XiaoMi-AI文件搜索系统
World File Search SystemDBN
开发一种用于筛选中西药组合中肝毒性化合物的人工智能方法
摘要背景：中西药联用增加了所摄入化合物的复杂性。目的：利用人工智能方法开发一种基于化学结构的中西药肝毒性化合物筛选方法。方法：从公开数据库和发表的文献中收集药物性肝损伤（DILI）数据。将DILI数据形成的整个数据集以大约3：1的比例随机分为训练集和测试集。采用SGD（随机梯度下降）、kNN（k最近邻）、SVM（支持向量机）、NB（朴素贝叶斯）、DT（决策树）、RF（随机森林）、ANN（人工神经网络）、AdaBoost、LR（逻辑回归）和一种深度学习模型（深度信念网络，DBN）构建肝毒性化合物筛选模型。结果：本研究共收集了2035个肝毒性化合物数据集，其中1505个化合物作为训练集，530个化合物作为测试集。结果表明，RF在训练集上的分类准确率（CA）为0.838，F1-score为0.827，Precision为0.832，Recall为0.838，曲线下面积（AUC）为0.814；在测试集上的分类准确率（CA）为0.767，F1为0.731，Precision为0.739，Recall为0.767，AUC为0.739，优于其他8种机器学习方法。DBN在测试集上的分类准确率为82.2%，高于其他任何机器学习模型。
报告名称：新型转基因玉米和大豆...
2024年3月19日，CNCVRC公布了第二批通过CNCVRC初步审查的转基因1号玉米和大豆品种名单（中文链接）。该公告的公众意见征询期为30天，或至2024年4月17日。该公告是继其首批转基因玉米和大豆品种登记名单之后发布的，该名单于2023年10月17日公布征询意见，并于2023年12月7日最终确定。有关第一批转基因品种名单的更多信息，请参阅GAIN报告《MARA宣布51个转基因玉米和大豆品种已登记》。公布的 27 个转基因玉米品种包括北京大北农科技集团（DBN）开发的 14 个转基因玉米品种（DBN9936）、北京良源生物技术有限公司开发的 8 个品种（ND207）和杭州瑞丰生物科技股份有限公司与浙江大学开发的 3 个品种（瑞丰 125 事件）。公布的 3 个转基因大豆品种包括中国农业科学院作物科学研究所开发的 2 个品种（中黄 6106）和 DBN 开发的 1 个品种（DBN9004）（每个品种的转基因目标性状信息见本报告附录 2）。一旦最终确定，上市的转基因玉米和大豆品种将有资格在核准地区种植，这将使中国更接近转基因玉米和大豆的全面商业化种植。但在可预见的未来，这些品种很可能仅在中国批准的转基因玉米和大豆试点项目中种植，这将限制2024年的种植规模。本报告提供了CNCVRC公告的非正式翻译，以及通过第五届CNCVRC初步审查的转基因玉米和大豆品种名单、适宜种植区域和这些品种的产量表现。公告还包括通过第五届CNCVRC第六次会议初步审查的转基因玉米和大豆品种简介（中文链接），其中提供了有关性状特征、产量表现、栽培技术和初审意见的更多信息。本报告附录2提供了这些品种的目标性状和产量表现摘要的非正式翻译。
使用 Otsu 阈值检测阿尔茨海默病...
AD 的症状包括行为紊乱、沟通障碍、识别障碍、认知障碍和记忆力减退。AD 会导致脑细胞死亡，从而引起认知能力、思维能力和记忆力丧失（Vaithinathan and Parthiban，2019 年）。AD 的进展速度因患者而异，但诊断率较低。AD 引起的行为障碍会损害患者的社会功能（Zhang et al.，2019 年）。AD 通常影响老年人，如果不及早治疗和发现，甚至会导致死亡。因此，及早发现 AD 对减缓其进展并降低死亡率至关重要（Yue et al.，2019 年；Ghazi et al.，2021 年；Ning et al.，2021 年）。近几十年来，多种脑成像技术（如计算机断层扫描、sMRI、正电子发射断层扫描、功能性 MRI 等）被用于 AD 的早期诊断（Puente-Castro 等人，2020 年；Chelladurai 等人，2023 年）。与其他脑成像技术相比，sMRI 图像提供有关异常脑区域的功能信息和补充结构信息（Liu 等人，2021 年）。简单和快速被认为是 Otsu 方法的众多优点中的两个。可以自动确定区分处理后图像的前景和背景部分的最佳阈值，从而无需对图像的先验知识。为了实现 AD 检测自动化，人们采用了多种机器学习模型，例如决策树、支持向量机 (SVM)、k 最近邻、XGBoost 等，但传统模型容易出现异常值和过拟合风险（Alqahtani 等人，2023 年；Ghosh 等人，2023 年）。另一方面，深度学习模型得到了研究人员的更多关注，并在医学成像、计算机视觉、图像处理和模式识别应用方面带来了显著的进步和改进（Venugopalan 等人，2021 年；Qu 等人，2023 年）。深度信念网络 (DBN) 通过利用监督学习和概率建模，比传统神经网络具有某些优势。它可以处理大量数据，并使用隐藏单元通过快速训练快速识别潜在的相关性。上述信息促使人们采用 DBN 模型以最短的执行时间检测 AD。本文的主要贡献如下：
危险化学物质运输的多米诺事故的定量风险评估模型
摘要：近年来，危险材料运输事故受到了越来越多的关注。先前的研究集中在涉及单车的事故上。当装有材料的车辆聚集在一条道路上时，潜在的多米诺骨牌事故可能会导致可怕的事件。本文提示了定量风险评估（QRA）模型，以估计多车事件的风险。该模型使用动态贝叶斯网络（DBN）计算危险化学物质泄漏和爆炸的可能性。对于不同类型的危险化学物质，该模型使用事件树列出不同的场景，并分析每种情况引起的多米诺骨牌事故的可能性。FN曲线和潜在的生命损失（PLL）被用作评估社会风险的指数。分析了上海金山区的多个车辆的案件。案件的结果表明，驾驶员的状态，道路类型，天气因素和车辆之间的距离对危险物质运输事故造成的社会风险产生了重要影响。
基准为人类活动识别的经典，深层和生成模型
人类活动识别（HAR）在使用配备传感器的设备和大型数据集的日益增长的情况下变得非常重要。本文使用HAR的五个关键基准数据集（UCI-HAR，UCI-HAR，PAMAP2，WISDM，WISDM和Berkeley Mhad）评估了三类模型的性能：经典的机器学习，深度学习体系结构和受限制的Boltzmann机器（RBMS）。我们使用诸如准确性，精度，回忆和F1评分等群集以进行全面比较，评估了各种模型，包括决策树，随机森林，卷积神经网络（CNN）和深信仰网络（DBN）。结果表明，CNN模型在所有数据集中都提供了卓越的表现，尤其是在伯克利MHAD上。像随机森林这样的经典模型在较小的数据集上做得很好，但是面对具有较大，更复杂数据的Challenges。基于RBM的模型还显示出显着的潜力，尤其是对于特征学习。本文提供了详细的比较，以帮助研究人员选择最合适的HAR任务模型。
无监督的机器学习算法的类型
无监督的学习是一种机器学习方法，它处理了未标记的数据，与监督学习不同的是在其中标记了特定类别或结果的数据。无监督的学习算法在数据中找到模式和关系，而没有事先了解其含义，从而自行发现隐藏的群体和模式。该算法没有预定义的标签或类别，因此它必须使用诸如聚类，降低性降低或异常检测等技术基于固有模式来弄清楚如何根据固有模式进行分组或组织数据。此过程可以揭示从标记的数据集中显而易见的数据中的见解。例如，购物中心可以根据购买行为等参数将无监督的学习用于分组客户。该算法的输入包括可能包含嘈杂数据，缺失值或未知数据的非结构化数据。有三种用于无监督数据集的算法的主要类型：聚类，关联规则学习和降低维度。聚类是一种基于它们的相似性，用于无监督的机器学习中，将未标记的数据分组为群集。聚类的目的是在数据中识别数据中的模式和关系，而无需先验其含义。这些算法用于将原始的，未分类的数据对象处理为基团，例如根据其物种将大象，骆驼和母牛等动物分组。给定的文本是关于聚类算法，关联规则学习，降低维度，无监督学习的挑战以及无监督学习的应用。2。3。无监督的机器学习算法在没有预定义标签或类别的数据中识别数据中的模式和分组。应用程序包括欺诈检测，网络安全，设备预防，建议系统，图像和文本聚类，社交网络分析，天文学和气候科学。无监督学习的类型包括：1。聚类：分组相似的数据点。降低尺寸：在保留信息的同时降低功能。异常检测：识别偏差模式或异常值。4。建议系统：根据用户行为建议产品。无监督学习的挑战包括缺乏标记的数据，这可能会使评估变得困难，并且对数据质量的敏感性，这可能会影响算法性能。无监督的学习用于NLP任务，例如主题建模，文档群集和言论部分标记。它不同于监督学习，算法学会根据标记的培训数据将输入数据映射到所需的输出值。前8个无监督的机器学习算法是：[插入算法列表]此博客文章旨在帮助用户确定哪种算法最适合其解决问题的需求。k-means聚类，PCA，自动编码器和DBN算法用于无监督的机器学习：比较分析机器学习算法在数据分析中起着至关重要的作用，而无监督的学习是该领域的重要方面。我们将提供一个简短的概述，示例和详细信息，以了解哪些算法更适合特定类型的数据集。在本文中，我们将探讨四种流行的无监督机器学习算法：K-均值聚类，主成分分析（PCA），自动编码器和深度信念网络（DBN）。k-means聚类是用于数据分割的最流行的无监督的机器学习算法之一。它通过将数据集分区为K群集来工作，在K群集中，每个群集的均值是从训练数据中计算出来的。通常通过实验确定簇k的数量。k-均值聚类由于其易于理解和实施而具有优势，并且缺乏对数据基础分布的假设。但是，它可以对初始化值敏感，而不是对大数据集的可扩展性，并且与分类数据无法很好地工作。PCA算法用于降低维度，通常与K-均值聚类结合使用。它找到了一个较低维的空间，其中包含原始数据集中的大多数变化，可以通过降低维度而不会丢失太多信息来帮助使用高维数据集。PCA可以提高许多机器学习算法的性能，因为它们通常对维度敏感。但是，它在计算上可能很昂贵，并且可能不会总是降低维度的情况而不会丢失信息。自动编码器算法是一种用于无监督学习的神经网络。它通过获取输入数据集并将其编码为隐藏层，然后将编码数据与原始输入数据集进行解码和比较。它也无法与分类数据合作。如果两组之间有很高的相似性，则编码器已正确完成了其作业。自动编码器可以在数据中学习复杂的模式，但是如果编码器和解码器不够相似，则可能在计算上昂贵。深度信念网络（DBN）算法是一种用于无监督学习的深度学习算法。它创建了一个层的层次结构，其中每个层由多个神经元组成，从连接到原始数据集的输入层开始，并以产生最终输出的神经元组成的输出层结束。dbn可以学习数据中的复杂模式，但需要广泛的培训数据和计算资源。dbns根据所需的监督学习类型用于分类或回归。他们的快速训练时间是一个重要的优势，因为它们仅在输入到输出层的一个方向上训练。只要存在某些功能信息，它们也可以在有限的标记数据中表现良好。但是，DBN具有限制，例如大量的培训数据和需要大量的计算能力进行培训。此外，他们在分类数据上挣扎。卷积神经网络（CNN）是无监督和监督学习问题的流行选择，因为它们在数据集之间学习复杂的关系的能力。它们是通过将输入图像拆分到小窗口中的，然后将其通过多个执行卷积操作的神经元的层。此过程使CNN能够产生准确的预测，并且只能使用反向传播来快速训练。支持向量机（SVM）是用于无监督和监督学习问题的另一种机器学习算法。它们通过在高维空间中构建超平面而起作用，其中所有训练数据点位于一侧，目标是找到最佳的超平面，以对所有培训数据点进行分类。CNN和SVM都提供了诸如低维输入空间和快速培训时间之类的优点。但是，它们也有缺点，包括对大型数据集的高计算要求以及处理分类数据的局限性。对于有兴趣进一步探索这些算法的人，下面提供了Python代码参考。如果您对其他流行的AI和数据科学主题有建议，请随时让我们知道！
肿瘤中 ADAM10 金属蛋白酶的优先抗体和药物偶联物靶向性
1 奥莉维亚纽顿约翰癌症研究所肿瘤靶向项目，海德堡，维多利亚州 3084，澳大利亚；hengkang.yan@onjcri.org.au（HY）；mary.vail@onjcri.org.au（MEV）；nancy.guo@onjcri.org.au（NG）；fsejlee@bigpond.net.au（F.-TL）2 拉筹伯大学癌症医学院，海德堡，维多利亚州 3084，澳大利亚 3 莫纳什生物医学发现研究所，莫纳什大学生物化学和分子生物学系，克莱顿，维多利亚州 3800，澳大利亚；linda.hii@monash.edu 4 卡布里尼莫纳什大学外科系，卡布里尼医院，马尔文，维多利亚州 3144，澳大利亚；pjm@colorectal.com.au（PJM）；kaz@bigpond.net.au（KO）； simonwilkins@cabrini.com.au (SW) 5 莫纳什大学流行病学和预防医学系，墨尔本，VIC 3004，澳大利亚 6 纪念斯隆凯特琳癌症中心结构生物学项目，纽约，NY 10065，美国；sahan@mskcc.org (NS)；nikolovd@mskcc.org (DBN) * 通信地址：andrew.scott@onjcri.org.au (AMS)；peter.janes@onjcri.org.au (PWJ)
在早期和晚期设计阶段中复杂工程系统中定量弹性评估的新型框架
最近，弹性评估已经进化和增长，但大多数研究是在可用过程中足够的知识时在操作阶段进行的，俯瞰着设计阶段，这是一个更适合制造弹性系统的时间范围。为此，这项工作旨在为工程系统开发一种新颖的定量弹性评估框架，采用两种不同的方法，可以在早期和晚期设计阶段分析弹性，当时有关该系统的安全性和弹性能力的详细信息可能会不足。在早期设计阶段，确定了系统弹性属性，并使用专家判断来评估其质量。在晚期设计阶段，属性源自透露的信息，例如详细的应急响应和安全性屏障数据。在两个阶段，动态贝叶斯网络（DBN）用于基于获得的信息来量化弹性。由于绿色氢技术是相对较新的，因此在对氢释放场景的绿色氢植物的弹性评估中证明了拟议框架的应用。所提出的框架可以用作早期设计改进的有效工具，并在氢植物或任何其他复杂工程系统的晚期设计阶段提高过程安全性。
不断发展的二氧化碳排放的动态贝叶斯网络...
摘要 - 全球变暖是一个重大挑战。在贡献者中，CO 2排放是最重要的，几乎40％的全球排放来自发电。从这个意义上讲，可以使用传统和可再生能源的多源系统中的CO 2排放进行准确的预测，可用于支持碳排放的减少，而不会影响能源需求供应。尽管在该主题中进行了几项相关的研究，但由于可再生能源的间歇性性质引起的更高的不确定性和可变性，因此CO 2启动在多源发电系统中预测是当前的挑战。本文介绍了使用不断发展的动态贝叶斯网络的多源发电系统的CO 2排放预测。我们的提案使用分析阈值来选择数据到达时出现频率的有向边缘，从而使恒定的适应能够平滑地收敛为强大的预测模型。它是使用比利时，德国，葡萄牙和西班牙的多源发电系统的实际数据进行了测试的。将其性能与其他预测方法进行了比较。将结果与不演变结构随时间发展的传统DBN进行比较，我们的提议卓越强调了绩效提高的贡献。与ANN和XGBOOST进行比较时，提出的方法更好，性能具有统计学意义的差异。
欧洲规范 3. 钢结构设计 ...
本标准是 EN 1993-3-1:2006 《欧洲规范 3：钢结构设计 - 第 3-1 部分：塔架、桅杆和烟囱 - 塔架和桅杆》3-1 的相同翻译。烟囱和桅杆）经过技术修正 EN 1993-3-1:2006/AS:2009。 EN 1993-3-1:2006 由技术委员会 CEN/TC 250 制定，其秘书处由 BSI 管理。国家标准附有英文文本。在乌克兰境内，文本 DSTU-NB EN 1993-3-1:2012“欧洲规范 3。钢结构设计。第 3-1 部分。塔、桅杆和烟囱。塔和桅杆（EN 1993- 3 -1:2006, IDT)”，以乌克兰语呈现。根据DBN A.1.1-1-2009《建筑标准化和规范体系。主要规定》，本标准引用了复杂的B.1.2《建筑可靠性和安全体系》。该标准包含符合现行立法的要求。负责本标准的科学技术机构是“以V.M.希曼诺夫斯基命名的乌克兰钢结构研究所”。本标准进行了下列编辑性修改： ——“本国际标准”一词改为“本标准”； - 标准的结构要素 - “封面”、“前言”、“国家简介”、“定义”和“书目数据” - 根据乌克兰国家标准化的要求设计； - 取自本《国家介绍》中的《1993-3-1序言》中直接涉及的内容