XiaoMi-AI文件搜索系统
World File Search SystemKgs
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。
antofact：通过本体驱动的强化学习揭示了LLM的奇妙事实 - 骨骼
大型语言模型（LLM）表现出了信息检索的熟练程度，而它们容易产生与现实冲突的不正确反应，这种现象被称为固有幻觉。关键挑战在于经过大量数据训练的LLM中不清楚和不可靠的事实分布。vreva-liment方法将事实检测任务视为一个问题 - 回答范式，在其中询问了LLMS有关FACTUAL知识并检查正确性的问题。但是，研究主要侧重于仅从几个特定领域（例如电影和运动）中得出测试用例，从而限制了对知识缺失的全面观察和对意外幻觉的分析。为了打扮这个问题，我们提出了构造，这是一个自适应框架，用于检测LLM的未知事实，致力于挖掘缺失知识的本体论级骨架。特定说明，我们认为LLM可以在缺失的事实中公开基于本体的相似性，并将五个代表知识图（kgs）作为基准。我们进一步设计了一种复杂的本体驱动的强化学习（ORL）机制，以自动与特定实体和关系产生易错的测试用例。Orl Mechamenism奖励KGS朝着可行的方向导航，以揭示事实错误。此外，经验努力表明，无论是否包括这些知识，主导的LLM都倾向于回答是的，而不是否定。使用32个代表性LLM的5个数据集上的实验结果表明，当前LLMS总体上缺乏事实。为了减轻LLM的过度自信，我们利用了无幻觉检测（HFD）策略来解决基线之间的不公平比较，从而提高了结果的稳健性。值得注意的是，CHATGPT在DBPEDIA上的事实错误率分别为51.6％，Yago的错误率分别为64.7％。另外，ORL机制显示出令人鼓舞的误差预测分数，大多数LLM的F1分数范围从70％到90％。与详尽的测试相比，ORL的平均召回率为80％，同时将评估时间降低35.29％至63.12％。
美国空军飞机事故...
2010 年 4 月 9 日，事故飞机 (MA)，一架 CV-22B，T/N 06-0031，在大约 0039L 时以大约 75 节地速 (KGS) 撞击地面，当时正执行渗透阿富汗卡拉特附近一个小组的任务。(标签 C-3、标签 L-4) 事故飞行员 (MP)、事故飞行工程师 (MFE) 和两名乘客在事故中丧生。(标签 C-3 至 C-4、标签 X-3 至 X-4) 事故副驾驶 (MCP) 仍绑在座位上，从飞机上摔了下来，脊椎和腿部受伤。（标签 V-1.21，标签 X-3）飞机后部的飞行工程师担任事故尾部扫描仪 (MTS)，手臂、脊椎和腿部受伤，危及生命。（标签 V-60.6，标签 X-3 至 X-4）其余 14 名乘客受伤程度不同。（标签 X-4）飞机严重受损
生成基于知识图谱的药物再利用预测解释
摘要 在过去的几年中，计算机辅助药物再利用方法开始受到更多关注，因为它们提供了一种更快、更有效的治疗多种疾病的方法。虽然这些方法在预测能力方面很有前景，但由于其高度复杂的工作机制限制了它们的可解释性，因此在实践中使用这些方法仍然存在犹豫。可解释人工智能 (XAI) 以透明度、可解释性和信息性为主要基础，可以解决黑盒模型的局限性。在这种情况下，知识图谱 (KG) 可以利用生物医学领域提供给用户的解释，因为它们能够以语义一致的方式表示实体之间的关系。知识图谱有可能生成基于图形的表示，同时提供上下文，使其易于被人类解释。在本文中，我们提出了一种方法，即基于 KG 的可解释 AI 框架，用于药物再利用领域，作为 PREDICT 方法的扩展。该方法的核心是通过从输入中提取相关路径来生成基于相似性的解释，输入包括一种疾病和一种预测的治疗该疾病的药物。为了证明这种方法的实用性，我们通过对阿尔茨海默病进行用例来演示如何使用 KG 中使用的图形操作来生成合理的解释。我们的研究结果表明，利用生物医学 KG 和这种方法具有提供透明解释的巨大潜力，因为它能够说明与目标输入非常相关的药物、疾病实体之间的关系。将这种方法应用于药物再利用和其他类似领域，可能有助于克服计算药物再利用模型的黑箱性质所造成的局限性，并可能成为增强对模型决策过程的理解和简化领域专家和计算机科学家之间的科学交流的有力工具。
Mizoram电动汽车政策2024
由于该州常规内燃机（ICE）车辆的急剧上升而增加的污染水平是米佐拉姆邦政府运输部门的主要关注点。截至2024年7月1日，有316385号。内部燃烧引擎（ICE）车辆在Mizoram州和477号NOS中注册。电动汽车的占该州注册总车辆的0.15％。 内燃机（ICE）车辆的负担对该国来说是巨大的。 有必要减少对基于化石燃料的经济的依赖。 根据世界卫生组织（WHO）的一项研究，印度是世界上20个最受污染的城市中有14个。 逐步转移到电动汽车是对能源安全的未来和清洁环境至关重要的。 它还将为气候行动的可持续发展目标（SDG）做出贡献。 政府致力于通过为有限数量的早期电动汽车采用者提供激励措施，以在25年的25年内采用至少10％的电动汽车。 因此，米佐拉姆邦政府旨在促进在政策期间采用约56250电动汽车，这将节省约4050000万公斤的燃料，导致每天减少约1350000 kgs的二氧化碳，这将导致每年减少388800万吨的二氧化碳量以上。 鉴于上述，米佐拉姆政府致力于通过为清洁和绿色的环境和能源安全的印度做出贡献。电动汽车的占该州注册总车辆的0.15％。内燃机（ICE）车辆的负担对该国来说是巨大的。有必要减少对基于化石燃料的经济的依赖。根据世界卫生组织（WHO）的一项研究，印度是世界上20个最受污染的城市中有14个。 逐步转移到电动汽车是对能源安全的未来和清洁环境至关重要的。 它还将为气候行动的可持续发展目标（SDG）做出贡献。 政府致力于通过为有限数量的早期电动汽车采用者提供激励措施，以在25年的25年内采用至少10％的电动汽车。 因此，米佐拉姆邦政府旨在促进在政策期间采用约56250电动汽车，这将节省约4050000万公斤的燃料，导致每天减少约1350000 kgs的二氧化碳，这将导致每年减少388800万吨的二氧化碳量以上。 鉴于上述，米佐拉姆政府致力于通过为清洁和绿色的环境和能源安全的印度做出贡献。根据世界卫生组织（WHO）的一项研究，印度是世界上20个最受污染的城市中有14个。逐步转移到电动汽车是对能源安全的未来和清洁环境至关重要的。它还将为气候行动的可持续发展目标（SDG）做出贡献。政府致力于通过为有限数量的早期电动汽车采用者提供激励措施，以在25年的25年内采用至少10％的电动汽车。因此，米佐拉姆邦政府旨在促进在政策期间采用约56250电动汽车，这将节省约4050000万公斤的燃料，导致每天减少约1350000 kgs的二氧化碳，这将导致每年减少388800万吨的二氧化碳量以上。鉴于上述，米佐拉姆政府致力于通过为清洁和绿色的环境和能源安全的印度做出贡献。鉴于上述，米佐拉姆政府致力于通过为清洁和绿色的环境和能源安全的印度做出贡献。为实现这一目标，将提供必要的推力，以增加和更快地采用通过Mizoram电动汽车政策在该州清洁和绿色环境的速度。
模块8_UNIT-3_NSNT水热合成
水热加工对合成晚期纳米材料以及具有量身定制特性的复合材料引起了极大的兴趣。该技术已用于为包括电子和光电设备，催化，生物医学，生物素器等的广泛应用生产纳米结构材料。“水热”一词起源于地质学，英国地质学家罗德里克·默奇森爵士（Roderick Murchison）是第一个使用它的人。他将地壳和随后形成的岩石以及矿物质的变化归因于在非常高的温度和压力下水的热液作用。顺便说一句，最大的自然存在的单晶（绿晶晶体，超过1kg），以及最大的人造单晶（几公斤的石英晶体），都是通过热液过程[1-2]来源的。
Medikal：将知识图作为LLM的助手集成，以增强EMRS的临床诊断
电子病历（EMRS）虽然与现代医疗保健不可或缺的一部分，但由于其复杂性和信息还原而呈现临床推理和诊断的Challenges。为了解决这个问题，我们提出了Medikal（将K Nowledge图作为L LMS的ssistants），该框架将大型语言模型（LLMS）与知识图（kgs）结合在一起，以增强诊断性capabilies。Medikal根据其类型将医疗记录中的实体分配给实体的重要性，从而使候选疾病的精确定位在公里内。它创新采用了类似残留的网络样方法，从而使LLMS诊断可以合并为kg搜索结果。通过基于路径的重新算法算法和填充风格的提示模板，它进一步完善了诊断过程。我们通过对新型开源的中国EMR数据集进行了广泛的实验来验证Medikal的有效性，这表明了其在现实环境中提高临床诊断的潜力。代码和数据集可在https：//github.com/csu-nlp-group/medikal上公开获得。
RDF知识图上的机器学习有关药物安全：Reactome Data
我们的研究旨在使用应用于使用Reactome数据库构建的KG的ML技术来发现信号通路中的新节点和/或链接。目的是在不良药物反应的机制中进行互联，并确定潜在的新相关途径。这种方法增强了我们对途径动态的理解。我们的初步发现显示了与ADR相关的途径的有希望的提示。我们提出的方法是基于使用基于描述的推理的使用，并通过MOWL库嵌入生成。解释我们的发现强调了ML在公斤药物安全研究中的潜力。与药理学家和生物学家等领域专家的合作对于进一步的验证和研究至关重要。需要解决诸如数据异质性和模型性能优化之类的挑战。可以在我们的github存储库2上找到一个详细的描述，图形摘要和可执行的笔记本。
可再生和可持续能源评论
慕尼黑工业大学可再生和可持续能源系统主席，Lichtenbergstr。 4a, Munich, 85748, Bavaria, Germany b Reiner Lemoine Institut gGmbH, Rudower Chaussee 12, 12489, Berlin, Germany c Technical University of Denmark, Department of Technology, Management and Economics, Akademivej Building 358, 2800 Kgs, Lyngby, Denmark d Institute for Power Electronics and Electrical Drives (ISEA), RWTH Aachen University, Jägerstraße 17-19, Aachen, 52066, Germany e Institute for Power Generation and Storage Systems (PGS), E.ON ERC, RWTH Aachen University, Mathieustraße 10, Aachen, 52074, Germany f Jülich Aachen Research Alliance, JARA-Energy, Germany g Technische Universität Berlin, Straße des 17. Juni 135, Berlin, 10623, Germany h Europa-Universität Flensburg, Auf dem Campus 1, Flensburg, 24943, Germany i Technical University慕尼黑，Arcisstr. 21，慕尼黑，80333，巴伐利亚，德国