XiaoMi-AI文件搜索系统
World File Search SystemKSTAR
KSTAR：一种根据磷酸化蛋白质组学数据预测患者特异性激酶活性的算法
激酶抑制剂作为靶向疗法在改善癌症治疗效果方面发挥了重要作用。然而，仍然存在相当大的挑战，例如耐药性、无反应、患者分层、多药理学和确定联合疗法，在这些情况下，了解肿瘤激酶活性谱可能会带来变革。在这里，我们开发了一种基于图形和统计数据的算法，称为 KSTAR，将细胞和组织的磷酸化蛋白质组学测量值转换为激酶活性评分，该评分可推广并可用于临床流程，无需量化磷酸化位点。在这项工作中，我们证明 KSTAR 可靠地捕获不同组织和刺激环境中预期的激酶活性差异，允许直接比较来自独立实验的样本，并且在各种数据集大小中都具有稳健性。最后，我们将 KSTAR 应用于临床乳腺癌磷酸化蛋白质组学数据，发现从 KSTAR 推断激酶活性有可能补充乳腺癌患者 HER2 状态的当前临床诊断。
Robust Transformer-based UPS Series (1~800kVA)
成立于1993年，深圳KSTAR科学技术有限公司（股票代码：002518）是智能能源领域的全球领导者。KSTAR专注于UPS的研发和制造，精密冷却和MDC（模块化数据中心），电池，PV，ESS和EV充电器。
使用先进的机器学习
使用高级机器学习（ML）的物理信息建模（PIM）代表混凝土技术领域的范式转变，提供了科学严谨和计算效率的有效融合。通过利用基于物理原理和数据驱动算法之间的协同作用，PIM-ML不仅简化了设计过程，还可以增强混凝土结构的可靠性和可持续性。随着研究继续完善这些模型并验证其性能，他们的采用有望彻底改变整个全球建筑项目中混凝土材料的设计，测试和利用。在这项研究工作中，一项广泛的文献综述，生成了一个全球代表性数据库，用于沉迷于可回收骨料混凝土的裂纹拉伸强度（FSP）。测量并列出了研究的混凝土组件，例如C，W，NCAG，PL，RCAG_D，RCAG_P，RCAG_WA，VF和F_TYPE。将收集的257个记录分为200个记录（80％）的培训集和57个记录（20％）的验证集（20％），以与数据库的更可靠分区相符。使用“ WEKA数据挖掘” 3.8.6版创建的五种高级机器学习技术用于预测FSP，并且还使用了Hoffman＆Gardinger方法和性能指标分别评估变量和ML模型的灵敏度和性能。结果表明，KSTAR模型证明了模型之间的性能和可靠性水平最高，以0.96的r 2为0.96，精度为94％。其RMSE和MAE在0.15 MPa时均较低，表明预测和实际值之间的偏差很小。其他指标，例如WI（0.99），NSE（0.96）和KGE（0.96），进一步证实了该模型的效率和一致性，使其成为实用应用的最可靠工具。的灵敏度分析还表明，水含量（W）在40％处发挥了最大的影响，这表明混合物中的水量是实现最佳拉伸强度的关键因素。这强调了需要仔细的水管理以平衡可持续混凝土生产中的可行性和力量。粗大的天然聚集物（NCAG）具有38％的实质影响，表明其在维持混凝土混合物的结构完整性中的重要作用。