供（未经同行评审认证），作者/资助者已授予 bioRxiv 许可，可以在该版本中显示预印本。版权所有者于 2025 年 2 月 3 日发布了此版本。；https://doi.org/10.1101/2025.01.27.635016 doi：bioRxiv 预印本
CM3 计算机械设计
学生将处理：• 解决拓扑优化问题的计算方案• 框架结构的拓扑优化• 用于解决一般 3D 离散（有限元）拓扑优化问题的设计参数化和材料插值方案• 实际工程应用，使用商业软件和手写代码解决
1 EnzyHTP 计算定向进化与...
摘要：定向进化通过迭代诱变促进酶工程。尽管高通量筛选应用广泛，但构建“智能库”以有效识别有益变体仍然是该社区面临的主要挑战。在这里，我们基于 EnzyHTP 开发了一种新的计算定向进化协议，EnzyHTP 是我们之前报道过的用于自动化酶建模的软件。为了提高吞吐效率，我们实施了一种自适应资源分配策略，该策略根据工作流中酶建模子任务的特定需求动态分配不同类型的计算资源（例如 GPU/CPU）。我们将该策略实现为 Python 库，并使用氟乙酸脱卤酶作为模型酶测试了该库。结果表明，与在整个工作流中 CPU 和 GPU 都随时可用的固定资源分配相比，应用自适应资源分配可以节省 87% 的 CPU 小时数和 14% 的 GPU 小时数。此外，我们在自适应资源分配框架下构建了一个计算定向进化协议。该工作流程在 Kemp 消除酶定向进化实验中针对两轮突变筛选进行了测试，总共有 184 个突变体。使用折叠稳定性和静电稳定能作为计算读数，我们重现了四个实验观察到的目标变体中的三个。借助该工作流程，整个计算任务（即 18.4 μs MD 和 18,400 QM 单点计算）在三天内使用约 30 个 GPU 和约 1000 个 CPU 完成。
语境的计算和神经基础......
灵活的行为要求记忆的创建、更新和表达依赖于情境。虽然这些过程的神经基础已经得到了深入研究，但计算建模的最新进展揭示了情境相关学习中一个以前被忽视的关键挑战：在自然条件下，情境通常是不确定的，因此需要情境推理。我们回顾了一种在情境不确定性和其所需的核心计算面前形式化情境相关学习的理论方法。我们展示了这种方法如何开始将大量不同的实验观察结果组织成一个连贯的框架，这些观察结果来自大脑组织的多个层次（包括回路、系统和行为）和多个大脑区域（最突出的是前额叶皮层、海马体和运动皮层）。我们认为情境推理也可能是理解大脑持续学习的关键。这种理论驱动的观点将情境推理视为学习的核心组成部分。
计算神经动力学课程信息
在整个课程中，学生将学习大脑智能行为背后的基本原理、模拟此类行为所需的计算工具，并阐明生物和人工智能系统之间的联系。该课程本质上是跨学科的，还将包括一些神经科学、生物学和物理学的元素（尽管不需要这些背景）。
黑色素瘤异质性的计算模型
皮肤黑色素瘤是一种高度侵袭性的肿瘤，尽管最近出现了一些治疗方法，但大多数晚期转移性黑色素瘤患者的临床预后不佳。黑色素瘤中最常见的突变会影响 BRAF 致癌基因，它是 MAPK 信号通路的蛋白激酶。针对 BRAF 和 MEK 的疗法仅对 50% 的患者有效，并且几乎系统地产生耐药性。与黑色素瘤细胞的强烈异质性和可塑性相关的遗传和非遗传机制被认为有利于耐药性，但人们对其了解甚少。最近，我们引入了一种新的数学形式，可以表示肿瘤异质性和耐药性之间的关系，并提出了几种用 BRAF/MEK 抑制剂治疗的黑色素瘤产生耐药性的模型。在本文中，我们使用一种新的计算模型进一步研究了这种关系，该模型可以处理用 BRAF/MEK 抑制剂治疗的黑色素瘤中单细胞 mRNA 测序数据识别的多种细胞状态。我们使用该模型来预测不同治疗策略的结果。参考疗法称为“连续”疗法，其包括不间断地应用一种或多种药物。在“联合疗法”中，几种药物按顺序使用。在“适应性疗法”中，当肿瘤大小低于下限时中断药物应用，当肿瘤大小超过上限时恢复药物应用。我们表明，与直觉相反，在 BRAF/MEK 抑制剂与假设药物（针对在肿瘤对激酶抑制剂的反应过程中后期发展的细胞状态）的联合疗法中，最佳方案是先用这种假设药物治疗。此外，尽管连续疗法和适应性疗法之间出现耐药性的时间差别不大，但在适应性疗法的情况下，不同黑色素瘤亚群的空间分布更加分区化。