XiaoMi-AI文件搜索系统
World File Search SystemCovery
蛋白质语言模型加速了塑料降解酶的发现
塑料污染提出了一个关键的环境挑战，需要创新和可持续的解决方案。在这种情况下，使用微生物和酶的生物降解提供了环保的替代方法。这项工作引入了AI驱动的框架 - 将机器学习（ML）和生成模型集成在一起，以加速塑料降解酶的散发和设计。通过利用预先训练的蛋白质语言模型和策划数据集，我们开发了七个基于ML的二进制分类模型，以识别针对特定塑料底物的酶，平均准确度为89％。该框架应用于从补充B中的6,000多个酶序列，以对靶向多种塑料（包括PET，PLA和尼龙）的酶进行分类。此外，还将这项工作中训练有素的分类模型结合在一起，用于从头产生宠物降解酶。结构生物信息学通过内部分析验证了潜在的候选物，突出了生成和经过实验验证的酶之间物理化学特性的差异。此外，生成的序列表现出较低的分子量和较高的脂肪族指数，这些序列可能会增强与疏水性塑料底物相互作用的特征。这些发现突出了酶发现中基于AI的方法的实用性，为解决塑料污染提供了可扩展有效的工具。未来的工作将着重于对有希望的候选人的实验验证，并进一步完善生成策略以优化酶促性能。
优化量子F-Diverences的可恢复性
优化的量子F-差异构成了一个可区分性的家族，其中包括量子相对熵和夹杂的r´enyi相对准肠道作为特殊情况。在本文中，我们为优化的f ddivergence建立了对数据处理不平等的物理有意义的修复。尤其是，重构表明，优化的f-ddivergence及其通道处理的版本之间的绝对差异是对人们如何恢复量子态在量子通道上的量子状态的上限，只要量子通道被视为旋转的petz恢复通道。这些结果不仅会导致夹层r'Enyi相对熵的数据处理不平等的物理有意义的修复，而且还对优化的f-detiverencence的实现可逆性（即量子辅助）具有影响。在此过程中，我们改善了以前具有标准f ddivergence数据处理不平等的物理意义的修复，如Carlen和Vershynina的最新工作中所确定的[ARXIV：1710.02409，ARXIV：ARXIV：ARXIV：1710.08080]。最后，我们将优化的F差异，其数据处理不平等以及我们所有的可恢复性结果的定义扩展到了冯·诺伊诺（Von Neumann）代数环境，以便我们所有的结果都可以在对最常见的量化量化量化量化量化量化的设置之外的物理环境中使用，从而对量定的量化信息感兴趣。
淡化
在过去的十年中，替代能源（尤其是可再生能源（RE））的使用，包括其在淡化中的应用，在全球范围内增加了替代能源的使用。在过去提出了许多实验和试点调查，从而估算了这种集成解决方案的成本和有效性。本评论描述了与太阳能热技术（太阳能收集器和太阳能技术），太阳能（光伏和集中器光伏），风能，水力发电，水电，水力，潮汐，潮汐，波浪和海洋热能），生物质量和热疗（以及热量系统）以及Hymal（以及Hymal）以及Hymal的系统以及Hymal和Hymal的系统有关的经验。在用于淡化的各种技术过程的情况下，与能源和淡化水生产有关的成本进行了投资。讨论了所研究的RE系统开发的主要方向，并评估了它们的优势和缺点。如此全面的综述表明，有效使用RE来源的扩展仍然受到多个技术经济方面的阻碍。本文着重于优化能源过程的主要关注点，尤其是通过创建更节能且经济有效的解决方案，能源存储，能源资产以及离网系统的扩展。由于分析的结果，得出的结论是，尽管有一些缺点，但将RE与淡化过程结合起来需要进一步的深入研究和演示单位来进行长期绩效。仍需要规定开发较少能源密集的淡化技术。
大脑通讯
负责运动活动的大脑区域发生中风后，患者可能会失去控制身体某些部位的能力。随着时间的推移，一些患者几乎完全康复，而另一些患者则几乎完全康复。众所周知，病变体积、初始运动障碍和皮质脊髓束不对称会显著影响随时间推移的运动变化。最近的研究表明，残疾不仅来自局部结构变化，还来自区域间连接的广泛改变。考虑整个网络损伤而不是仅考虑局部结构改变的模型可以更准确地预测患者的康复情况。然而，评估中风患者的白质连接具有挑战性且耗时。在这里，我们在 37 名患者的数据集中评估了我们是否可以通过使用患者的病变掩模在 60 个健康流线型纤维束成像连接组中引入虚拟病变而获得的大脑连接测量来预测上肢运动恢复。这种对中风对整个大脑连接组影响的间接估计比通过磁共振成像获得的结构连接直接测量更容易获得。我们将这些指标添加到基准结构特征中，并使用岭回归正则化来预测受伤后 3 个月的运动恢复情况。正如假设的那样，与基准特征 (R 2 = 0.38) 相比，预测准确度显著提高 (R 2 = 0.68)。这种改进的恢复预测可能对临床护理有益，并可能允许更好地选择干预措施。
大脑通讯 - 信息科学
负责运动活动的大脑区域发生中风后，患者可能会失去控制身体某些部位的能力。随着时间的推移，一些患者几乎完全康复，而另一些患者则几乎完全康复。众所周知，病变体积、初始运动障碍和皮质脊髓束不对称会显著影响随时间推移的运动变化。最近的研究表明，残疾不仅来自局部结构变化，还来自区域间连接的广泛改变。考虑整个网络损伤而不是仅考虑局部结构改变的模型可以更准确地预测患者的康复情况。然而，评估中风患者的白质连接具有挑战性且耗时。在这里，我们在 37 名患者的数据集中评估了我们是否可以通过使用患者的病变掩模在 60 个健康流线型纤维束成像连接组中引入虚拟病变而获得的大脑连接测量来预测上肢运动恢复。这种对中风对整个大脑连接组影响的间接估计比通过磁共振成像获得的结构连接直接测量更容易获得。我们将这些指标添加到基准结构特征中，并使用岭回归正则化来预测受伤后 3 个月的运动恢复情况。正如假设的那样，与基准特征 (R 2 = 0.38) 相比，预测准确度显著提高 (R 2 = 0.68)。这种改进的恢复预测可能对临床护理有益，并可能允许更好地选择干预措施。
朝着多功能的架构，用户 -
抽象的人脑图集的发展主要是面向研究的，并且在临床实践中使用地图集是有限的。在这里，我介绍了一个参考人脑图集的新定义，该定义可为教育，研究和临床应用提供服务，并由其用户扩展。随后，提出了多功能，用户扩展参考人脑图集的架构，并讨论了其实现。人类大脑图集被定义为具有高度有条理的内容，促进其广泛应用的工具，大量和异构知识数据库的工具，以及对用户增长的内容和知识的手段。所提出的体系结构决定了地图集的主要组成部分，它们的相互关系和功能角色。它包含四个功能单元，核心大脑模型，知识数据库，研究和临床数据输入和转换，以及工具包（支持处理，内容扩展，地图集个性化，导航，探索和显示），所有这些都由用户界面结合在一起。每个单元的功能，组件模块和子模块，数据处理和实现方面都描述。这种新颖的体系结构支持大脑知识收集，演示，使用，共享和分配，并且在学生和教育者的神经教育中广泛适用且有用，用于知识介绍和沟通，知识获取，聚合和发现的研究，以及用于预防，诊断，治疗，治疗，监测，监测，和预测，以及在决策方面进行临床应用。它建立了一个骨干，用于设计和开发新的，多功能和用户延伸的大脑图集平台，是实验室，医院和医学院的潜在标准。
量子计算在线性非线性中的应用...
近来，从临床现场收集的真实世界医疗数据的利用引起了人们的关注。特别是随着真实世界医疗数据中变量数量的增加，因果发现变得越来越有效。另一方面，对于样本量不足以检测出合理因果关系的情况，例如罕见疾病和新发传染病，有必要开发适用于小数据集的新型因果发现算法。本研究旨在利用量子计算开发一种适用于少量真实世界医疗数据的新型因果发现算法。量子计算是一种因其在机器学习中的应用而备受关注的新兴信息技术。在本研究中，开发了一种将量子核应用于线性非高斯无环模型的新算法，这是因果发现算法之一。在几个人工数据集上的实验表明，在低数据范围内的各种条件下，本研究提出的新算法比现有的使用高斯核的方法更准确。当新算法应用于现实世界的医学数据时，证实了即使数据量很小，也能正确估计因果结构的情况，而这在现有方法中是无法实现的。此外，还讨论了在真实量子硬件上实现新算法的可能性。这项研究表明，在低数据量下，使用量子计算的新算法可能是因果发现算法中用于新医学知识发现的良好选择。
用于自动编码器的可扩展变分量子电路 - ...
摘要 — 药物分子的从头设计被认为是一个耗时且昂贵的过程，并且计算方法已应用于药物发现流程的每个阶段。变分自动编码器是一种计算机辅助设计方法，它基于现有的分子数据集探索化学空间。量子机器学习已成为一种非典型学习方法，由于其强大的表达能力，可能会加速一些经典学习任务。然而，近期的量子计算机受到量子比特数量有限的困扰，这阻碍了高维空间中的表示学习。我们提出了一种可扩展的量子生成自动编码器（SQ-VAE），用于同时重建和采样药物分子，以及相应的原始变体（SQ-AE）以实现更好的重建。提出了混合量子经典网络中的架构策略，例如可调量子层深度、异构学习率和修补量子电路，以学习高维数据集，例如配体靶向药物。在选择合适的架构策略后，针对 8x8 和 32x32 等不同维度报告了大量实验结果。在所有实验中，将量子生成自动编码器的性能与相应的经典自动编码器进行了比较。结果表明，归一化的低维分子可以获得量子计算优势，并且量子生成自动编码器生成的高维分子在相同的学习期内具有更好的药物特性。索引术语 — 量子机器学习、变分自动编码器、药物发现
使用多图正则化核范数最小化预测药物-靶标相互作用
在制药科学中，识别药物和靶标蛋白之间的潜在相互作用至关重要。在基因组药物发现中，相互作用的实验验证费力且昂贵；因此，需要高效、准确的计算机模拟技术来预测潜在的药物-靶标相互作用，以缩小实验验证的搜索空间。在这项工作中，我们提出了一个新框架，即多图正则化核范数最小化，它从三个输入预测药物和靶标蛋白之间的相互作用：已知的药物-靶标相互作用网络、药物之间的相似性以及靶标之间的相似性。所提出的方法侧重于寻找一个低秩相互作用矩阵，该矩阵由图编码的药物和靶标的接近度构成。先前关于药物靶标相互作用 (DTI) 预测的研究表明，结合药物和靶标的相似性有助于通过保留原始数据的局部几何形状更好地学习数据流形。但是，对于哪种相似性以及哪种组合最能帮助完成预测任务，目前还没有明确的共识。因此，我们建议使用各种药物间相似性和靶标间相似性作为多图拉普拉斯（药物/靶标）正则化项，以详尽地捕获近似值。使用标准评估指标（AUPR 和 AUC）对四个基准数据集进行的大量交叉验证实验表明，所提出的算法提高了预测性能，并且大大优于最近最先进的计算方法。软件可在 https://github.com/aanchalMongia/ MGRNNMforDTI 上公开获取。
![arXiv:2501.07502v1 [cs.LG] 2025 年 1 月 13 日](/simg/g:\will\search\icon\source\8\874bffd147cf2c1d48854fba2a925698143a2659.png)
arXiv:2501.07502v1 [cs.LG] 2025 年 1 月 13 日
强化学习 (RL) 是决策制定中的一种常用工具，它根据相关的累积回报/奖励从各种经验中学习策略，而不会对它们进行区别对待。相反，人类通常会学会区分不同的绩效水平，并提取潜在趋势，以改善他们的决策，从而获得最佳绩效。受此启发，本文提出了一种新颖的 RL 方法，通过区分收集到的经验来模仿人类的决策过程，从而进行有效的策略学习。主要思想是从具有不同绩效水平的经验中提取重要的方向性信息（称为评级），以便可以更新策略以使其偏离具有不同评级的经验。具体而言，我们提出了一种新的策略损失函数，该函数惩罚当前策略与具有不同评级的失败经验之间的分布相似性，并根据评级类别为惩罚项分配不同的权重。同时，来自这些评级样本的奖励学习可以与新的策略损失相结合，以实现来自评级样本的综合奖励和策略学习。优化综合奖励和策略损失函数将导致发现策略改进的方向，即最大化累积奖励，对最低绩效水平惩罚最多，对最高绩效水平惩罚最少。为了评估所提方法的有效性，我们在几个典型环境中进行了实验，结果表明，与现有的仅基于奖励学习的基于评级的强化学习方法相比，该方法的收敛性和整体性能都有所提高。