XiaoMi-AI文件搜索系统
World File Search SystemHMMS
CS223生物信息学，第二节，秋季2024
成功完成本课程后，学生将：1。SLO-1开发生物信息学计算能力：知道如何分析和预测生物信息学算法的性能，例如，分析用于相关性分析，PCA，模式分析等的各种算法的递归和迭代实现，以及如何用于回答BioInformatics问题的问题。2。SLO-2证据推理和生物信息学：证据推理的简介（ER）微积分是传统概率和统计推断的概括。将以比传统方法更大的忠诚度来帮助回答与生物信息学相关的问题的示例。3。SLO-3高级HMM：讨论传统HMM的一些局限性。介绍高级HMM，例如配置文件HMM，跳跃HMM，PAIR-HMMS，Sub-HMM和Phylo-HMM。4。SLO-4表观遗传学：对表观遗传学有足够的介绍性理解，以使学生获得研究由表观遗传学机制引起的疾病所需的知识，并能够开发一条简单的分析管道，该管道将在整个剩余学期中使用，并与其余的课程进行集成。上面的每个SLO对应于下面课程日历中描述的学习模块。也就是说，有四（4）个学习模块与上述每个SLO相对应。
使用语言模型的蛋白质序列域注释
蛋白质功能推论依赖于通过序列模拟性的注释蛋白质域，通常通过剖面隐藏的Markov模型（配置文件HMM）建模，该模型捕获了相关域内的进化多样性。但是，在以序列进行建模残基时，file-file hmms可以使强大的简化独立性假设。在这里，我们介绍了诗篇（使用语言模型的蛋白质序列注释），这是一种层次方法，可放松这些假设，并使用蛋白质语言模型学到的蛋白质序列的表示，以实现高敏感性，高特异性残基级蛋白序列注释。我们在由基于轮廓HMM的方法确定的一组策划的“地面真实”注释中验证了诗篇的表现，并突出显示诗篇作为蛋白质序列注释的有希望的替代方法。
使用多模态数据预测学习者在自适应评估中的努力行为
除了所需的知识之外，还有许多因素影响学习者在某项活动上的表现。学习者在任务上的努力被认为与他们的教育成果密切相关，反映了他们参与该活动的积极性。然而，努力不是直接可观察到的。多模态数据可以提供对学习过程的额外见解，并可能允许努力估计。本文提出了一种在自适应评估环境中对努力进行分类的方法。具体来说，在自适应自我评估活动期间，使用日志和生理数据（即眼动追踪、脑电图、腕带和面部表情）捕捉了 32 名学生的行为。我们对多模态数据应用 k 均值来聚类学生的行为模式。接下来，我们根据发现的行为模式，使用隐马尔可夫模型 (HMM) 和维特比算法的组合，预测学生完成即将到来的任务的努力。我们还将结果与其他最先进的分类算法（SVM、随机森林）进行了比较。我们的研究结果表明，HMM 可以比其他方法更有效地编码努力与行为之间的关系（由多模态数据捕获）。最重要的是，该方法的实际意义在于，通过建立行为之间的关系，派生出的 HMM 还可以精确定位向学习者实时提供预防/规范反馈的时刻
教学大纲-ADASCI认证的生成AI工程师
a。机器学习（ML）范式b。神经网络，体系结构，激活功能，优化技术c。表示学习，嵌入，功能工程d。概率模型，贝叶斯网络，隐藏的马尔可夫模型（HMMS）e。推理和计划f。自然语言处理，令牌化，言论部分（POS）标记，命名实体识别（NER），Word2Vec g。计算机视觉，图像分类，对象检测，图像分割h。基础模型及其角色
使用语言模型的蛋白质序列域注释
蛋白质功能推论依赖于通过序列模拟性的注释蛋白质域，通常通过剖面隐藏的Markov模型（配置文件HMM）建模，该模型捕获了相关域内的进化多样性。但是，在以序列进行建模残基时，file-file hmms可以使强大的简化独立性假设。在这里，我们介绍了诗篇（使用语言模型的蛋白质序列注释），一种分层方法，可放松这些假设，并使用蛋白质语言模型学到的蛋白质序列的表示，以启用高敏，高特异性残基级蛋白质序列。我们还为蛋白质序列结构域注释开发了一个基准，在该序列身份的给定阈值下，训练和测试序列进行了严格的分裂，以在其任何域之间没有相似性。一次分配一个域家族的基准测试分析不支持注释多域蛋白的方法，其中训练和测试序列需要来自不同家族的多个域。我们在此基准测试中验证了诗篇的表现，并突出显示诗篇作为HMMER的有希望的替代方法，即一种基于最新的基于HMM的方法，用于蛋白质序列注释。
dipwmsearch：用于搜索 di-PWM 图案的 Python 包
摘要 动机 在序列中寻找概率基序是注释假定转录因子结合位点 (TFBS) 的常见任务。有用的基序表示包括位置权重矩阵 (PWM)、双核苷酸 PWM (di-PWM) 和隐马尔可夫模型 (HMM)。双核苷酸 PWM 结合了 PWM 的简单性（矩阵形式和累积评分函数），但也加入了基序中相邻位置之间的依赖关系（不同于忽略任何依赖关系的 PWM）。例如，为了表示结合位点，HOCOMOCO 数据库提供了来自实验数据的 di-PWM 基序。目前，两个程序 SPRy-SARUS 和 MOODS 可以在序列中搜索 di-PWM。结果 我们提出了一个 Python 包 dipwmsearch，它为这项任务提供了一种原创且高效的算法（它首先枚举 di-PWM 的匹配词，然后立即在序列中搜索它们，即使它包含 IUPAC 代码）。用户可以通过 Pypi 或 conda 轻松安装，使用文档化的 Python 界面和可重复使用的示例脚本，从而顺利使用 di-PWM。可用性和实施：dipwmsearch 可在 https://pypi.org/project/dipwmsearch/ 和 https://gite.lirmm.fr/rivals/dipwmsearch/ 下根据 Cecill 许可获得。
预测和剩余使用寿命 (RUL) 估计...
第一种方法需要在正常或故障条件下建立系统行为的精确物理模型。当将从传感器捕获的数据与模型的预测进行比较时，可以推断出系统的健康状况。第二种方法使用过去行为的数据来确定当前性能并预测剩余使用寿命 (RUL) (Yakovleva & Erofeev，2015)。物理方法包括失效物理模型。另一种方法是使用简单的裂纹扩展模型来预测受疲劳失效机制影响的系统的 RUL。基于模型的技术需要结合实验、观察、几何和状态监测数据来估计特定失效机制造成的损害。数据驱动技术源自使用历史“运行至失效”(RTF) 数据。这些技术通常用于基于预定失效阈值的估计。可以使用“小波包”分解方法和/或隐马尔可夫模型 (HMM)，因为时频特征比单纯的时间变量能提供更精确的结果。然而，使用历史数据预测资产寿命的方法需要了解资产的物理性质（Okoh 等人，2016 年）。数据驱动的 RUL 估算方法是本章的主题。
端到端的深度学习，具有基因预测的HMM
动机：超过25年，基于学习的真核基因预测因子是由隐藏的马尔可夫模型（HMM）驱动的，这些模型（HMMS）直接输入了DNA序列。最近，Holst等。与他们的程序直升机一起证明，可以通过将深度学习层与单独的HMM后处理器相结合，可以改善Ab Insi算真核基因预测的准确性。结果：我们提出了Tiberius，这是一种新型的基于深度学习的Ab Initio基因预测因子，端到端将卷积和长期的短期记忆层与可区分的HMM层整合在一起。Tiberius使用自定义基因预测损失，并接受了哺乳动物基因组预测的培训，并对人类和两个基因组进行了评估。它显着胜过现有的从头算法，在人类基因组的基因水平下达到62％的F1分数，而下一个最佳AB始于方法的F1得分为21％。在从头模式下，提比略（Tiberius）预测了三个人类基因中两个的外显子内结构，而没有误差。非常明显，即使是Tiberius的Ab从头算精度也匹配Braker3的原始精度，Braker3使用RNA-Seq数据和蛋白质数据库。Tiberius高度平行的模型是最新的基因预测方法，在2小时内处理人类基因组。可用性和实施：https：//github.com/gaius-augustus/tiberius contact：{lars.gabriel，mario.stanke}@uni-greifswald.de
简历 - Joshua Bengio -
2019 年 9 月，Google Scholar 上查找到 Yoshua Bengio 撰写的科学出版物被引用近 206,000 次，H 指数为 146，仅 2018 年就被引用了 60,000 多次。正如图灵奖特别认可的那样，他的主要贡献共同创造了深度学习领域，涉及循环网络、使深度学习成功的方法、深度学习的理论理解、基于注意力的新架构的开发以及使神经网络能够处理集合而不仅仅是向量和序列，以及开发深度生成模型（如生成对抗网络）。最近，YB 将注意力转向了表示学习的代理视角（以及深度强化学习），并参加了关于人工智能社会责任发展的国内和全球讨论（和文件），并为人工智能在社会公益应用方面的研究做出了贡献，例如在医疗保健、环境和教育领域。主要贡献如下。 • 1989-1998 卷积和循环网络与概率对齐 (HMM) 相结合来对序列进行建模，这是我的博士论文 (1991)、NIPS'1988、NIPS'1989、Eurospeech'1991、PAMI'1991、IEEE Trans. Neural Nets 1992 的主要贡献。这些架构首先应用于我博士论文中的语音识别（并在 2010 年后重新发现），然后与 Yann LeCun 等人一起应用于手写识别和文档分析（被引用最多的论文是“基于梯度的学习应用于文档识别”，1998 年，引用次数超过 19,000 次）。 • 1991-1995 与 Samy Bengio 一起学习学习论文，从 1991 年的 IJCNN 开始，
利用试验和行为环节之间的相关性来改善神经解码
为了找到一个可解释的解决方案，需要一个简单而有效的模型来在许多会话中共享行为相关的神经变化。同样，动物的行为不仅受当前任务的影响，也受动物以前试验的经验的影响。例如，[10]发现小鼠的决策表现出在数十到数百次试验中持续存在的内部状态，这可以通过隐马尔可夫模型（HMM）有效地建模。这些潜在状态可以在不同动物和实验会话中重现。许多神经科学实验表现出由这种可重现的潜在状态引起的试验间行为相关性。除了对会话间神经相似性进行建模之外，明确考虑连续试验中的这些行为相关性还可以潜在地提高神经解码性能。在这项工作中，我们开发了两种互补的方法来利用这些神经和行为相关性来改进神经解码。对于神经数据，我们采用多会话降秩模型，该模型在跨会话时具有相似的神经活动时间模式，同时保留会话特定的差异以适应个体差异。对于行为数据，我们使用多会话状态空间模型从多个会话中动物行为的试验间相关性中学习潜在行为状态。然后使用这些学习到的神经和行为表征来改进单次试验、单会话解码器。与现有的通过复杂黑盒模型在会话间共享数据的深度学习方法不同，我们的模型简单、可解释性强且易于拟合。我们使用来自国际脑实验室 [ 11 ， 12 ] 的小鼠神经像素记录来评估我们的神经和行为数据共享模型，其中包括 433 个会话和 270 个大脑区域。结果显示，在不同行为任务中解码准确率有所提高。我们的方法在计算上是高效的，使我们能够创建与行为相关的时间尺度的全脑图，并识别与每个行为任务相关的关键神经元。