XiaoMi-AI文件搜索系统
World File Search SystemGuided
通过图神经网络在表型预测中利用蛋白质 - 蛋白质相互作用通过大型语言模型指导的定向演化蛋白质设计
摘要 - 指导的进化，一种蛋白质工程的策略，通过严格且资源密集的筛查或在广泛的突变中进行筛选或选择的过程来优化蛋白质特性（即健身）。通过对序列属性进行计算机筛选，机器学习引导的定向进化（MLDE）可以加快优化过程并减轻实验工作量。在这项工作中，我们提出了一个通用的MLDE框架，在该框架中，我们应用了蛋白质表示学习和蛋白质属性预测中深度学习的最新进步，以加速搜索和优化过程。特别是我们引入了一条优化管道，该管道利用大型语言模型（LLMS）来查明序列中的突变热点，然后建议替换以提高整体适应性。与其他最先进的基线算法相比，我们提出的框架在条件蛋白质产生中的效率和功效提高了。我们希望这项工作将不仅对蛋白质工程，而且对使用数据驱动方法解决组合问题进行新的启示。我们的实施可在https://github.com/ hysonlab/directed Evolution上公开获取。
AI引导的火箭着陆：导航精确下降策略
摘要。自主火箭着陆是航空航天工程中的关键里程碑，这是实现安全且具有成本效益的太空任务的关键。本文介绍了一种开创性的方法，该方法采用了强化学习方法来提高火箭着陆程序的精确性和效率。基于逼真的Falcon 9模型，该研究集成了复杂的控制机制，包括推力矢量控制（TVC）和冷气推进器（CGT），以确保敏捷推进和平衡调整。观察数据，传递关键参数，例如火箭位置，方向和速度，指导强化学习算法做出实时决策以优化着陆轨迹。通过战略实施课程学习策略和近端政策优化（PPO）算法，火箭代理进行了迭代培训，稳步提高了其在指定垫上执行软着陆的能力。实验结果强调了所提出的方法的疗效，在实现精确和受控下降方面表现出非常熟练的能力。这项研究代表了自主着陆系统的进步，准备彻底改变太空探索任务，并在商业火箭企业中解锁新的边界。
SGDCL：可解释自主驾驶的语义引导动态相关学习
通过学习表达表达，深度学习（DL）彻底改变了自主驾驶（AD）。尽管取得了重大进步，但DL模型的继承性不透明产生了公众的信任，阻碍了他们广泛采用的采用。为了表现出可行的自主驾驶，当前的研究主要专注于从现场提取特征，以预测驾驶动作及其响应解释。然而，这些方法不足以在动作和解释（这项工作中称为类别）中实现语义和相关性信息，从而导致了次优的性能。为了解决这个问题，我们提出了语义引导的动态相关性学习（SGDCL），这是一种新颖的方法，可以利用语义丰富性和动态相互作用与类别的内在性。sgdcl启用语义引导的学习模块，以获取特定于类别的表示和动态相关学习模块，以适应类别之间的复杂相关性。另外，我们引入了一个创新的损失术语，以利用类别的细粒度同时统计来进行精制正则化。我们可以在两个完善的基准上进行广泛评估SGDCL，这表明了它优于七个最先进的基线和一个大型视觉模型。SGDCL可显着促进可解释的自主驾驶，最多15个。3％的绩效提高和可解释的关注分数，增强了公众对AD的信任。
pilora：用于联邦课堂学习的原型指导增量洛拉
摘要。现有的联合学习方法在涉及数据隐私和非IID数据的情况下有效地处理了分散的学习。但是，在现实情况下，每个客户端都动态学习新类，要求全局模型对所有可见的类进行分类。有效地减轻灾难性遗忘和数据异质性，我们提出了一种名为Pilora的简单有效方法。一方面，我们采用原型学习来学习更好的功能表示形式，并利用原型和类特征之间的启发式信息来设计原型重新重量调节，以解决由数据异质性引起的分类器偏见而无需重新培训分类器。另一方面，我们将增量学习视为学习独特的任务向量并在不同的Lora参数中编码它们的过程。因此，我们提出了增量的洛拉（Lora）来减轻灾难性遗忘。标准数据集的实验结果表明，我们的方法的表现优于最先进的方法。更重要的是，我们的方法在不同的环境和数据杂基的程度上表现出强大的稳固性和优越性。该代码可从https://github.com/ghy0501/pilora获得。
文本引导的视频蒙版自动编码器
摘要。最近的视频蒙版自动编码器（MAE）作品已签署了以显着性为重点的改进的掩盖算法。这些作品利用了视觉提示，例如掩盖最突出区域的运动。但是，此类视觉提示的鲁棒性取决于输入视频的频率匹配基础假设。另一方面，自然语言描述是视频的信息密集表示，它隐含地捕获了显着性而无需特定于模态的标题，并且尚未探索视频MAE。为此，我们介绍了一种新颖的文本引导掩蔽算法（TGM），该算法掩盖了与配对字幕最高对应的视频区域。在不利用任何显式视觉提示的情况下，我们的TGM与最先进的掩蔽算法（如运动引导掩盖）具有竞争力。为了从自然语言的语义中进一步受益于掩盖重建的语义，我们接下来引入了一个统一的MAE和蒙版视频文本对比学习的统一框架。我们表明，在现有的掩蔽算法中，与纯MAE相比，在各种视频识别任务上，统一MAE和蒙版视频对比学习可以改善下游性能，尤其是对于线性探测。在这个统一的框架内，我们的TGM在五个动作识别和一个以自我为中心的数据集上实现了最佳的相对性能，从而突出了自然语言对掩盖视频建模的互补性。
使用扩散模型的自引导少数族裔样本
摘要。我们提出了一种新的方法，用于产生生活在数据歧管的低密度区域上的少数族裔。我们的框架建立在扩散模型的基础上，利用指导抽样的原理，该原理在推理期间包含了基于能量的指导。我们采样器的关键定义特征在于其独立的性质，即仅通过验证的模型实现。这使我们的采样器与现有技术的采样器分歧，这些技术需要昂贵的其他组件（例如外部分类器）来少数群体。具体来说，我们首先通过评估重建损失W.R.T.来估算在内部潜在样本中特征的可能性。其后平均值。这一代然后以最小化估计的可能性的最小化，从而鼓励在随后的时间段的潜在样本中出现Mi-Nority特征。为了改善采样器的性能，我们提供了几种时间调度技术，可以正确管理指导对推理步骤的影响。实验基准的真实数据集进行了示例，即我们的方法可以极大地提高在现有技术上创建现实的低样本少数族裔实例的能力，而不会依赖昂贵的其他元素。代码可在https://github.com/soobin-um/sg-minority上找到。
TEXGEN：带有多...
摘要。给定3D网格，我们的目标是合成对任意文本描述的3D纹理。当前从采样视图中生成和组装纹理的方法通常会导致突出的接缝或过度平滑。为了解决这些问题，我们提出了Texgen，这是一种新型的多视图采样和重新采样框架，用于利用预先训练的文本对图扩散模型。为了视图一致的采样，首先，我们在RGB空间中维护纹理图，该纹理图由denoising步骤进行参数化并在扩散模型的每个采样步骤之后进行更新，以逐步减少视图散发。利用了注意引导的多视图采样策略来跨视图广播外观信息。为了保留Texurure细节，我们开发了一种噪声重采样技术，该技术有助于估算噪声，按照文本提示和当前纹理图的指示为后续的DeNoising步骤生成输入。通过大量的定性和定量评估，我们证明我们提出的方法为具有高度视图一致性和丰富外观细节的不同3D对象产生了明显更好的纹理质量，并且优于当前的目前先进的方法。fur-hoverore，我们提出的纹理生成技术也可以应用
模拟引导的工程使Selinadiene合酶中的功能开关降低羟基化
摘要：倍半萜烯合酶形成预定义的替代产品是一个重大挑战，因为它们在环化机制方面的多样性以及我们对氨基酸变化如何影响这些机制的方向的有限理解。在这里，我们将原子模拟和位于定位的诱变的组合来设计A Selina-4（15），7（11） - Diene合酶（SDS），因此其最终的反应性碳分配被捕获的活性现场水淬灭，从而形成了复杂的羟基羟基甲氧酯（11）-EL（11）-4-4-4-4-4-4-4-4（11）。最初，SDS G305E变体产生20％SELIN-7（11）-EN-4-OL。通过建模酶 - 碳化络合物复合物所建议的，可以通过改变pH来进一步改善Selin-7（11）-EN-4-OL产生，从而导致Selin-7（11）-EN-4-OL成为pH 6.0时的主要产物（48％）。我们将SDS G305E变体与来自甲戊酸酯途径的基因合并到细菌BL21（DE3）细胞中，并以10 mg/l的量表为10 mg/l批量发酵。这些结果凸显了萜烯合酶模拟引导的工程的机会，以产生预定义的复杂羟基化倍半萜。关键字：Terpenoids，MD模拟，水捕获，酶工程，Selin-7（11）-EN-4-OR■简介
用于增强全脑分割的曲率引导粗到精框架
摘要。全脑分割是将整个脑体积划分为解剖标记的感兴趣区域 (ROI)，是脑图像分析中的关键步骤。传统方法通常依赖于复杂的管道，这些管道虽然准确，但由于其复杂性而耗时且需要专业知识。或者，端到端深度学习方法提供快速的全脑分割，但通常会由于忽略几何特征而牺牲准确性。在本文中，我们提出了一种新颖的框架，将以前由复杂的基于表面的管道使用但被基于体积的方法忽略的关键曲率特征集成到深度神经网络中，从而实现高精度和高效率。具体而言，我们首先训练一个粗略的解剖分割模型，重点关注高对比度组织类型，即白质 (WM)、灰质 (GM) 和皮层下区域。接下来，我们使用 WM/GM 接口重建皮质表面，并计算表面上每个顶点的曲率特征。然后将这些曲率特征映射回图像空间，在那里它们与强度特征相结合以训练更精细的皮质分割模型。我们还简化了皮质表面重建和曲率计算的过程，从而提高了框架的整体效率。此外，我们的框架非常灵活，可以将任何神经网络作为其主干。它可以作为即插即用组件来增强任何分割网络的全脑分割结果。在公共 Mindboggle-101 数据集上的实验结果表明，与各种深度学习方法相比，分割性能有所提高，速度相当。
磁共振引导的集中超声的当前进展，以促进跨脑屏障的药物输送
血脑屏障（BBB）是血管与脑实质之间的半渗透屏障，包括内皮细胞和外排转运蛋白之间的紧密连接，可主动从中枢神经系统中清除物质。离子和小于400 da）（DA）的小脂溶性分子通常能够通过BBB，但是较大的分子无法获得[1]。虽然对于维持中枢神经系统组成和免疫特你的环境至关重要，但BBB还阻碍了潜在的转化疗法到达大脑中的预期靶标[2，3]。正在研究BBB通透性的许多策略。从广义上讲，这些策略可以归类为跨细胞和细胞细胞[4]。在经跨细胞a的抗体中，可以使分子更具亲脂性来促进跨BBB的通道，或者可以增强载体介导的转运，以绕过BBB完全绕过BBB [5]。跨细胞方法可以受到与这些类型的释放兼容的药物限制。细胞细胞的方法涉及紧密连接的破坏，这可以通过化学或物理手段进行。BBB透化的化学细胞细胞机制通常依赖于血管活性剂，高质量化合物（例如甘露醇）或对Claudin蛋白家族的抗体（与紧密