XiaoMi-AI文件搜索系统
World File Search SystemEvolutionary
抗原逃脱病毒的进化稳定性
抗原变异是炎症或SARS-COV-2等RNA病毒的主要免疫逃逸机制。高突变率促进了抗原逃逸，但它们也会引起大型突变载荷和降低。目前尚不清楚这种成本 - 拟合权衡如何选择病毒的突变率。使用波动波模型在有限人群中使用病毒和宿主免疫系统的共进化，我们研究免疫如何影响突变率和其他非抗原性状（例如毒力）的进化。我们首先表明波的性质取决于交叉反应性免疫系统的方式，并调和了先前的方法。免疫病毒系统在低交叉反应性下的行为就像Fisher波一样，并且在高交叉反应性下的耐度波。这些制度预测了非抗原性状进化的不同结果。在低跨反应性下，进化稳定的策略是最大化波的速度，这意味着更高的突变速率和增加的毒力。在大型交叉反应性上，我们的估计将H3N2插入式含量，稳定的策略是增加基本的生殖数量，将突变率保持在最低和毒力较低。
迈向演化政治经济学。《演化政治经济学评论》创刊号社论
这是《演化政治经济学评论》（REPE）创刊号的两期中的第一期。该杂志是一本新的同行评议、跨学科学术期刊，由欧洲演化政治经济学协会（EAEPE）发起，由国际领先的学术出版商施普林格·自然出版。但为什么要创办这本新杂志呢？它在已经成熟的经济学期刊领域还有潜在空间吗？它能为经济学界带来什么附加值？该杂志的目标是汇集和整合政治经济学、演化和制度经济学、基于代理的计算经济学和非正统宏观经济学，成为新兴演化政治经济学的多元化卓越论坛。19 世纪末，经济学从社会科学中分离出来，后来的主流从“政治经济学”转向“纯经济学”，进而导致了“新古典经济学”的产生。从 20 世纪 70 年代起，主流经济学进一步缩小。随着“新古典主义”的反革命，战后凯恩斯主义和新古典主义的休战被打破。这尤其改变了宏观经济学领域。一种新的主流经济学建立起来，它基于方法论个人主义，特别是“理性的
npr1样基因可可瘤：进化洞察力和增强对植物含量的抗性性的潜力
与发病机理相关1（NPR1）的非XPRessor对于通过信号分子水杨酸（SA）激活植物免疫系统至关重要，这会触发拟南芥的全身性获得性（SAR）。在这项研究中，已经在Cacao的基因组中鉴定出了三个与NPR1相关的假定基因，即TCNPR1，TCNPR2和TCNPR3，这表明这三个基因实体之间的功能多样化表明。系统发育分析表明，TCNPR1和TCNPR2与它们的拟南芥直系同源物NPR1和NPR2一起分支，表明这些基因在不同物种的SA信号传导途径中保持了保守的作用。相比之下，TCNPR3存在于单独的进化枝中，表明了独特的功能作用和进化差异。对这些TCNPR的生理化学特性的比较分析显示出不同的亚细胞定位，因为TCNPR1在细胞质中持续存在，而TCNPR3在细胞核中发现，与其在SA信号传导和转录性调节中的作用保持一致。此外，我们确定了针对TCNPR3的microRNA，这表明P. Megakarya可能会利用转录调节网络绕过植物防御激活。通过RNA干扰介导的基因沉默对TCNPR基因的瞬时过表达或抑制可能足以研究对其他分子的产生的影响，例如SA，某些PR蛋白表达以及对巨疟原虫的抗性。由TCNPRS编码的蛋白质与P. megakarya的细胞蛋白质之间的相互作用将提供有关Patho Gen是否操纵宿主防御的洞察力。最后，P。Megakarya响应感染TCNPR基因的表达提供了有关防御反应过程中时间和空间激活的有价值的信息。
进化轨道，弹射和电离光子从中间质量到具有parsec
在预测恒星的演化和死亡方面，恒星进化模型的最新进展。我们提出了使用更新的P ARSEC v2.0代码计算的新的恒星进化模型，以获得金属和初始质量的全面和均匀的网格。核反应网络，质量损失处方和元素混合的处理都在P ARSEC v2.0中进行了更新。我们计算了跨越Z = 10-11至Z = 0的13个初始金属性的模型。03，质量范围从2.0m⊙到2000 m，由1100多个库（包括纯模型在内的2100个轨道）组成。对于每条轨道，从预先序列到最先进的早期抗肌肉分支或苏植物前阶段（取决于恒星质量）的进化。在这里，我们描述了轨道的特性及其化学和结构进化。我们计算了最终的命运和残余物质，并为每种金属性建立了质谱，发现合并的黑洞（BH）配对质量质量间隙仅在100至130 m⊙之间。此外，残留质量提供了与观察到的BH质量一致的模型，例如GW190521，Cygnus X-1和Gaia BH3二进制系统的BH质量。我们计算并提供了从恒星风和爆炸性最终命运以及电离光子速率的化学喷射。我们展示了金属性如何影响这些恒星的进化，命运，喷射和电离光子计数。所有模型均可公开可用，可以在P ARSEC数据库中检索。我们的结果表明，与不同代码计算的其他轨道的总体一致性很强，由于混合和质量损失的不同处理，对于非常巨大的恒星（M Zams> 120m⊙）而出现了最显着的差异。与大型麦哲伦云的狼蛛星云中观察到的大量恒星样本的比较表明，我们的轨道很好地重现了主要序列上的大多数恒星。
BOMBELLA APIS CRISPR-CAS系统的进化趋势
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。它是此预印本版本的版权持有人，该版本发布于2025年2月7日。 https://doi.org/10.1101/2025.02.05.636693 doi：Biorxiv Preprint
机器人体进化设计的新生物形态发生方法
我们提出了一些目前未使用的形态发生机制，从进化生物学和转移到进化机器人技术的指南中。（1）提供可突变性突变的DNA模式，通过亲属选择导致可转化的Bauplans的引导。（2）形态发生机制（I）表观遗传细胞系提供功能性细胞类型，并鉴定细胞下降。（ii）基于形态剂扩散的局部解剖坐标，促进了对机械力的复杂表型（III）重塑的可转化遗传参数化（III），促进了比基因组更复杂的良好整合表型的强劲产生。提出了一种方法，用于在进化机器人技术中处理突变性和形态发生机制。这些方法的目的是促进动物肌肉骨骼和皮肤系统的微妙，效率和效率的机器人机制的产生。
evorl：一个GPU加速框架，用于进化增强学习
进化增强学习（EVORL）已成为一种有前途的方法，可以通过将进化计算（EC）与RL整合（EC）范式来克服传统强化学习（RL）的局限性。但是，基于人群的EC的性质大大提高了计算成本，从而限制了大规模设置中算法设计选择和可扩展性的探索。为了应对这一挑战，我们介绍了Evorl 1，这是针对GPU加速的第一个端到端EVORL框架。该框架对加速器（包括环境模拟和EC过程）执行了整个培训管道，通过矢量化和编译技术利用层次并行性，以实现较高的速度和可扩展性。此设计可以在一台计算机上进行有效培训。In addition to its performance-oriented design, EvoRL offers a comprehensive platform for EvoRL research, encompassing implementations of traditional RL algorithms (e.g., A2C, PPO, DDPG, TD3, SAC), Evolutionary Algorithms (e.g., CMA-ES, OpenES, ARS), and hybrid EvoRL paradigms such as Evolutionary-guided RL （例如，ERL，CEM-RL）和基于群体的自动（例如PBT）。该框架的模块化体系结构和用户友好的接口使研究人员可以无缝整合新组件，自定义算法并进行公平的基准测试和消融研究。该项目是开源的，可在以下网址找到：https：//github.com/emi-group/evorl。
参数化量子电路的多目标进化架构搜索
摘要：最近关于混合量子-经典机器学习系统的研究已证明，利用参数化量子电路 (PQC) 解决具有挑战性的强化学习 (RL) 任务是成功的，并且与经典系统（例如深度神经网络）相比具有可证明的学习优势。虽然现有研究展示并利用了基于 PQC 的模型的优势，但 PQC 架构的设计选择以及不同量子电路在学习任务中的相互作用通常尚未得到充分探索。在这项工作中，我们引入了一种用于参数化量子电路 (MEAS-PQC) 的多目标进化架构搜索框架，该框架使用具有量子特定配置的多目标遗传算法来高效搜索最佳 PQC 架构。实验结果表明，我们的方法可以找到在三个基准 RL 任务上具有出色学习性能的架构，并且还针对其他目标进行了优化，包括减少量子噪声和模型大小。进一步分析量子操作的模式和概率分布有助于确定混合量子-经典学习系统的性能关键设计选择。
自动化特征转换的进化大语言模型
特征转换旨在重建原始功能的特征空间，以增强下游模型的性能。然而，功能和操作的组合呈指数增长构成了挑战，因此现有方法很难有效探索宽阔的空间。此外，它们的优化仅由在特定域中下游模型的准确性驱动，从而忽略了一般特征知识的获取。为了填补这一研究空白，我们提出了一个用于自动特征转换的进化LLM框架。This framework con- sists of two parts: 1) constructing a multi-population database through an RL data collector while utilizing evolutionary al- gorithm strategies for database maintenance, and 2) utiliz- ing the ability of Large Language Model (LLM) in sequence understanding, we employ few-shot prompts to guide LLM in generating superior samples based on feature transforma- tion sequence distinction.利用多人口数据库最初提供了广泛的搜索范围，以发现出色的人群。通过淘汰和进化，高质量的人群获得了更多的机会，从而进一步追求最佳个人。通过将LLM与进化算法整合在一起，我们在庞大的空间内实现了有效的外观，同时利用特征知识来推动优化，从而实现了更适应性的搜索范式。最后，我们从经验上证明了我们提出的方法的效率和普遍性。