XiaoMi-AI文件搜索系统
World File Search SystemKrishnan
Daniel S. Cooley
1。Lee J. †，Cooley D.，Wagner A.M.，Liston G.E. （2024+）通过参数的线性映射来投射未来的校准方法。 被接受的环境和生态统计。 2024年10月25日。 2。 Mhatre N.†，Cooley D.（2024）转换了时间序列极端的线性模型。 时间序列分析杂志，45，671-690。 https://doi.org/10.1111/jtsa.12732。 3。 Wixson，T。P.†，Cooley，D。（2023）季节性野生野生风险对变化的归因：统计极端方法。 应用气象与气候学杂志，62，1511-1521。 https://doi.org/10.1175/jamc-d-23-0072.1。 4。 Rohrbeck C.，Cooley D.（2023）使用极端主管模拟洪水事件集。 应用统计的年鉴，17：1333–1352 https：//doi.org/10.1214/22-AOAS1672。 5。 Wagner A.M.，Bennett K.E.，Liston G.E.，Hiemstra C.A.和Cooley D.（2021）雪地占主导地位的极端变化的多个指标，美国水域Yakima River盆地地区，美国水，13：2608。 doi：0.3390/W13192608。 6。 Rutherford J.S，Sherwin E.D.，Ravikumar A.P.，Heath G.A.，Englander J.，Cooley D.，Lyon D.，Omara M.，Langt Q.，Brandt A.R. （2021）缩小差距：解释美国石油和天然气生产段甲烷库存的持续估计。 自然通讯，12：4715。 https://doi.org/10.1038/s41467-021-25017-4。 7。 修复M.†，Cooley D.，Thibaud E.（2020）同时进行空间验证的自回归模型。 环境，32：e2656。Lee J.†，Cooley D.，Wagner A.M.，Liston G.E.（2024+）通过参数的线性映射来投射未来的校准方法。被接受的环境和生态统计。2024年10月25日。2。Mhatre N.†，Cooley D.（2024）转换了时间序列极端的线性模型。时间序列分析杂志，45，671-690。 https://doi.org/10.1111/jtsa.12732。3。Wixson，T。P.†，Cooley，D。（2023）季节性野生野生风险对变化的归因：统计极端方法。应用气象与气候学杂志，62，1511-1521。 https://doi.org/10.1175/jamc-d-23-0072.1。4。Rohrbeck C.，Cooley D.（2023）使用极端主管模拟洪水事件集。应用统计的年鉴，17：1333–1352 https：//doi.org/10.1214/22-AOAS1672。5。Wagner A.M.，Bennett K.E.，Liston G.E.，Hiemstra C.A.和Cooley D.（2021）雪地占主导地位的极端变化的多个指标，美国水域Yakima River盆地地区，美国水，13：2608。 doi：0.3390/W13192608。 6。 Rutherford J.S，Sherwin E.D.，Ravikumar A.P.，Heath G.A.，Englander J.，Cooley D.，Lyon D.，Omara M.，Langt Q.，Brandt A.R. （2021）缩小差距：解释美国石油和天然气生产段甲烷库存的持续估计。 自然通讯，12：4715。 https://doi.org/10.1038/s41467-021-25017-4。 7。 修复M.†，Cooley D.，Thibaud E.（2020）同时进行空间验证的自回归模型。 环境，32：e2656。Wagner A.M.，Bennett K.E.，Liston G.E.，Hiemstra C.A.和Cooley D.（2021）雪地占主导地位的极端变化的多个指标，美国水域Yakima River盆地地区，美国水，13：2608。 doi：0.3390/W13192608。6。Rutherford J.S，Sherwin E.D.，Ravikumar A.P.，Heath G.A.，Englander J.，Cooley D.，Lyon D.，Omara M.，Langt Q.，Brandt A.R. （2021）缩小差距：解释美国石油和天然气生产段甲烷库存的持续估计。 自然通讯，12：4715。 https://doi.org/10.1038/s41467-021-25017-4。 7。 修复M.†，Cooley D.，Thibaud E.（2020）同时进行空间验证的自回归模型。 环境，32：e2656。Rutherford J.S，Sherwin E.D.，Ravikumar A.P.，Heath G.A.，Englander J.，Cooley D.，Lyon D.，Omara M.，Langt Q.，Brandt A.R.（2021）缩小差距：解释美国石油和天然气生产段甲烷库存的持续估计。自然通讯，12：4715。 https://doi.org/10.1038/s41467-021-25017-4。7。修复M.†，Cooley D.，Thibaud E.（2020）同时进行空间验证的自回归模型。环境，32：e2656。https://doi.org/10.1002/env.2656 8。 Yuen R.，Stoev，S.，Cooley D.（2020）极高价值的分布鲁棒推断。 保险：数学与经济学，92：70-89。 https://doi.org/10.1016/j.insmatheco.2020.03.003 9。 江Y.，Cooley D.，Wehner M.P. （2020）主要成分分析，用于极端和对美国降水的应用。 气候杂志，33（15）：6441-6451。 https://doi.org/10.1175/jcli-d-19-0413.1 10。 Cooley D.，Thibaud E.（2019）。 对高维度的依赖性分解。 Biometrika，106：587-604。 doi：10.1093/biomet/asz028。 11。 Hewitt J. †，Fix M.J.†，Hoeting J.A.，Cooley D.S. （2019）。 通过加权的可能性，潜在的空间极端模型提高了回报水平的估计。 jabes; 24：426-443。 doi：10.1007/s13253-019-00356-4 12。 Huang W.K.，Cooley D.S.，Ebert-upho虫，Chen C.，Chatterjee S.（2019）极端依赖的新探索工具：CHI网络和年度极好网络。 jabes; 24：484-501。 doi：10.1007/s13253-019-00356-4 13。 Cooley D.，Thibaud E.，Castillo F.，Wehner M.F. （2019）。 一种非参数方法，用于极端双变量超级概率的隔离，22：373-390; doi：10.1007/s10687-019-00348-0。 14。 Timmermans B.，Wehner M.，Cooley D.，O'Brien T.，Krishnan H.（2018）。 网格降水数据集中极端的一致性。 气候动力学，52：6651-6670。 doi：10.1007/s00382-018-4537-0。 15。https://doi.org/10.1002/env.2656 8。Yuen R.，Stoev，S.，Cooley D.（2020）极高价值的分布鲁棒推断。保险：数学与经济学，92：70-89。 https://doi.org/10.1016/j.insmatheco.2020.03.003 9。江Y.，Cooley D.，Wehner M.P. （2020）主要成分分析，用于极端和对美国降水的应用。 气候杂志，33（15）：6441-6451。 https://doi.org/10.1175/jcli-d-19-0413.1 10。 Cooley D.，Thibaud E.（2019）。 对高维度的依赖性分解。 Biometrika，106：587-604。 doi：10.1093/biomet/asz028。 11。 Hewitt J. †，Fix M.J.†，Hoeting J.A.，Cooley D.S. （2019）。 通过加权的可能性，潜在的空间极端模型提高了回报水平的估计。 jabes; 24：426-443。 doi：10.1007/s13253-019-00356-4 12。 Huang W.K.，Cooley D.S.，Ebert-upho虫，Chen C.，Chatterjee S.（2019）极端依赖的新探索工具：CHI网络和年度极好网络。 jabes; 24：484-501。 doi：10.1007/s13253-019-00356-4 13。 Cooley D.，Thibaud E.，Castillo F.，Wehner M.F. （2019）。 一种非参数方法，用于极端双变量超级概率的隔离，22：373-390; doi：10.1007/s10687-019-00348-0。 14。 Timmermans B.，Wehner M.，Cooley D.，O'Brien T.，Krishnan H.（2018）。 网格降水数据集中极端的一致性。 气候动力学，52：6651-6670。 doi：10.1007/s00382-018-4537-0。 15。江Y.，Cooley D.，Wehner M.P.（2020）主要成分分析，用于极端和对美国降水的应用。气候杂志，33（15）：6441-6451。 https://doi.org/10.1175/jcli-d-19-0413.1 10。Cooley D.，Thibaud E.（2019）。对高维度的依赖性分解。Biometrika，106：587-604。doi：10.1093/biomet/asz028。11。Hewitt J. †，Fix M.J.†，Hoeting J.A.，Cooley D.S. （2019）。 通过加权的可能性，潜在的空间极端模型提高了回报水平的估计。 jabes; 24：426-443。 doi：10.1007/s13253-019-00356-4 12。 Huang W.K.，Cooley D.S.，Ebert-upho虫，Chen C.，Chatterjee S.（2019）极端依赖的新探索工具：CHI网络和年度极好网络。 jabes; 24：484-501。 doi：10.1007/s13253-019-00356-4 13。 Cooley D.，Thibaud E.，Castillo F.，Wehner M.F. （2019）。 一种非参数方法，用于极端双变量超级概率的隔离，22：373-390; doi：10.1007/s10687-019-00348-0。 14。 Timmermans B.，Wehner M.，Cooley D.，O'Brien T.，Krishnan H.（2018）。 网格降水数据集中极端的一致性。 气候动力学，52：6651-6670。 doi：10.1007/s00382-018-4537-0。 15。Hewitt J.†，Fix M.J.†，Hoeting J.A.，Cooley D.S.（2019）。通过加权的可能性，潜在的空间极端模型提高了回报水平的估计。jabes; 24：426-443。doi：10.1007/s13253-019-00356-4 12。Huang W.K.，Cooley D.S.，Ebert-upho虫，Chen C.，Chatterjee S.（2019）极端依赖的新探索工具：CHI网络和年度极好网络。 jabes; 24：484-501。 doi：10.1007/s13253-019-00356-4 13。 Cooley D.，Thibaud E.，Castillo F.，Wehner M.F. （2019）。 一种非参数方法，用于极端双变量超级概率的隔离，22：373-390; doi：10.1007/s10687-019-00348-0。 14。 Timmermans B.，Wehner M.，Cooley D.，O'Brien T.，Krishnan H.（2018）。 网格降水数据集中极端的一致性。 气候动力学，52：6651-6670。 doi：10.1007/s00382-018-4537-0。 15。Huang W.K.，Cooley D.S.，Ebert-upho虫，Chen C.，Chatterjee S.（2019）极端依赖的新探索工具：CHI网络和年度极好网络。jabes; 24：484-501。doi：10.1007/s13253-019-00356-4 13。Cooley D.，Thibaud E.，Castillo F.，Wehner M.F. （2019）。 一种非参数方法，用于极端双变量超级概率的隔离，22：373-390; doi：10.1007/s10687-019-00348-0。 14。 Timmermans B.，Wehner M.，Cooley D.，O'Brien T.，Krishnan H.（2018）。 网格降水数据集中极端的一致性。 气候动力学，52：6651-6670。 doi：10.1007/s00382-018-4537-0。 15。Cooley D.，Thibaud E.，Castillo F.，Wehner M.F.（2019）。一种非参数方法，用于极端双变量超级概率的隔离，22：373-390; doi：10.1007/s10687-019-00348-0。14。Timmermans B.，Wehner M.，Cooley D.，O'Brien T.，Krishnan H.（2018）。网格降水数据集中极端的一致性。气候动力学，52：6651-6670。doi：10.1007/s00382-018-4537-0。15。修复M.†，Cooley D.，Sain S.R.，Tebaldi C.（2018）。在RCP8.5和RCP4.5下，美国降水极端的比较与模式缩放的应用。气候变化，146（3），335-347。doi：10.1007/s10584-016-1656-7。
印度的纺织和服装行业
我们还非常感谢我们的利益相关者——来自政府、业界、学术界和国际组织的专家和思想领袖——在为本研究进行的利益相关者磋商中分享他们的观点、见解和建议。特别感谢 Aakansha Shenoy 女士（Upaya Social Venture）；Abbas Uddin 先生（孟加拉国纺织大学）；Anjali Krishnan 女士（IDH - 可持续贸易倡议）；Ankit Gupta 先生（印度烟草有限公司）；Anurag Gupta 先生（Usha Yarns）；Beatriz Luz 女士（Exchange 4 Change Brasil）；Deepti Gupta 教授（印度理工学院德里分校）；Emmanuelle Batista 女士（Citeo）；John Girling 先生（WRAP）；JK Gupta 先生（印度标准局）；Karan Kumar 先生（Laudes 基金会）；Khushbu Maheshwari 女士（Fashion for Good）； Mahesh K Patil 先生和 Livia D'Silva 女士（果阿邦污染控制委员会）；Makarand Kulkarni 先生（Revalyu）；Milind Rane 先生（Ef4 Resurrect）；Naresh Tyagi 博士和 Padmakar Pandey 先生（Aditya Birla Fashion and Retail）；Pham Manh Hoai 先生（世界自然基金会越南分会）；Prakash Vasudevan 博士（南印度纺织研究协会）；Rahul Mehta 先生（印度服装制造商协会）；Rajneesh Rai 先生、Kritika Chauhan 女士和 Snigdha Voruganti 女士（Shahi Exports）；Shobha Raghavan 女士和 Aastha Khubele 女士（Saahas Zero Waste）；Toby Connock 先生（Pentatonic）；Valerie Boiten 女士和 Sophie Moggs 女士（艾伦·麦克阿瑟基金会）；以及 Varsha Gupta 女士（NIFT），感谢他们为该项目付出宝贵的时间。
PIKFYVE 抑制可减轻多种 ALS 模型中的疾病
洪淑婷，1,2,3,10 Gabriel R. Linares，1,2,3,10 张文轩，4 余云荪，1,2,3 Gopinath Krishnan，8 Stacee Mendonca，4 洪莎拉，4 石英晓，1,2,3 Manuel Santana，1,2,3 Chuol Kueth，5 Samantha Macklin-Isquierdo，5 Sarah Perry，6 Sarah Duhaime，7 Claudia Maios，7 张乔纳森，1,2,3 Joscany Perez，1,2,3 Alexander Couto，1,2,3 Jesse Lai，1,2,3 李逸尘，1,2,3 Samuel V. Alworth，4 Eric Hendricks，1,2,3 王耀明，3,9 Berislav V. Zlokovic，3,9 Dion K. Dickman, 6 J. Alex Parker, 7 Daniela C. Zarnescu, 5 Fen-Biao Gao, 8 和 Justin K. Ichida 1,2,3,11,* 1 南加州大学凯克医学院干细胞生物学和再生医学系，美国加利福尼亚州洛杉矶 90033 2 Eli 和 Edythe Broad CIRM 南加州大学再生医学和干细胞研究中心，美国加利福尼亚州洛杉矶 90033 3 南加州大学凯克医学院 Zilkha 神经遗传研究所，美国加利福尼亚州洛杉矶 90033 4 AcuraStem Incorporated，美国加利福尼亚州蒙罗维亚 91016 5 宾夕法尼亚州立大学医学院细胞和分子生理学系，美国宾夕法尼亚州赫尔希 17033 6 南加州大学神经生物学系，美国加利福尼亚州洛杉矶 90089 7 蒙特利尔大学医院研究中心 (CRCHUM)，蒙特利尔大学病理学和细胞生物学系，魁北克省蒙特利尔 8 美国马萨诸塞州伍斯特市陈曾熙医学院神经病学系，邮编 01605 9 美国加利福尼亚州洛杉矶市南加州大学凯克医学院生理学和神经科学系，邮编 90033 10 这些作者贡献相同 11 主要联系人 * 通信地址：ichida@usc.edu https://doi.org/10.1016/j.cell.2023.01.005
2023 年政府概览
主要贡献者包括 Julio Bacio-Terracino、Jesper Johnson、Jean Francois Leruste、Ernesto Soria Morales、Elise Desplanques 和 Elona Wahlen（第 4 章）； Christiane Arndt-Bascle、Martha Baxter、Vincent Van Langen、Marianna Kartunen、Antonio Reyes、Paul Davison、Gamze Igrioglu 和 Estera Szakadatova（第 5 章）； Andrew Blazey、Margaux Lelong、Scherie Nicol、Krystle Gatt Rappa、Stéphane Jacobzone、Camila Vammalle、Caroline Penn 和 Anne Keller（第 6 章）； Paulo Magina、Erika Bozzay、Mathieu Cahen 和 Lisa Vanden Eynden（第 7 章）； Ana Maria Ruiz Rivadeneira 和 Tenzin Dekyi（第 8 章） Arturo Rivera Perez、Felipe González-Zapata、Cecilia Emilsson、Ricardo Zapata 和 Seong Ju Park（第 9 章）； Daniel Gerson、Miriam Allam、Moritz Adler、Pietro Gagliardi、Meeta Tarani 和 Ollin Perez Raynaud（第 12 章）； Daniel Gerson、Natalia Nolan-Flecha、François Villeneuve、Alana Baker、Nina Thomassen 和 Laurence Dynes（第 13 章）。焦点章节（第 1 章）收到了上述许多关于特定主题的贡献，此外还有 Gillian Dorner、Moritz Ader、Charles Baubion、Alessandro Bellantoni、Pauline Bertrand、Heather Buisman、Emma Cantera、Titouan Chassagne、Marco Daglio、Laurence Sarah、Krishna、Krishna、Krishna and Madrigal、Craig Matasick、Darius Matusevicius、Mauricio Mejia Galvan、Réka Mihácsi、Giulia Morando、Barbara Ubaldi、Delphine Moretti、Pinar Güven、Jack Radisch、Claire Salama、Piret Tonurist、Daniel Trnka 和 Benjamin Welby。 《2023 年政府概览》由 Sally Hinchcliffe 编辑，并得到 Andrea Uhrhammer 的编辑协助。该出版物由 Meral Gedik 和 Thibaut Gigou 准备出版。
社论：神经疾病和诊断的AI和机器学习应用
神经系统疾病破坏神经系统的正常功能，包括中枢神经系统和周围神经系统（克利夫兰诊所，2024年）。这些疾病包括广泛的疾病，例如癫痫和癫痫发作，肌音障碍语音，精神分裂症，注意力减轻多动障碍（ADHD），帕金森氏病，大脑中风和阿尔茨海默氏病（Johns Hopkins Medicine，2024年）。这些疾病的原因有所不同，可能包括遗传突变，先天性异常，感染或神经系统伤害。诊断这些疾病通常涉及各种测试，例如脑电图（EEG），肌电图（EMG），神经传导研究，成像测试和睡眠研究。尽管这些诊断工具是必不可少的，但在长时间内手动分析结果可能会遇到错误，并且既耗时又耗时。为了应对这一挑战，使用机器学习（ML）模型开发了计算机辅助诊断系统（CAD）系统。这些技术可以通过提供可靠的第二意见，减少工作量并通过大大减少诊断所需的时间来帮助临床医生（Rangayyan and Krishnan，2024）。该研究主题着重于通过应用人工智能（AI）和ML技术来识别各种神经系统疾病的方法。该研究主题提供了使用AI和ML解决方案识别脑肿瘤的几种计算机辅助方法。Reddy，Batchu等。脑肿瘤可以通过一系列精神病症状表现出来，有时会伴有神经系统症状，这会使临床表现复杂化（Ghandour等，2021）。krishna Priya和Karuna进行了一项实验，以对磁共振图像（MRI）进行分类。为此，他们使用了四种预训练的深度学习（DL）模型，即VGG-19，VGG-16，RESNET50和Inception V3。作者分别对所有这些模型进行了测试，并将这种方法的最佳方法识别为VGG-19。执行一些图像增强技术以减少过度拟合后，他们考虑了总共305张MR图像。提出了使用基于熵的阈值
当选研究员将于 2023 年 11 月 1 日起生效 工程科
当选院士将于 2023 年 11 月 1 日起生效 工程科 -I（土木工程） 1. TG Sitharam 教授，全印度技术教育委员会 (AICTE) 主席，新德里。 2. Indumathi M Nambi 教授，印度理工学院马德拉斯分校土木工程系环境工程教授，钦奈。 3. Deepankar Choudhury 教授，印度理工学院孟买分校土木工程系主任、T. Kant 教授讲座教授 (HAG)，工程科 -II（计算机工程和信息技术） 4. Balaraman Ravindran 教授，计算机科学与工程系教授兼罗伯特博世数据科学与人工智能中心主任；印度理工学院马德拉斯分校，钦奈。 5. Utpal Garain 教授，印度统计研究所教授，加尔各答。 6. Sudeshna Sarkar 教授，印度理工学院 Kharagpur 分校计算机科学与工程系兼人工智能卓越中心教授。7. Madhava Krishna Krishnan 教授，海得拉巴国际信息技术学院机器人研究中心教授兼主任。8. Sreenivas Subramoney 先生，英特尔院士、英特尔公司处理器架构总监，班加罗尔。9. Ajai Chowdhry 先生，HCL 创始人、EPIC 基金会主席。10. Rajendra Singh Pawar 先生，NIIT 集团董事长兼联合创始人。11. Satya Narayana Nadella 先生，微软董事长兼首席执行官。工程部分 -III（机械工程） 12. Dilip Kumar Pratihar 教授，印度理工学院 Kharagpur 分校机械工程系学院院长教授 13. Kanakasabapathi Subramanian 博士，钦奈 Ashok Leyland Ltd. 产品开发高级副总裁。 14. Jaiteerth Raghavendra Joshi 博士，海得拉巴国防研究与发展实验室 (DRDL) 杰出科学家兼 LRSAM 项目主任 15. Nagahanumaiah 博士，班加罗尔中央制造技术学院主任。
内在奖励在青少年词汇学习中的作用
Anglin, JM, Miller, GA, & Wakefield, PC (1993)。词汇发展：形态分析。儿童发展研究学会专著，58 (10)，i–186。JSTOR。https://doi.org/10.2307/ 1166112 Angwin, AJ、Wilson, WJ、Ripollés, P.、Rodriguez-Fornells, A.、Arnott, WL、Barry, RJ、Cheng, BBY、Garden, K. 和 Copland, DA (2019)。白噪声有助于从上下文中学习新词。大脑与语言，199，104699。https://doi.org/10.1016/j.bandl.2019.104699 Bains, A.、Spaulding, C.、Ricketts, J. 和 Krishnan, S. (2023)。使用等待意愿设计来评估读者如何评价文本。Npj 学习科学，8 (1)，17。https://doi.org/10.1038/s41539-023-00160-3 Baker, FC、Willoughby, AR、de Massimiliano, Z.、Franzen, PL、Prouty, D.、Javitz, H.、Hasler, B.、Clark, DB 和 Colrain, IM (2016)。全国青少年酒精与神经发育联盟样本中青少年睡眠结构和脑电图的年龄相关差异。睡眠，39 (7)，1429–1439。https://doi.org/10.5665/sleep。5978 Berridge, KC, & Kringelbach, ML (2008)。愉悦的情感神经科学：人类和动物的奖励。精神药理学，199 (3)，457–480。https://doi.org/10.1007/s00213-008-1099-6 Bjork, RA, Dunlosky, J., & Kornell, N. (2013)。自我调节学习：信念、技巧和幻想。心理学年鉴，64 (1)，417–444。 https://doi.org/10.1146/annurev-psych-113011-143823 Blain, B., & Sharot, T. (2021)。内在奖励：潜在的认知和神经机制。当前行为科学观点，39，113–118。https:// doi.org/10.1016/j.cobeha.2021.03.008 Blakemore, S.-J., & Robbins, TW (2012)。青少年大脑中的决策。自然神经科学，15 (9)，1184–1191。https://doi.org/10.1038/nn.3177 Bloom, P. (2002)。儿童如何学习单词的含义。麻省理工学院出版社。
基础模型的机遇与风险 - arXiv
Rishi Bommasani* Drew A. Hudson Ehsan Adeli Russ Altman Simran Arora Sydney von Arx Michael S. Bernstein Jeannette Bohg Antoine Bosselut Emma Brunskill Erik Brynjolfsson Shyamal Buch Dallas Card Rodrigo Castellon Niladri Chatterji Annie Chen Crescent Crescent Daro 和 Chris Doncy Moussa Doumbouya Esin Durmus Stefano Ermon John Etchemendy Kawin Ethayarajh 李飞飞 Chelsea Finn Trevor Gale Lauren Gillespie Karan Goel Noah Goodman Shelby Grossman Neel Guha Tatsunori Hashimoto Peter Henderson John Hewitt Daniel E. Ho Jenny J Hong Hong J. Jag 和 Thomas H. Jaghil I. Pratyusha Kalluri Siddharth Karamcheti Geoff Keeling Fereshte Khani Omar Khattab Pang Wei Koh Mark Krass Ranjay Krishna Rohith Kuditipudi Ananya Kumar Faisal Ladhak Mina Lee Tony Lee Jure Leskovec Isabelle Levent Xiang Lisa Li Xuechen Li Tengyu Ma Ali Malik Dtch Mikwall Manning Mikwall Mikwane Eric Dtch. Suraj Nair Avanika纳拉扬 迪帕克·纳拉亚南 本·纽曼 艾伦·聂 胡安·卡洛斯·尼布尔斯 哈米德·尼勒福罗尚 朱利安·尼亚尔科 吉雷·奥古特 劳雷尔·奥尔 伊莎贝尔·帕帕迪米特里奥 朴俊成 克里斯·皮耶希 伊娃·波特兰斯 克里斯托弗·波茨 阿迪蒂·拉古纳坦 罗布·赖希 任洪宇 弗里达·荣 尤瑟夫·罗哈尼 罗希亚·瑞安 罗希亚·罗 多拉·瑞安 卡梅罗 R. 佐川诗织Keshav Santhanam Andy Shih Krishnan Srinivasan Alex Tamkin Rohan Taori Armin W. Thomas Florian Tramèr Rose E. Wang William Wang Bohan 吴家俊 吴玉怀 吴桑 谢志强 Michihiro Yasunaga Jiaxuan You Matei Zaharia Michael 张天一 张希坤 张宇恒 张鲁恒 周凯蒂 珀西梁*1
InveniAI 和 Kyowa Kirin 将人工智能驱动的合作伙伴关系拓展为多年期战略合作，以发现治疗领域的新靶点和治疗方法
来自 Kyowa Kirin 美国康涅狄格州吉尔福德和日本东京，2021 年 12 月 16 日，InveniAI ® LLC 是应用人工智能 (AI) 和机器学习 (ML) 改变药物发现和开发的全球领导者，而 Kyowa Kirin Co., Ltd. (Kyowa Kirin, TSE:4151) 是一家利用最新生物技术创造创新医疗解决方案的全球专业制药公司，通过一项新的多种药物发现协议扩大了他们之间的长期合作关系。此次合作将使 Kyowa Kirin 能够使用 InveniAI 的 AI 创新实验室和 AI 技术平台 AlphaMeld ®，以扩大 Kyowa Kirin 药物发现计划的范围。该协议建立在 InveniAI 与 Kyowa Kirin 于 2018 年开始的持续合作基础之上。此次合作使 Kyowa Kirin 能够使用 InveniAI 的 AI 技术平台 AlphaMeld ®、其 AI 创新实验室以及一支专门的专家团队，以推动 Kyowa Kirin 治疗领域、平台和模式的药物研发工作。InveniAI 和 Kyowa Kirin 现在正站在最先进的生物技术和数字技术的交汇处。两位科学家将更加互动地合作，以产生创新的候选药物。 Kyowa Kirin 执行官、副总裁、研发部负责人 Yoshifumi Torii 博士表示：“我们很高兴看到双方战略性地扩大合作，因为此次合作旨在将 InveniAI 的 AI 功能与我们的治疗平台无缝集成，从而为患者发现有价值的新疗法。到目前为止，我们的合作证明了数据驱动方法的重要性，通过与 InveniAI 的合作，我们正利用技术辅助药物发现和开发的不可否认的优势。”“我们很高兴扩大与 Kyowa Kirin 的合作，我们与该公司有着共同的理念，即利用数据和技术来降低药物开发风险，并更有效地为患者提供更好的治疗方法。通过利用我们长期的合作关系和综合能力（包括药物发现和开发基础设施以及经过验证的 AI 平台），我们相信我们可以迅速实现这一目标，”InveniAI LLC 总裁兼首席执行官 Krishnan Nandabalan 博士表示。 “InveniAI 是唯一一家拥有良好业绩的 AI 公司，其中包括已成功完成 3 期试验和 NDA 提交的 AI 候选药物，以及处于不同开发阶段的其他十个项目。我们仍然很高兴能够利用这个平台的潜力，为行业合作伙伴和我们的内部药物组合创造机会。”
在26S蛋白酶体调节亚基RPN2基因中，恶性疟原虫赋予青蒿素的抗性
减轻疟疾和相关死亡的负担受到了疟疾寄生虫能够发展对市场上所有可用疗法的抵抗力的能力的阻碍（Antony和Parija，2016年）。因此，了解寄生虫获得对抗疟药的耐药性的机制对于未来替代有效治疗的发展至关重要。如今，阿耳震蛋白及其衍生物（Arts）是推荐的治疗方法，以及长期伴侣，形成基于青蒿素的联合疗法（ACTS）。artemisin抗性，主要由环阶段存活测定法（RSA）定义，经常与K13蛋白中的突变有关，而K13蛋白不调节蛋白酶体的活性（Wicht等，2020）。然而，使用蛋白酶体抑制剂（例如环氧素）会增加抗性和敏感寄生虫中的青蒿素活性（Bozdech等，2015）。在该帐户中，泛素 - 蛋白酶体途径（UPP）的不同部分的突变可能会影响阿甘辛蛋白的反应（Bridgford等，2018）。最近的研究表明，19S和20S的蛋白酶体亚基的突变敏化K13 C580Y寄生虫，这是基于RSA的更大湄公河区域中最普遍的青蒿素耐药性突变，基于RSA（Rosenthal和Ng，2021; Rossenthal和Ng，20223）。此外，在编码非素化酶UBP-1的基因中的两个突变在抗甲半氨着这甲蛋白蛋白的抗chabaudi P. chabaudi寄生虫中被鉴定出来，并且证明它们可以介导恶性疟原虫中的艺术耐药性（Cravo，2022222）。后者负责底物的识别，去泛素化，展开和易位。泛素 - 蛋白酶体系统对于真核细胞至关重要，因为它负责蛋白质的降解或回收利用，侵蚀了几个细胞过程，包括细胞周期，转录调节，细胞应激反应，信号转导，信号转导，和细胞曲折（Wang et al。，2015年）。这种蛋白质调节对于在两个宿主之间的生命周期进程中发生的疟疾寄生虫经历的快速转化至关重要，尤其是在复制率高的阶段（Krishnan和Williamson，2018年）。UPP涉及一种称为泛素化的蛋白质后修饰过程，该过程将多泛素链连接到随后由26S蛋白酶体识别的蛋白质上。如果蛋白质被蛋白质组恢复或降解，则泛素化定义的类型（Aminake等，2012; Wang等，2015）。26S蛋白酶体是一种枪管形的多亚基蛋白酶复合物，分为20S核心颗粒（CP）和19S调节粒子（RP）。20S核心通过肽基戊酰基肽水解（PGDH）（caspase样），类似胰蛋白酶样和类似chymotrypsin的活性负责蛋白水解，分别遇到了三种B-亚基（B1，B2和B5）（分别为Wang et al。，2015年）。这些催化活性的亚基分别使用N末端苏氨酸作为酸性，胰蛋白酶和疏水残基的羧基末端后的亲核试剂和裂解。这些活动站点