XiaoMi-AI文件搜索系统
World File Search SystemDDLA
深入挖掘，挽救旧有的抗结核病目标
耐药性结核分枝杆菌 (Mtb) 的出现阻碍了结核病的治疗，因此现在需要新型药物来克服这种耐药性。遗传稳定的 D-丙氨酸-D-丙氨酸连接酶 A (DdlA) 被视为结核病的极佳治疗靶点。在本研究中，通过高通量筛选获得了 DdlA 的竞争性抑制剂 (IMB-0283)。IMB-0283 对标准和临床耐药 Mtb 菌株的最低抑菌浓度 (MIC) 范围为 0.25 至 4.00 µ g/mL，而传统的 DdlA 抑制剂 D-环丝氨酸 (DCS) 仅在 16 µ g/mL 时抑制标准 Mtb 菌株的生长。发现 IMB-0283 对 Mtb 的致死作用以 DdlA 依赖的方式在细胞内起作用。具体而言，IMB-0283 可阻止新生细胞壁的合成，但不会破坏成熟细胞壁。与 DCS 相比，IMB-0283 表现出较低的细胞毒性和较高的选择性指数 (SI)。在相同的治疗剂量下，IMB-0283 将急性动物模型中的细菌负荷 (log CFU/mL) 从 5.58 降低到 4.40，而 DCS 没有产生任何此类治疗效果。总之，IMB-0283 较低的细胞毒性和更有效的体内活性表明它是抗结核药物开发的有前途的先导化合物。
有效缓解数据漂移对机器学习管道的影响
尽管机器学习（ML）技术在现实世界应用中的成功越来越大，但随着时间的推移，它们的维护仍然具有挑战性。尤其是，由于训练和随着时间的推移（称为数据漂移）的培训和服务数据之间的显着变化，因此Deploy ML模型的预测准确性可能会遭受损失。传统数据漂移解决方案主要集中于检测漂移，然后重新训练ML模型，但不要辨别检测到的漂移是否对模型性能有害。在本文中，我们观察到并非所有数据漂移导致预测准确性下降。然后，我们引入了一种新的方法，用于识别服务数据分布的一部分，其中漂移可能对模型性能有害，我们的准确性较低（DDLA）将其称为数据分布。我们的方法，使用决策树，精确地指出了ML模型（尤其是黑框型号）中低临界区域的低调区域。通过关注这些DDLA，我们有效地评估了数据漂移对模型性能的影响，并在ML管道中做出明智的决策。与现有的数据漂移技术相反，我们仅在有害漂移的情况下对模型性能的有害漂移而提倡进行模型再培训。通过对各种数据集和模型进行广泛的实验评估，我们的发现表明，我们的方法显着提高了基准的成本效率，同时实现了可比的精度。