XiaoMi-AI文件搜索系统
World File Search SystemLRP
壁外LRP申请人的指南...
获取NIH CONSONS ID（如果您还没有），并确认您的Commons帐户已更新以反映您当前的机构。对于LRP的特定NIH Commons ID要求，请阅读LRP网站上的LRP Commons概述文档。阅读所有资格信息，并确保您有资格获得NIH LRP。阅读六个校外LRP子类别中的每个信息，并确定哪一个最适合您的研究。阅读研究所和中心（IC）任务和优先事项声明，并联系列出的计划官，以讨论您对NIH LRP的研究和适用性。选择最适合您的研究兴趣的1-2 IC。与您的导师/研究主管谈谈您的LRP申请，并要求其NIH Commons ID。您的导师将被要求提交参考书。如果您获得奖励，将要求您的研究主管验证您的季度服务义务。确定您的裁判。至少联系3个，但不超过5个人，并要求他们代表您提交参考书。如果您有导师，则需要您的导师成为您的裁判之一。确定并联系您机构的业务官员，并要求其NIH Commons ID。商业官员有权证明您的受保护的研究时间并确认您作为美国公民的地位。草稿您的研究文件。您将作为申请的一部分提交的文档的详细说明可以在“教学指南的研究信息”部分中找到。确定您的研究资金来源。当LRP申请于9月1日在Assist打开时，请登录，完成并在11月21日之前提交您的LRP申请。
LRP综合行为健康服务清单
半场时间：该网站提供了遵守LRPC半临床实践定义的就业机会。行为健康提供者的半场临床实践是指至少20小时，至少为48周/服务年。至少每周至少16小时在批准的服务网站提供患者护理。每周最多可以花费四个小时的时间在替代设置（例如医院，养老院，庇护所）中提供患者护理，或者按照批准的现场或进行临床相关的行政活动。
全球LRP调节蛋白来自Haloferax Mediterranei
Haloferax Mediterranei是一种在高盐环境中蓬勃发展的极端卤素古老的考古，由于其在极端盐度条件下繁荣发展，因此在生物技术和生化研究中引起了人们的关注。转录因子在调节各种细胞过程中必不可少，已成为理解其适应性的焦点。这项研究深入研究了LRP转录因子的作用，探索了其通过β-半乳糖苷酶测定的体内GLNA，NASABC和LRP基因启动子的调节。值得注意的是，我们的发现提出LRP是氮代谢的开创性转录调节剂。这项研究表明其在激活或抑制同化途径酶（GLNA和NASA）中的潜在作用。LRP与这些启动子之间的相互作用使用电泳迁移率转移测定法和差异扫描荧光法分析，这突出了L-谷氨酰胺在稳定LRP -DNA复合物中必不可少的作用。我们的研究发现，在存在L-谷氨酰胺的情况下，卤素LRP形成八接结构。该研究揭示了使用X射线晶体学作为同型二聚体的三维结构，通过小角度X射线散射在溶液中证实了该状态。这些发现阐明了驱动HFX的复杂分子机制。地中海尼的氮代谢，提供有关其基因表达调节的宝贵见解，并丰富我们对极端生物学的理解。
聚焦 LRP：用于人脸变形攻击检测的可解释 AI
近年来，检测变形人脸图像的任务变得非常重要，以确保基于人脸图像的自动验证系统（例如自动边境控制门）的安全性。基于深度神经网络 (DNN) 的检测方法已被证明非常适合此目的。然而，它们在决策过程中并不透明，而且不清楚它们如何区分真实人脸图像和变形人脸图像。这对于旨在协助人类操作员的系统尤其重要，因为人类操作员应该能够理解其中的推理。在本文中，我们解决了这个问题，并提出了聚焦分层相关性传播 (FLRP)。该框架在精确的像素级别向人类检查员解释深度神经网络使用哪些图像区域来区分真实人脸图像和变形人脸图像。此外，我们提出了另一个框架来客观地分析我们方法的质量，并将 FLRP 与其他 DNN 可解释性方法进行比较。该评估框架基于移除检测到的伪影并分析这些变化对 DNN 决策的影响。特别是，如果 DNN 的决策不确定甚至不正确，与其他方法相比，FLRP 在突出显示可见伪影方面表现得更好。
项目官员 - 实施 - 孟加拉行动援助
项目实施官员将负责在 LRP 工作区全面实施 LRP 计划。他/她将负责实施 AAB 的其他项目运营，并结合 LRP 活动。他/她将负责规划、预算、实施、监控和监督现场层面的项目活动，并咨询 LRP 协调员，包括财务和人力资源管理。他/她将定期为社区动员者提供支持，以根据 LRP 计划实施不同的活动和创新。他/她将与直线经理、LRP 协调员保持密切联系。他/她将根据 LRP 协调员的指导，代表项目和 AAB 向不同级别的利益相关者/组织进行交流。
大肠杆菌亮氨酸响应调节蛋白在体内桥接 DNA，并在外源亮氨酸存在下可调地解离
摘要 盛宴-饥荒反应蛋白是原核生物中一类广泛保守的全局调节蛋白，其中研究最多的是大肠杆菌亮氨酸反应调节蛋白 (Lrp)。Lrp 能够感知环境营养状况，并随后直接或间接地调节大肠杆菌中多达三分之一的基因。Lrp 主要以八聚体和十六聚体 (16 聚体) 的形式存在，其中亮氨酸被认为会使平衡向八聚体状态移动。在本研究中，我们分析了三种寡聚状态的 Lrp 突变体在其与 DNA 结合和调节外源亮氨酸引起的基因表达的能力方面的影响。我们发现二聚体以上的寡聚化是 Lrp 的调节活性所必需的，并且与之前的推测相反，外源亮氨酸仅通过抑制 Lrp 与 DNA 结合来调节其靶启动子处的 Lrp 活性。我们还证明了 Lrp 结合可以在数千碱基的长度范围内连接 DNA，揭示了 Lrp 介导的转录调控的一系列新机制。
与第一和最后一英里的集成供应链网络设计的位置路由问题：a
供应链管理包括长期，中，短期计划的战略，战术和运营决策。战略决策，例如网络设计和运营决策，例如最后一英里路由，都具有相互影响。因此，对它们进行建模可能会导致亚最佳解决方案。这些决策的集成建模已作为位置路由问题（LRP）解决。本文旨在确定解决LRP的解决方案策略和方法，以及基于批判文献综述的相关挑战和研究机会。调查结果表明，有46％的审查出版物采用了一种多阶段建模方法来解决LRP，并顺序解决战略和运营决策。此外，除了建模各种决策水平的挑战之外，LRP模型还需要合并诸如时间窗口，交付失败率，需求密度等的变量。提出了五个研究机会：i）在制定战略网络决策时以战略方法对第一英里进行建模，ii）将环境和社会目标整合到建模框架中，iii）将解决方案方法和算法应用于复杂的现实世界中的案例，iv），iv）探索lrp中的竞争和合作模型，以及V）使用v）使用该技术。
FESAC 十年计划小组委员会更新
... 确定机会或当前计划，为 FESAC LRP FM&T 和聚变等离子体科学差距做出贡献，从而在 BDV 背景下建立 FPP 的基础，同时考虑到里程碑计划获奖者所代表的 FPP 概念的多样性。特别是，确定一个范围，以解决近期科学和技术差距，影响在 BDV 时间范围内实现商业化的 FPP 的设计和建造。对于未被确定为对支持 LRP 科学驱动因素或 BDV 至关重要的计划要素范围内，确定可以推迟且对 FES 计划的影响最小或适度的特定要素，以便重新定向以支持 LRP FM&T 差距和 BDV。确定需要增加的计划要素，以满足 LRP FM&T 差距的目标，从而在 BDV 背景下建立 FPP 的基础，以及可以减少的计划要素。”
相关性的频道选择大脑计算机接口
摘要。基于脑电图（EEG）基于脑部计算机界面（BCI）的通道选择已被广泛研究了二十年，其目标是选择可以提高BCI的总体解码功效的最佳特定主题通道。随着基于深度学习（DL）模型的出现，出现了需要新的视角和新技术来进行渠道选择。在这方面，与受试者无关的通道选择相关，因为使用交叉主体数据训练的DL模型提供了出色的性能，并且尚未完全了解脑电图特征固有的主体间变异性在受试者独立的DL训练中的影响。在这里，我们提出了一种新的方法，用于使用层相关性传播（LRP）和神经网络修剪在基于DL的运动图像（MI）-BCI中实现主题独立通道选择。使用韩国大学（KU）EEG数据集的Deep Convnet和62通道MI数据进行了实验。使用我们提出的方法，由于LRP选择了高度相关的通道，因此我们在受试者独立的分类精度中降低了61％的通道数量（p = 0.09）。LRP相关的渠道选择提供了明显更好的精度，同时使用频道总数的40％，精度的差异范围为5.96％至1.72％。仅使用通道总数的16％的适应性稀疏LRP模型的性能与适应的基线模型相似（p = 0.13）。此外，适应的稀疏LRP模型的准确性仅使用频道总数的35％超过了改编的基线模型的准确性（p = 0.81）。LRP选择的通道的分析证实了选择的神经生理学合理性，并强调了MI-EEG分类中运动，顶叶和枕通道的影响。
运动想象脑中基于相关性的通道选择......
摘要。目的：基于脑电图 (EEG) 的脑机接口 (BCI) 中的通道选择已进行了二十多年的广泛研究，目的是选择最佳的主体特定通道，以提高 BCI 的整体解码效率。随着基于深度学习 (DL) 的 BCI 模型的出现，需要新的视角和新颖的技术来进行通道选择。在这方面，与主体无关的通道选择很重要，因为使用跨主体数据训练的 DL 模型提供了卓越的性能，并且 EEG 特征的固有主体间变异性对与主体无关的 DL 训练的影响尚不完全清楚。方法：在这里，我们提出了一种在基于 DL 的运动想象 (MI)-BCI 中实现与主体无关的通道选择的新方法，使用逐层相关性传播 (LRP) 和神经网络修剪。实验使用来自韩国大学 (KU) EEG 数据集的 Deep ConvNet 和 62 通道 MI 数据进行。主要结果：使用我们提出的方法，由于 LRP 选择高度相关的通道，我们将通道数量减少了 61%，而与受试者无关的分类准确度没有任何显著下降（p=0.09）。基于 LRP 相关性的通道选择与传统的基于权重的选择相比提供了明显更好的准确度，同时使用了不到 40% 的总通道数，准确度差异范围为 5.96% 至 1.72%。仅使用总通道数 16% 的适应稀疏 LRP 模型的性能与适应基线模型的性能相似（p=0.13）。此外，仅使用总通道数 35% 的适应稀疏 LRP 模型的准确度比适应基线模型高出 0.53%（p=0.81）。对 LRP 选择的通道的分析证实了选择的神经生理学合理性，并强调了运动、顶叶和枕叶通道对 MI-EEG 分类的影响。意义：所提出的方法解决了 EEG-BCI 解码中的一个传统问题，同时与 BCI 领域的最新发展相关且适用。我们相信，我们的工作带来了模型可解释性作为一种解决问题的技术的有趣且重要的应用。