XiaoMi-AI文件搜索系统
World File Search SystemGraph
机器学习的图形信号处理
图1：典型的基于图的机器学习任务和相应挑战的说明示例。该算法的输入由i）图形捕获的典型蛋白质 - 蛋白质相互作用网络，ii）图（颜色编码）上的信号是任何给定时间点的单个基因的表达水平。输出可以是经典的机器学习任务，例如蛋白质的聚类，或者随着时间的推移预测基因表达。
用于药物开发的图神经网络
如果一种药物在药理学空间中与某种疾病接近，那么它就有可能治疗该疾病 [Paolini 等人，Nature Biotech.'06；Menche 等人，Science'15]
图论的多方面应用
摘要。数学的一个分支学科称为图论，它研究由线相互连接的点网络。研究人员可以使用图论来建模和检查网络结构。图论本质上主要是拓扑的，支持定性和定量方法。图论使重要的科学发现成为可能，包括更好地理解电力分配系统如何发生故障以及健康问题如何通过社交网络传播。尽管网络分析通常会让人联想到图论、复杂网络理论和网络优化，但地理学家采用各种技术来研究网络。本研究通过系统地探索图论在多个领域的众多应用，强调了图论在建模和分析复杂网络中的基础意义。它首先回顾了图论在数学信息、计算科学和化学中发挥的基本作用。然后讨论转向社交媒体、交通工具和神经科学领域的前沿应用，展示了图论的多功能性。该研究强调了其在利用社交媒体数据改进交通流量预测和评估文化环境设施方面的新应用。本文通过广泛的概述和方法研究验证了图论在解决当代问题中的关键作用。
精确医学的基于条件的知识图
*相应的作者。Quoqing Zhang。国家基因组学数据中心和生物医学大数据中心，中国科学院计算生物学主要实验室，上海营养与健康研究所，中国科学院，中国科学院，中国科学院，Yueyang Road，320 Yueyang Road，Xuhui区，XUHUI区，XUHUI区，200031年，中国Xuhui区。电子邮件：gqzhang@sinh.ac.cn; Yunchao Ling。 国家基因组学数据中心和生物医学大数据中心，中国科学院计算生物学主要实验室，上海营养与健康研究所，中国科学院，中国科学院，中国科学院，Yueyang Road，320 Yueyang Road，Xuhui区，XUHUI区，XUHUI区，200031年，中国Xuhui区。 电子邮件：lingyunchao@sinh.ac.cn; ping xu。 上海生命科学信息中心，上海营养与健康研究所，中国科学院，中国科学院，中国科学院，XUHUI区320 Yueyang Road，Shanghai，200031，中国。 电子邮件：xuping@sinh.ac.cn。 ‡同等贡献。电子邮件：gqzhang@sinh.ac.cn; Yunchao Ling。国家基因组学数据中心和生物医学大数据中心，中国科学院计算生物学主要实验室，上海营养与健康研究所，中国科学院，中国科学院，中国科学院，Yueyang Road，320 Yueyang Road，Xuhui区，XUHUI区，XUHUI区，200031年，中国Xuhui区。电子邮件：lingyunchao@sinh.ac.cn; ping xu。 上海生命科学信息中心，上海营养与健康研究所，中国科学院，中国科学院，中国科学院，XUHUI区320 Yueyang Road，Shanghai，200031，中国。 电子邮件：xuping@sinh.ac.cn。 ‡同等贡献。电子邮件：lingyunchao@sinh.ac.cn; ping xu。上海生命科学信息中心，上海营养与健康研究所，中国科学院，中国科学院，中国科学院，XUHUI区320 Yueyang Road，Shanghai，200031，中国。电子邮件：xuping@sinh.ac.cn。 ‡同等贡献。电子邮件：xuping@sinh.ac.cn。‡同等贡献。
metagenomickg：元基因组应用的知识图
动机：微生物群落中的庞大的体积和种类的基因组含量使宏基因组学成为丰富的生物医学知识的领域。为了穿越这些复杂的社区及其众多的未知数，宏基因组学通常取决于不同的参考数据库，例如基因组分类数据库（GTDB），基因和基因组（KEGG）的京都百科全书（KEGG）以及细菌和病毒生物影响中心（BV-BRC），以便各种分析。这些数据库对于微生物群落的遗传和功能注释至关重要。尽管如此，这些数据库的命名法或标识符不一致提出了有效整合，表示和利用的挑战。知识图（kgs）通过将生物学实体及其相互关系组织到凝聚力网络中提供了适当的解决方案。图形结构不仅促进了隐藏模式的揭幕，而且还通过更深入的见解丰富了我们的生物学理解。尽管KG在各种生物医学领域都表现出了潜力，但它们在宏基因组学中的应用仍未得到充实。结果：我们介绍了元素元，这是一个专门针对宏基因组分析的新知识图。metagenomickg从广泛使用的数据库中整合了与广泛使用的数据库的分类学，功能和发病机理相关的信息，并将这些信息与已建立的生物医学知识图联系起来，以扩大生物学联系。通过几种用例，我们证明了它在微生物和疾病之间的关系，生成特定于样品的图形嵌入并提供可靠的病原体预测方面的假设产生的实用性。可用性和实现：构建Metagenomickg和复制所有分析的源代码和技术详细信息，请访问github：https：//github.com/koslickilab/metagenomickg。我们还托管了一个neo4j实例：http：//mkg.cse.psu.edu：7474用于访问和查询此图。联系人：dmk333@psu.edu补充信息：在线生物信息学上获得。
Higen：分层图生成网络
图1：（a）显示了具有2个级别的样本分层图。社区以不同的颜色和节点的重量和较高级别的边缘的重量显示，分别表示相应社区和两部分的边缘之和。节点大小和边缘宽度表示其权重。（b）矩阵显示了图G 2矩阵的相应邻接，其中其每个子图形对应于邻接矩阵中的一个块，社区以不同的颜色显示，两分属均以灰色为颜色。（c）多项式分布的分解是一个递归粘性过程，在每次迭代中，首先将剩余权重的一小部分分配给M -The行（子图中的m -th节点），然后该分数V M分布在小三角形邻接邻接邻接次邻接次含量中。（d）平行的社区。（e）两分的平行预测。阴影线是代表每个步骤中候选边缘的增强边缘。
gretl-变化图评估工具包
动机：由于基因组图是代表人群中遗传多样性的强大数据结构，因此它们可以帮助识别传统线性参考遗漏的基因组变异，但它们的复杂性和大小使对基因组图的分析变得具有挑战性。我们试图开发一种基因组图分析工具，该工具通过解决现有工具的局限性来帮助这些分析更容易访问。具体来说，我们提高了可扩展性和用户友好性，并提供了许多新的统计信息以进行图形评估。结果：我们开发了一种有效，全面和集成的工具Gretl，以通过提供广泛的统计数据来分析基因组图并获得对其结构和组成的见解。gretl可以用于评估不同的图表，比较图形构造管道的输出与不同的参数，并对单个图进行深入分析，包括特定于样本的分析。借助Gretl，可以确定遗传变异和潜在目标区域的新型模式，以便以后进行更详细的检查。我们证明，Gretl在速度方面优于其他工具，尤其是对于较大的基因组图。可用性和实现：Gretl在Rust中实现。评论的源代码可在MIT许可证上获得https://github.com/moinsebi/gretl。文档中提供了如何运行gretl的示例。几个Jupyter笔记本电脑是存储库的一部分，可以帮助可视化Gretl结果。
基于学习：图理论方法
在当代景观中，对配备强大的批判性思维和解决问题技能的劳动力的需求达到了前所未有的水平。这些认知能力被认为是驾驶迅速发展的全球环境的复杂性的必要性，而各个行业的雇主越来越强调其招聘标准（世界经济论坛，2020年）。应对这种不断增长的需求，教育领域发生了重大的转变，强调着将策略纳入课程中培养这些基本技能的策略（国家研究委员会，2012年）。在这种教育发展中，一个特别有希望的途径是采用基于游戏的学习（GBL）。这种教学方法利用了游戏的内在吸引力和参与度，以创建积极促进参与和知识获取的交互式学习环境（Kinzer等，2015）。GBL对传统学习方法提供的优点是多方面的，并为批判性思维和解决问题的技能的发展做出了重大贡献。1.1。基于游戏的学习的吸引力
基于GPU的快速pangenome图布局
摘要 - 计算pangenomics是一种新兴领域，使用图形结构封闭多个基因组研究遗传变异。可视化Pangenome图对于理解基因组多样性至关重要。然而，由于图布局过程的高计算需求，处理大图可能具有挑战性。在这项工作中，我们对最先进的pangenome图布局算法进行了彻底的性能特征 - 揭示了显着的数据级并行性，这使GPU成为计算加速度的有前途的选项。但是，不规则的数据访问和算法的内存性质具有重大障碍。为了克服这些挑战，我们开发了一种实施三个关键优化的解决方案：对缓存友好的数据布局，合并的随机状态和经纱合并。另外，我们提出了一个定量度量标准，用于可扩展对Pangenome布局质量的评估。对24个人类全染色体pangenomes进行了评估，我们的基于GPU的解决方案在没有布局的质量损失的情况下，在the-Art MultineReaded CPU基线上实现了57.3倍的速度，从而将执行时间从数小时减少到数分钟。索引术语 - Pangenomics，生物信息学，图形布局，GPU加速度