XiaoMi-AI文件搜索系统
World File Search SystemFREY
摘要 - 希尔德斯海姆大学
CONGRESSES OF THE SOCIETY FOR EXPERIMENTAL PSYCHOLOGY // THE GERMAN SOCIETY FOR PSYCHOLOGY Society for Experimental Psychology 1904 Giesen – R. Sommer 1906 Würzburg – O. Külpe 1908 Frankfurt – K. Marbe 1910 Innsbruck – F. Hillbrand 1912 Berlin – C. Stumpf 1914 Göttingen – GE Müller 1921 Marburg – ER Jaensch 1923 Leipzig – F. Krüger 1925 Munich – E. Becher 1927 Bonn – G. Störring 1929 Vienna – K. Bühler German Society for Psychology 1931 Hamburg – W. Stern 1933 Leipzig – F. Krueger 1934 Tübingen – O. Kroh 1936 Jena – F. Sander 1938 Bayreuth – D. Kolb 1948 Göttingen – JG Allesch 1951 Marburg – H. Düker 1953 Cologne – U. Undeutsch 1955 Berlin – O. Kroh 1957 Bonn – F. Sander 1959 Heidelberg – J. Rudert 1962 Würzburg – W. Arnold 1964 Vienna – H. Rohracher 1966 Münster – W. Witte 1968 Tübingen – R. Bergius 1970 Kiel – H. Wegener 1972 Saarbrücken – P. Orlik 1974 Salzburg – E. Roth 1976 Regensburg – A. Vukovich 1978 Mannheim – L. Michel 1980 Zurich – N. Bischof 1982 Mainz – O. Ewert 1984 Vienna – B. Rollett 1986 Heidelberg – M. Amelang 1988 Berlin – K. Eyferth 1990 Kiel – D. Frey 1992 Trier – L. Montada 1994 Hamburg – K. Pawlik 1996 慕尼黑 – H. Mandl 1998 德累斯顿 – W. Hacker 2000 耶拿 – RK Silbereisen 2002 柏林 – E. van der Meer 2004 哥廷根 – Th. Rammsayer 2006 纽伦堡 – F. Lösel 2008 柏林 – PA Frensch 2010 不来梅 – F. Petermann 2012 比勒费尔德 – R. Riemann 2014 波鸿 – O. Güntürkün 2016 莱比锡 – I. Fritsche 2018 法兰克福 – H. Horz, J. Hartig (2020 维也纳 – U. Ansorge) 2022 希尔德斯海姆 – C. Bermeitinger, W. Greve
建议调职和/或重新任命的官员
航空当前选定社区 # 姓名 等级 设计 设计（仅限 13X7） 1 PATTERSON, DAVID M. LT 1320 1327 NFO VAW 2 COLLINS, ADAM L. LT 1320 1327 NFO VFC 3 MARTINEZ, JOSHUA R. LCDR 1320 1327 NFO VFC 4 MCCALDEN, KATHERINE M. CDR 1325 1327 NFO VAQ 5 PALMER, TARA A. LCDR 1320 1327 NFO VAQ 6 COFFEY, KYLE D. LCDR 1310 1317 VR 7 DAMICO, SEAN C. LT 1310 1317 VR 8 DATKO, JULIA M. LT 1310 1317 VR 9 EMERSON，RILEY J. LCDR 1310 1317 VR 10 FLEMING，AARON D. LT 1310 1317 VR 11 FREY，ELIZABETH A. LT 1310 1317 VR 12 GREINER，KATIE M. LCDR 1310 1317 VR 13 GREINER，SEAN R. LCDR 1310 1317 VR 14 GREWAL，SHUBEG S. LT 1310 1317 VR 15 HALL，ORION E. LCDR 1315 1317 VR 16 HENDRICKS，THOMAS R. LCDR 1310 1317 VR 17 HILDEBRAND，MATTHEW A. LCDR 1310 1317 VR 18 HOLIAN， DANIEL J. LCDR 1315 1317 VR 19 IANNACONE，KEVIN M. LCDR 1310 1317 VR 20 IRELAND，ANDREW C. LT 1310 1317 VR 21 KAPLAN，ROBERT C. LCDR 1310 1317 VR 22 LEE，DANIEL M. LT 1310 1317 VR 23 LITTLE，CAMERON M. LT 1310 1317 VR 24 LORENZ，JASON C. LCDR 1310 1317 VR 25 LUTZ，LAURA A. LT 1310 1317 VR 26 MCMAHON，JAMES F. LT 1310 1317 VR 27 NOEL，NATHAN J. LCDR 1310 1317 VR 28 皮尔斯，克雷格 R. LT 1310 1317 VR 29 波沃利，辛詹 A. LCDR 1310 1317 VR 30 沙克，弗雷德里克 L. LT 1310 1317 VR 31 特赖恩，马修 D. LCDR 1310 1317 VR 32 威尔逊，尼古拉斯B. LCDR 1310 1317 VR 33 伯杰，威廉 E. LCDR 1315 1317 VTP 34 坎贝尔，马克 W. LCDR 1310 1317 VTP 35 埃利斯，雅各布 R. LCDR 1310 1317 VTP
人工智能的采用和系统范围的变革
在过去十年中，人工智能 (AI) 已成为一种潜在的通用技术 (Cockburn 等人 (2019))。在机器学习进步的推动下，各个领域的预测成本开始加速下降 (Agrawal 等人 (2018a))。这引发了一些有趣的问题：人工智能将在哪些领域得到采用，以及它对就业和企业的潜在颠覆性影响 (Gans 和 Leigh (2019)、Frey 和 Osborne (2017)、Brynjolfsson 和 McAfee (2017))。到目前为止，我们对人工智能采用的概念主要在任务或决策层面上运作 (例如，Frank 等人 (2019)；Acemoglu 和 Restrepo (2018))。例如，为了预测人工智能对就业的潜在影响，已经进行了大量练习，旨在识别受人工智能威胁的工作、构成威胁的工作的任务以及自动化对工作场所的更普遍影响（Webb（2020）；Brynjolfsson 和 Mitchell（2017）；Brynjolfsson 等人（2018）；Felten 等人（2018））。尽管如此，一些人质疑这种任务级别的关注是否合适。Bresnahan（2020）认为人工智能是一种信息技术，传统上这种技术需要组织重新设计才能全面采用。这在早期 IT 的采用模式中显而易见（Bresnahan 和 Greenstein（1996）；Bresnahan 等人（2002）；Aral 等人（2012）；Dranove 等人（2014））。 Bresnahan (2020) 质疑了可以在任务层面分析 AI 采用情况的观点，而与任务所在的组织环境无关。Bresnahan 将组织的模块化程度确定为 AI 采用的预测指标。当一个组织是非模块化的时，改变一个部分的决策性质（就像采用 AI 时会出现的情况一样）可能需要改变其他地方的决策和实践。他认为，整个非模块化组织都需要进行调整，这可能会阻碍 AI 的采用。相反，Bresnahan 预测 AI 将主要在现有的模块化组织中采用，并且只有在其他组织被重新设计为模块化时，AI 才可能被采用。我们建立了一个模块化在 AI 采用中的作用模型。我们考虑一家公司，其价值来自两个决策（类似于任务）的结果。模块化是指公司从一个决策中获得收益的程度，即使这两个决策没有正确对齐。在基线模型中，决策者不知道外部状态，因此不知道正确的操作。因此，他们选择最有可能正确的操作。无论模块化程度如何，决策者都没有必要进行沟通。他们总是做同样的事，而且通常是正确的，但并非总是正确的。
改善使用专家先验的机器学习的贝叶斯优化
这篇论文以及我超越了它的所有工作，都是我收到的令人难以置信的指导和支持的产物，以及我整个学术界都建立了持久的友谊。我不能充分强调生活中人们启发我的多种方式。对这些人，我表达了我最深切的感激之情。首先，我绝对必须承认我的主管理查德·泽梅尔（Richard Zemel）。Rich无论多么愚蠢，Rich都会毫不犹豫地接受一个新的想法。他会很高兴地跳入一个新的未知领域的深处，成为一名专家，并通过出色的建议帮助我。除此之外，Rich是一个令人难以置信的榜样。他以极大的谦卑来承担自己的态度，并尊重周围的每个人。我很幸运有机会与他合作，我希望在我的职业生涯中，我甚至可以像他一样成为一位好导师。我要感谢我的监督委员会，Geo Que Rey Hinton和Brendan Frey在我的学位上提供了出色的反馈和支持。我有幸与布伦丹（Brendan）合作进行了多个项目，并且总是因他不断的热情和敏锐的想法而充满活力。我很幸运能够与Geo Q.合作。他的直觉和对任何问题的核心见解的能力令人震惊，但更重要的是他的慷慨和他对待周围的人的方式。我也很幸运能够与许多优秀的教授一起工作，包括Sanja Fidler，Toniann Pitassi，Ruslan Salakhutdinov和Raquel Urtasun。我还要感谢我的外部审查员Max Welling对本文的周到和有见地的评论。我很幸运能在学位期间拥有其他几位出色的导师。早些时候，我与丹尼·塔洛（Danny Tarlow）合作，他帮助我建立了研究势头，并在工作中达到了新的成熟水平。后来，我与Jasper Snoek合作，Jasper Snoek的工作道德，新颖的见解和自制啤酒导致了构成本论文基础的论文。在所有这些过程中，我很荣幸能够与瑞安·亚当斯（Ryan Adams）合作，瑞安·亚当斯（Ryan Adams）负责我在贝叶斯优化方面的大部分工作。瑞安继续以他的广度和知识以及他的仁慈和敏感性使我感到惊讶。我要感谢我的前顾问Nando de Freitas，他将我带入了机器学习的世界，并在硕士学位期间为我提供了建议，在我毕业后将我带回了机器学习的世界，并一直是今天的好朋友。也许我在学术界期间最大的方面是我与之合作，与之交往和处理的一群朋友。这些人毫无意义，聪明，真诚，并驱使我将标准设置为尽可能高的标准。
第11章：描述定量数据
章节概述：Frey，L.，Botan，C。和Kreps，G。（1999）。调查交流：研究方法简介。（第二版）波士顿：Allyn＆Bacon。第11章：描述定量数据I.简介A.我们不断地被以统计形式的信息轰炸，人们用来描述事物。有些易于理解，有些则更复杂。B.本章旨在帮助解释用于分析定量（数值）数据的各种统计数据。目标是帮助您成为此类信息的有能力的消费者。II。 有意义的数字：统计数据分析A. 一组获得的数据本身不是很有用。它需要进行分析和解释。 B. 数据分析：检查数据对研究人员意味着什么，将数据转换为可以共享的有用信息的过程。 1。 统计数据分析：检查定量数据对研究人员意味着什么的过程。 C.“统计信息”来自拉丁语“状态”，这意味着统计信息用于了解定量数据的状态或状态；统计信息是指一组数据的任何数值指标。 1。 有两个广泛的统计数据：描述性和推论统计。 D.统计是用于提出论点的最普遍和有说服力的证据形式之一。人们应该警惕以下事实：统计通常以不太诚实的方式使用（“统计评估”）。 1。 2。 a。 b。II。有意义的数字：统计数据分析A.一组获得的数据本身不是很有用。它需要进行分析和解释。B.数据分析：检查数据对研究人员意味着什么，将数据转换为可以共享的有用信息的过程。1。统计数据分析：检查定量数据对研究人员意味着什么的过程。C.“统计信息”来自拉丁语“状态”，这意味着统计信息用于了解定量数据的状态或状态；统计信息是指一组数据的任何数值指标。1。有两个广泛的统计数据：描述性和推论统计。D.统计是用于提出论点的最普遍和有说服力的证据形式之一。人们应该警惕以下事实：统计通常以不太诚实的方式使用（“统计评估”）。1。2。a。b。缺乏有关统计信息的知识会导致倾向于完全拒绝信息或以面值接受信息。E.统计一词是指两个项目：1。产品：表征一组定量数据的数值描述和推论统计。技术：生成数值描述和统计推断的程序的应用。f。存在两种类型的统计数据分析所反映的描述和推断的一般目的：1。描述性统计数据分析：用于构建有关一组定量数据特征的简单描述。摘要统计信息：总结数据的数值指标。将原始分数转换为标准分数。 c。构建数据的视觉显示。 2。 推论统计数据分析：两个目的：估计：从聚集在样本上收集的数据中估算人群的特征。 b。 显着性测试：对组之间的显着统计差异和变量之间的显着统计关系进行测试。 iii。 通过摘要统计数据描述数据A. 必须以某种方式凝结组成相对较大的数据集的数据才能理解它们。 1。 数据被凝结为一个数值指标，该指标最能汇总数据集，称为摘要统计量，这是描述整个定量数据集的有效方法。 B.将原始分数转换为标准分数。c。构建数据的视觉显示。2。推论统计数据分析：两个目的：估计：从聚集在样本上收集的数据中估算人群的特征。b。显着性测试：对组之间的显着统计差异和变量之间的显着统计关系进行测试。iii。通过摘要统计数据描述数据A.必须以某种方式凝结组成相对较大的数据集的数据才能理解它们。1。数据被凝结为一个数值指标，该指标最能汇总数据集，称为摘要统计量，这是描述整个定量数据集的有效方法。B.研究人员寻求一个摘要统计数据，该统计数据提供了数据集中的“典型”点，最好的
与科学峰会与会者的公众互动 4.17。...
Maureen Gwinn 环境保护署 与会者 gwinn.maureen@epa.gov Holly Hajare 总统执行办公室 科学技术政策办公室 与会者 Holly.S.Hajare@ostp.eop.gov Ha-Hoa Hamano 美国国家航空航天局 与会者 ha-hoa.n.hamano@nasa.gov Tracy Hancock 环境保护署 与会者 Hancock.Tracy@epa.gov Scott Harmon 总务管理局工作人员 scott.harmon@gsa.gov Katherine Harrington 国家科学基金会 与会者 kharring@nsf.gov Kristen Honey 卫生与公众服务部 与会者 kristen.honey@hhs.gov Ann Hunter-Pirtle 能源部 与会者 ann.hunter-pirtle@hq.doe.gov Viv Hutchison 内政部 美国地质调查局 与会者 vhutchison@usgs.gov Boyan Ignatov 核能监管委员会与会者 Boyan.Ignatov@nrc.gov
CV - 米莱娜·茨韦特科娃
Straub, V.J.、Tsvetkova, M. 和 Yasseri, T. 2023。在执行复杂任务时，协调的成本可能超过协作的收益。集体智慧 2(2)。https://doi.org/10.1177/26339137231156912 Tsvetkova, M. 、Vuculescu, O.、Dinev, P.、Sherson, J. 和 Wagner, C. 2022。异质禀赋下的不平等和公平。PLoS ONE 17(10):e0276864。Tsvetkova, M. , M¨uller*, S., Vuculescu, O., Ham, H., 和 Sergeev, R. 2022.社会比较增加了努力和表现的分散性和可预测性。ACM 人机交互论文集 6(CSCW2):536。Kim*, J.E.和 Tsvetkova, M. 2021。网络游戏中的作弊行为通过观察和受害而传播。网络科学 9(4):425–442。Tsvetkova, M. 2021。声誉对网络合作游戏中不平等的影响。英国皇家学会哲学学报 B 376:20200299。Reiss*, M.V.和 Tsvetkova, M. 2020。从 Facebook 个人资料图片了解教育。新媒体与社会 22(3):550–570。Tsvetkova, M. , Wagner, C., 和 Mao, A.2018。社会群体中不平等的出现：网络结构和制度影响合作博弈中的收益分配。PLoS ONE 13(7):e0200965。Tsvetkova, M. , Yasseri, T., Meyer, E., Pickering, J.B., Engen, V., Walland, P., L¨uders, M., Følstad, A., 和 Bravos, G. 2017.理解人机网络：一项跨学科调查。ACM 计算调查 50(1):12。Garc´ıa-Gavilanes, R.、Møllgaard, A.、Tsvetkova, M. 和 Yasseri, T. 2017。记忆永存：理解数字时代的集体记忆。Science Advances 3(4):e1602368。Tsvetkova, M. 、Garc´ıa-Gavilanes, R.、Floridi, L. 和 Yasseri, T. 2017。即使是优秀的机器人也会打架：以维基百科为例。PLoS ONE 12(2):e0171774。Tsvetkova, M. , Garc´ıa-Gavilanes, R., 和 Yasseri, T. 2016.分歧的动态：大规模时间网络分析揭示了在线协作中的负面互动。科学报告 6：36333。Garc´ıa-Gavilanes, R., Tsvetkova, M. , 和 Yasseri, T. 2016.在线关注的动态和偏见：飞机失事案例。皇家学会开放科学 3：160460。Tsvetkova, M. , Nilsson*, O., ¨ Ohman*, C., Sumpter, L., 和 Sumpter, D. 2016.隔离机制的实验研究。EPJ 数据科学 5:4。Tsvetkova, M. 和 Macy, M.W.2015.反社会行为的社会传染。社会科学 2:36–49。Macy, M.W.和 Tsvetkova, M. 2015.噪声的信号重要性。社会学方法与研究 44(2):306–328。Tsvetkova, M. 和 Macy, M.W.2014。慷慨的社会感染。PLoS ONE 9(2): e87275。Tsvetkova, M. 和 Buskens, V. 2013。平等主义网络在社会博弈中的非对称关系协调。复杂系统进展 16(1):1350005。 van der Lippe, T.、Frey, V. 和 Tsvetkova, M. 2013。家务外包：偏好问题？家庭问题杂志 34(12):1574–1597。Shaw, A.K.、Tsvetkova, M. 和 Daneshvar, R. 2011。八卦对社交网络的影响。复杂性 16(4):39–47。
自动化经济中的最低工资
在过去的几十年里，人工智能、机器人和其他形式的自动化等新技术发展迅速。这些新技术可能会对经济产生重大影响。特别是，劳动力市场将在未来发生根本性变化（例如，Brynjolfsson & McAfee，2014；Ford，2015）。Frey 和 Osborne（2017）探讨了工作与自动化之间的敏感性，并估计美国目前约 47% 的工作可能会在一到二十年内实现自动化。实证研究表明，自动化对常规任务产生了重大影响，导致劳动力两极分化，并加剧了经济不平等（例如，Acemoglu & Restrepo，2020a；Autor，2015；Autor & Dorn，2013；Autor 等，2003、2015；Goos & Manning，2007；Graetz & Michaels，2018）。此外，Goos 等人（2019）强调，自动化对失业求职者造成的调整成本在低技能工人和高技能工人之间分配不均。为了减少新出现的不平等，人们讨论了各种政策手段，例如对机器人征税、基本全民收入或最低工资（例如，Acemoglu 等人，2020 年；Costinot 和 Werning，2018 年；Freeman，2015 年；Furman，2019 年；Guerreiro 等人，2017 年；McAfee 和 Brynjolfsson，2016 年；Thuemmel，2018 年）。然而，人们对最低工资与自动化相结合的影响知之甚少。在现有的少数研究之一中，Lordan 和 Neumark（2018 年）通过实证表明，较高的最低工资会减少可自动化工作的就业。此外，他们强调，在有关最低工资影响的实证文献中，有一些工人群体经常被忽视，例如老年人和低技能工人。然而，似乎几乎没有任何理论研究过基于任务的框架中的最低工资的影响，在该框架中，任务越来越多地由机器取代低技能工人。一个例外是 Aaronson 和 Phelan ( 2019 ) 的研究，他们开发了一个基于任务的理论框架来检验最低工资对劳动力市场的影响。本文旨在探讨具有约束力的最低工资对自动化经济中总产出、就业、要素价格和各种收入分配指标的影响。为了分析最低工资与自动化相结合对劳动力市场的影响，我们以 Acemoglu 和 Restrepo ( 2018a 、 2018b 、 2018d ) 以及 Acemoglu 和 Autor ( 2011 ) 的研究为基础，这两项研究是相互关联的，并且基于 Zeira ( 1998 ) 和 Acemoglu 和 Zilibotti ( 2001 )。基于任务的框架采用了劳动力市场的概念，该市场可以通过工作任务内容进行实证表征（例如，Goos 等人，2019 年）。从理论上讲，基于任务的框架使我们能够沿着密集和广泛的边界对自动化进行建模（Acemoglu & Restrepo，2018c），还要考虑引入最低工资后可能产生的影响。在我们基于任务的框架中，单位间隔内的任务由机器、低技能和高技能工人完成。机器和低技能工人可以生产的任务范围受外生阈值的限制。假设每种生产要素在部分任务上都有比较优势，这会导致要素的简单分配。因此，我们的任务间隔被划分为三个复杂度不断增加的间隔，其中机器在第一个间隔生产任务，低技能工人在中间间隔生产任务，高技能工人在最后一个间隔生产任务。通过假设机器、低技能和高技能工人的供给固定且无弹性，我们实施高于均衡低技能工资的最低工资并确定新的均衡。
人工智能在商业决策中的道德含义：
让学校沮丧，购买者顾问和网络外观令人沮丧，专家们在可以想象的说服答复中提高了错误数据的风险（Pierani and Bruggeman，2023年）。尽管进行了一些考试（Repel等，2016）已经完成了在等级结构环境中涉及人造智能的优点和担忧，但有限的研究是针对哪些界限影响了在协会明确导航中对模拟情报的接受。正在进行的论文的承诺正在揭示围绕模拟情报接收的洞察力和恐惧，以及联想如何处理这些见解并减轻与人工智能接待相关的危险。kshetri（2021，p。970）提示：“人造意识（模拟情报）可能是一种开创性的力量，可能会改变董事会和等级实践的工作”。机器可以在工作练习中协调或击败人们，这需要高度精神，因为新的处理设备，更为显着的计算以及在辉煌的机器时代中的大量信息衡量（Autor and Dorn，2013; Manyika等，2017）。根据Davenport和Kirby（2016）的说法，有一种全球自动化趋势涉及机器，可以在更复杂且结构较低的数据环境中做出自主决策。根据Davenport和Kirby（2016）进行的案例研究，三年来总投资回报率从650％到800％不等。本探索论文主要关注与AI或深刻学习思想相关的大脑网络的利用。This contention has been validated by concentrates on that showed that early mechanization was for the most part centered around routine undertakings and choices performed by low-and medium-talented laborers - contrasted with current computerization progresses, which are equipped for robotizing errands and choices performed by information laborers that have high mental abilities, which features the risk of the "machine for human" replacement in associations (Autor and Dorn, 2013; Frey and Osborne，2013年； Loebbecke和Picot，2015年）。此外，美国银行Merrill -Lynch预测，到2025年，AI的影响可能在14万亿至33万亿美元之间，降低了9万亿美元的就业成本（经济学家，2016年）。因此，仅在2015年仅在2015年就花在了人工智能组织上的85亿美元，这并不是什么意外的，将2010年的四倍（金融专家，2016年）折叠。可以利用各种人工智能，例如大脑组织，群洞察力，遗传计算和蓬松的理由来照顾各种真实问题（Autor，2015年）。正在进行的评论由于其学习和进一步发展动态执行的能力而围绕大脑网络的中心（Duana等，2019）。大脑网络的学习技能将这种人造的智能与使用基于规则的或主框架选择的机器人化分开，可以将这些智能分类为基于规则或主框架的选择，而这些智能可以将其分类不大。如果满足这种情况，将是基于标准的选择的例证，请执行此活动（Davenport和Kirby，2016年）。因此，他的中心是关于这种发展的传播（Detjen等，2021）。由有机模型促进的大脑网络再现相关的大脑单位，证明了神经元如何连接（Duana et al。，2019）。组织中复制的神经元要么依靠加权量的反馈。学习通过改变载荷的过程进行，直到活动使执行令人满意的时间为止（Nilson，1998）。Rogers（1995），这是一种在接收创新的假设，试图理解如何，原因和以什么速度新颖的思想和创新扩散。就AI的特定方面而言，例如自动决策，该理论是有限的。AI的这种特征比技术的初始功能要远远远，这是为了启用和协助人类：每当人们定制学习时，可以自由地从人身上工作。我们调查了有关多功能结构假设（AST）的著作，以发展如何解释人工智能接收的障碍。
葡萄砧木品种‘Börner’1 的两个细胞器的基因组序列
1. Ferrarini M、Moretto M、Ward JA、Surbanovski N、Stevanovic V、Giongo L、Viola 88 R、Cavalieri D、Velasco R、Cestaro A、Sargent DJ。2013 年。对 89 PacBio RS 平台进行叶绿体基因组测序和从头组装的评估。BMC 基因组学 14:670。91 2. Stadermann KB、Weisshaar B、Holtgräwe D。2015 年。仅 SMRT 测序甜菜 (Beta vulgaris) 叶绿体基因组的从头组装。BMC 93 生物信息学 16:295。 94 3. Pucker B、Holtgräwe D、Stadermann KB、Frey K、Huettel B、Reinhardt R、95 Weisshaar B。2019 年。染色体水平序列组装揭示了拟南芥 Nd-1 基因组及其基因集的结构。PLoS One 97 14:e0216233。98 4. Altschul SF、Gish W、Miller W、Myers EW、Lipman DJ。1990 年。基本局部比对搜索工具。分子生物学杂志 215:403-410。100 5. Koren S、Walenz BP、Berlin K、Miller JR、Bergman NH、Phillippy AM。2017 年。Canu：通过自适应 k-mer 加权和 102 重复分离实现可扩展且准确的长读组装。基因组研究 27：722-736。103 6. Jansen RK、Kaittanis C、Saski C、Lee SB、Tomkins J、Alverson AJ、Daniell H. 2006. 基于完整叶绿体基因组序列的葡萄科（Vitaceae）系统发育分析：分类单元抽样和系统发育方法对解决蔷薇科间关系的影响。BMC 进化生物学 6：32。107 7. Goremykin VV、Salamini F、Velasco R、Viola R. 2009. 葡萄的线粒体 DNA 和猖獗的水平基因转移问题。分子生物学与进化 26：99-110。110 8. Wick RR、Schultz MB、Zobel J、Holt KE。 2015. Bandage：从头基因组组装的交互式可视化。生物信息学 31：3350-2。112 9. Wheeler TJ、Eddy SR。2013. nhmmer：使用概要 HMM 进行 DNA 同源性搜索。113 生物信息学 29：2487-2489。114 10. Chan PP、Lowe TM。2019. tRNAscan-SE：在基因组序列中搜索 tRNA 基因，第 1-14 页。在 Kollmar M（编辑）的《基因预测：方法和协议》中，116 2019/04/26 编辑，第 1962 卷。Springer New York，纽约。117 11. Lowe TM、Eddy SR。 1997. tRNAscan-SE：一种改进基因组序列中 118 种转移 RNA 基因检测的程序。核酸研究 25：955-964。119 12. Laslett D、Canback B。2004. ARAGORN，一种检测核苷酸序列中的 tRNA 基因和 120 种 tmRNA 基因的程序。核酸研究 32：11-16。121 13. Tillich M、Lehwark P、Pellizzer T、Ulbricht-Jones ES、Fischer A、Bock R、Greiner 122 S。2017. GeSeq - 多功能且准确的细胞器基因组注释。123 核酸研究 45：W6-W11。 124 14. Lohse M、Drechsel O、Kahlau S、Bock R. 2013. OrganellarGenomeDRAW——一套用于生成质体和线粒体基因组物理图谱并可视化表达数据集的工具。核酸研究 41：W575-581。127 15. Lohse M、Drechsel O、Bock R. 2007. OrganellarGenomeDRAW (OGDRAW)：128 一个用于轻松生成高质量自定义质体和 129 线粒体基因组图形图的工具。当代遗传学 52:267-274。130