XiaoMi-AI文件搜索系统
World File Search SystemHuman
人性化的人性化
摘要针对人表皮生长因子受体2（PL85“ M）的鼠单克隆抗体MUMAB4D5，特别抑制了过表达P185HER2的人类肿瘤细胞的增殖。但是，MUMAB4D5在人类癌症治疗中的功效可能受到人类抗小鼠抗体反应和缺乏效应功能的限制。一种“ HUM”抗体Humab4d5-1，仅包含来自MUMAB4D5的抗原结合环和人类可变区域框架残基以及IgG1常数DO。使用311-MER和361-MER预组装的寡核苷酸分别通过“基因转换诱变”在一个步骤中模拟了光和重链变量区域。Humab4d5-1变体并未阻止人类乳腺癌SK-BR-3细胞的产生，尽管抗原结合紧密（KD = 25 nm），但它过表达PL85mm。通过分子建模（Humab4d5-8）挖掘七个添加的Humai变体之一（HUMAB4D5-8）分别比Humab4d5-1和Mumab4d5结合了PL85“ IM2抗原250倍和3倍。此外，Humab4d5-8在阻断SK-BR-3细胞增殖方面具有与UINRE抗体相当的效力。此外，Humab4d5-8在支持抗体依赖性细胞毒性对SK-BR-3细胞方面的效率要高得多，而不是MUMAB4D5，但并不能有效地杀死WI-38细胞，WI-38细胞在较低水平上表达P185HFR。
20250122 - （EN）商业政策中的人权
▪ 供应商。索尔维供应商行为准则适用于所有供应商，并规定了我们的期望，即我们的供应商将在其组织内实践负责任和可持续的商业实践，并致力于持续改进。反过来，我们的合作伙伴也应要求自己的供应商做出同样的承诺。我们的供应商将根据企业社会责任进行评估（对关键供应商进行第三方评估、对非关键供应商进行内部评估、EcoVadis 评估等），这些承诺将在谈判协议中确认。作为“携手可持续发展”（“TfS”）的成员，我们还提高了人们对在化学工业中建立可持续供应链的重要性的认识，包括促进和遵守人权原则的重要性。
JRDB-Social：一个多方面的机器人数据集，用于理解社会群体内人类互动的上下文和动态
了解人类的社会行为对于综合愿景和机器人技术至关重要。微观的观察（例如，分裂行动）不足，需要采取一种全面的方法来考虑个人行为，组内动态和社会群体层次，以彻底理解。要解决数据集限制，本文引入了JRDB-Social，JRDB的扩展[2]。旨在填补跨室内和室外社会环境的人类理解的空白，JRDB-Social提供了三个层次的注释：个体属性，组内侵入和社会群体环境。该数据集旨在增强我们对机器人应用的人类社会动态的理解。利用最近的尖端多模式大型语言模型，我们评估了我们的基准，以表达其破译社会人类行为的能力。
嵌合人乳头瘤病毒（HPV）疫苗设计18 ...
摘要宫颈癌是一种恶性肿瘤，可以传播（转移）向其他可能导致死亡的器官传播（转移）。根据全球癌症研究负担（Globocan），宫颈癌的主要原因中有95％是人乳头瘤病毒（HPV）。到目前为止疫苗接种是防止HPV感染的一种方法。类型的病毒（例如颗粒（VLP）病毒疫苗）与弱化病毒疫苗的类型不同。没有遗传物质，因此不能具有传染性和复制性，这是与使用活病毒在疫苗生产开发中使用的疫苗类型相比，这是潜在的VLP安全。在这项研究中，它更加专注于评估4个VLP VLP VLP设计模型嵌合HPV 18/45/59，这些模型已修改了LOOP，DE，EF，EF，FG，HI，HI具有免疫信息方法。结果表明，模型3疫苗的设计具有最佳，最安全的评估，包括抗原性（0.5284），物理化学特性（分子量为51.16 kDa，等电（PI）5.71和Grvy 0.358），并且疫苗没有引起过敏的反应和毒性。In addition, Model 3 vaccine candidates show significant immunogenicity, namely an increase in antigens on the 5th day, and began to decline on the 20th day, meaning that the body responds to the vaccine as an antigen marked by an increase in immunoglobulin M (IGM) and immunoglobulin G (IgG) which is 1.4 x 10 6 Count/ml长期。该结果表明，模型3具有用作有效且安全的疫苗的最大潜力。关键字：宫颈癌，人乳头瘤病毒（HPV），诸如粒子>的病毒
以人为本的可解释人工智能过程模型
引言人工智能 (AI) 的发展已展现出令人瞩目的性能，特别是在图像处理或游戏等明确定义的领域。然而，所部署的技术对于人类用户来说可能是不透明的，这引发了一个问题：人工智能系统如何提供解释 (Neerincx 等人，2018 年；Rosenfeld 和 Richardson，2019 年)，并且监管框架对可解释人工智能 (XAI) 的需求日益增长。话虽如此，2017 年，谷歌的研究主管 Peter Norvig 指出，在人类可能不擅长提供“解释”的情况下期望计算机提供“解释”是具有讽刺意味的。可解释人工智能 (XAI) 的大部分工作都严重依赖于以计算机为中心的视角 (Springer，2019 年)。例如，Holzinger 等人 (2020) 假设人类和人工智能系统可以平等地访问“基本事实”。由此可见，可解释性“……突出了机器表示中与决策相关的部分……，即有助于模型在训练中的准确性或特定预测的部分。”与许多 XAI 文献一样，这并没有为人类提供任何角色，只能作为被动接受者。这意味着人工智能系统能够反省自己的过程来生成解释。然后将得到的解释呈现给用户，并描述人工智能系统的流程或它使用过的特征（“决策相关部分”）。这样，解释就只是一个建议（来自人工智能系统）加上与此相关的特征。正如 Miller (2017) 所指出的那样，这种态度的一个问题在于，它是基于设计师对什么是“好的”解释的直觉，而不是基于对人类如何响应和利用解释的合理理解。这并不能说明为什么选择某些特征，也不能说明为什么建议适合用户的关注点。它也没有将解释置于更广泛的组织中；分析师的解释可能与数据收集管理人员或接受分析师简报的经理的解释不同。对于 Holzinger 等人 (2020) 来说，情况的各个方面（定义为基本事实）被组合成一个陈述；也就是说，解释只是这个陈述的一种表达。这意味着从特征到解释存在线性插值。这类似于 Hempel 和 Oppenheim (1948) 的“覆盖定律模型”，该模型关注的是历史学家如何根据先前的原因来解释事件。然而，“基本事实”（由 Holzinger 的过程模型和覆盖定律模型假设）很少得到完全定义（导致在选择相关特征时产生歧义）。这意味着，仅仅陈述情况方面而不说明为什么选择这些方面（而不是其他方面）可能不会产生有用或可用的解释。霍夫曼等人（2018）对与解释相关的文献进行了全面的回顾。从这篇评论来看，解释涉及人类的理解（将人工智能系统的输出置于特定情境中），我们同意，考虑这一点的适当框架是数据框架的理解模型（Klein 等人，2007）。此外，理解（及其与解释的关系）依赖于认识到过程（提供和接收解释）必须是相互的、迭代的和协商的。这个过程依赖于“解释者”和“被解释者”达成一致。换句话说，解释涉及“共同点”（Clark，1991），其中理解上有足够的一致性以使对话继续进行。对话的性质将取决于提供解释的情况和被解释者的目标。例如，被解释者可能是“受训者”，他试图理解解释以学习决策标准，也可能是“分析师”，使用人工智能系统的建议作为政策。
罗氏公司对人类干细胞的立场1
干细胞研究必不可少。过去几年，全球干细胞研究的进展表明，多能干细胞生物学（即将成体干细胞或体细胞重新编程为多能干细胞）的科学发展为未来提供了光明的机会。罗氏公司正在利用这些技术进行研究；然而，对这些技术的科学理解仍处于早期阶段。利用成体、胚胎和胎儿干细胞以及 iPSC 进行研究对于增进对疾病的了解和开发治疗方法是必不可少的。
人类多能干细胞衍生的内耳类器官在体外重现耳部发育
1 瑞士苏黎世大学医院 (USZ) 耳鼻咽喉头颈外科系内耳干细胞实验室 2 瑞士苏黎世大学 (UZH) 3 瑞士苏黎世功能基因组学中心（苏黎世联邦理工学院和苏黎世大学） 4 瑞士伯尔尼大学生物医学研究系再生神经科学项目 5 美国马萨诸塞州波士顿马萨诸塞眼耳医院 6 美国马萨诸塞州波士顿哈佛医学院 7 美国马萨诸塞州剑桥哈佛干细胞研究所 8 荷兰莱顿大学医学中心耳鼻咽喉和头颈外科系莱顿耳生物学 9 荷兰莱顿大学医学中心诺和诺德基金会干细胞医学中心 (reNEW) 10 美国马萨诸塞州波士顿波士顿儿童医院耳鼻咽喉科 11 波士顿儿童医院 FM 柯比神经生物学中心美国马萨诸塞州波士顿 12 波士顿儿童医院整形与口腔外科部；美国马萨诸塞州波士顿
Cyberdemo：增强现实世界灵巧操纵的模拟人类示范
我们介绍了Cyberdemo，这是一种用于机器人模仿学习的新方法，该方法利用了模拟人类的策略来实现现实世界的任务。通过在模拟环境中纳入广泛的数据增强，CyberDemo在转移到现实世界中的传统现实世界中的表现优于传统的现实世界中的演示，从而处理了多样化的物理和视觉条件。无论其负担能力和在数据收集中的便利性如何，Cyberdemo Opper-pers-pers-pers-pers of-lip-term-term of基线方法在跨不同任务的成功率方面，并具有以前未见的对象的普遍性。例如，尽管只有人类的示范插入三瓣，但它仍可以旋转新型的四阀和五角谷。我们的研究证明了模拟人类示范对现实世界灵活操纵任务的重要潜力。更多详细信息可以在https://cyber-demo.github.io/
引言人类增强的生物政治
人们已经寻求数千年来提高自己的身心能力的方法。对于我们这些相信人类增强技术的人来说，包括衣服，工具和武器，增强的政治始于史前历史。只有某些种姓或性别才能触摸特定工具或穿某些衣服的工业前社会规范是初步政治。假肢已有数千年的历史，到15世纪，世界各地有多次疫苗接种的实验。撰写以来文明曙光以来发生的各种赋权的历史是适当的，但这一卷（现在我们可以向讲座展示）将在20世纪初期开始有关人类增强的辩论中，该辩论始于20世纪初期，一旦现代医学开始为人类增强提供实际技术。在研究人类增强与生物殖民地（我们作品的主题）之间的关系之前，可以说几句话，关于该卷出现的系列文章，该系列具有与第一本书相同的标题，并且在该主题上最佳科学专家的贡献中开放。
lami：多模式人类机器人互动的大型语言模型
无缝的人类机器人相互作用（HRI）需要机器人对人类的多模式输入的熟练处理，包括语音，凝视和面部表情，以准确评估人类的影响并相应地提供帮助。同时，机器人必须通过多模态输出渠道清楚地将自己的意图清楚地传达给人类，包括语音，手势和凝视。传统上，在机器人系统中实现此功能通常需要复杂的设计。在意图估计的领域中，以前的研究通常合并意图识别模块，以基于多模式输入[3，17]对人类意图进行分类。一些系统还具有用于检测人类情感状态的专用模块，对于建立社会细微差别的互动至关重要[10，16，18]。但是，这些方法的缺点在于它们耗时且昂贵的培训过程。在输出方面，许多先前的系统集成了情绪状态[8，11]模块，以控制人形输出提示，例如音调，凝视或面部表情，增强了向人类反馈的透明度和生动性。关于运动产生，提出了多种方法，包括预先建立的运动集的混合和图表[19，25]，以及使用运动捕获数据[5，9，15]。值得注意的是，这涉及与特定状态相关的每种输出模式的动作手动设计。通过利用文本理解，推理和计划的能力，在短时间内提出了许多机器人应用[7，12，14，20，21，28]。例如，Zhang等人。大型语言模型（LLM）的最新进展，诸如聊天机器人，数据过程和代码生成之类的域中的表现令人印象深刻的功能正在揭示其在机器人技术领域的潜在应用。其中一个通常的例子是“ Saycan”机器人[1]，它能够解释人的自然语言命令，分析环境并生成具体的可执行操作序列，以通过使用LLMS来满足人类的要求。但是，机器人和人之间的互动提示仅限于语音命令，即使没有语音输出。最近，一些研究人员还试图将这种技术应用于HRI领域。利用LLM来估计人类有多少信任机器人[30]； Yoshida等人，使用LLMS生成低级控制命令来推动人形机器人运动以进行社会表达[29]，而不是用于实践援助。Baermann等人，部署了LLM不仅遵循人类的言语命令，而且还通过人类的自然语言反馈来纠正其错误[2]。然而，通信主要依赖语音相互作用，而较少关注多模式感应和表达能力。ye等。[27]驱动了一个LLM驱动的机器人系统，该系统能够与人类在VR环境中的组装任务中合作。，但是该系统仅限于处理人类语言输入并控制虚拟空间中的单臂。通常，与快速