XiaoMi-AI文件搜索系统
World File Search SystemMACCS
波斯湾的美国海军陆战队 90-91 3D 海军陆战队沙漠盾牌和沙漠风暴 PCN 19000314900_2 中的飞机机翼
1 月初，两个海军陆战队师和直接支援指挥部在基布里特周围部署，莫尔将军及其参谋人员在朱拜勒空军基地的新联队总部区域安顿下来。联合国安理会要求伊拉克撤出科威特的最后期限是 1 月 15 日，而这一期限很快就要到了。虽然在剩下的短暂时间内还需要敲定许多重要细节，但总体而言，第 3 海军陆战队已经准备好开始其空中战役部分。其固定翼飞机大队和 MACCS 已全面投入使用，并在深空和近距空中支援中进行了演练。两个具有长期影响的主要问题仍未解决，即维持第 3 海军陆战队航空军械库存和重新部署旋翼机部队。该联队在岸上的弹药库中储存了大约 15 天的弹药，以保证持续的出击率。** 面对可能更长时间的空中战役，摩尔将军试图建立足够的库存，以度过施瓦茨科普夫将军规定的 60 天。该地区和从美国出发的船只上有更多的军械可用，但令摩尔将军失望的是，作为负责战区所有海军军械的高级海军军官，美国海军中将斯坦利·R·阿瑟选择保留这大批备用军械库存，供 NavCent 和 MarCent 使用。摩尔将军多次向布默将军表达了对该计划有效性的担忧。'36 他担心亚瑟会决定珍惜这些资产，而不是在需要时将它们交给第三 MAW。
SPVec: A Word2vec-Inspired Feature Representation Method for Drug-Target Interaction Prediction
Drug discovery is an academical and commercial process of global importance. Accurate identification of drug-target interactions (DTIs) can significantly facilitate the drug discovery process. Compared to the costly, labor-intensive and time-consuming experimental methods, machine learning (ML) plays an ever-increasingly important role in effective, efficient and high-throughput identification of DTIs. However, upstream feature extraction methods require tremendous human resources and expert insights, which limits the application of ML approaches. Inspired by the unsupervised representation learning methods like Word2vec, we here proposed SPVec, a novel way to automatically represent raw data such as SMILES strings and protein sequences into continuous, information-rich and lower-dimensional vectors, so as to avoid the sparseness and bit collisions from the cumbersomely manually extracted features. Visualization of SPVec nicely illustrated that the similar compounds or proteins occupy similar vector space, which indicated that SPVec not only encodes compound substructures or protein sequences efficiently, but also implicitly reveals some important biophysical and biochemical patterns. Compared with manually-designed features like MACCS fingerprints and amino acid composition (AAC), SPVec showed better performance with several state-of-art machine learning classifiers such as Gradient Boosting Decision Tree, Random Forest and Deep Neural Network on BindingDB. The performance and robustness of SPVec were also confirmed on independent test sets obtained from DrugBank database. Also, based on the whole DrugBank dataset, we predicted the possibilities of all unlabeled DTIs, where two of the top five predicted novel DTIs were supported by external evidences. These results indicated that SPVec can provide an effective and efficient way to discover reliable DTIs, which would be beneficial for drug reprofiling.
NRC 非轻水反应堆愿景与战略；第 3 卷 - 严重事故进展、源项和后果分析的计算机代码开发计划
本报告总结了拟议的代码开发工作，以扩展 NRC 对非轻水反应堆技术的事故进展、源项和后果分析的建模和仿真能力。本报告描述了不同类型的非轻水反应堆以及 NRC 计算机代码的建模差距，包括用于事故进展和源项分析的 MELCOR、用于后果分析的 MACCS 和用于放射性核素清单的 SCALE。严重事故进展、源项和后果分析深深植根于 NRC 的监管政策和实践中。许可流程基于纵深防御的概念，其中发电厂的设计、运行、选址和应急计划构成了独立的核安全层。这种方法鼓励核电站设计师结合多道防线，以保持辐射危害与工人、公众和环境之间的物理屏障的有效性——无论是正常运行还是事故情况。与设计基准事故一起使用的各种监管源术语，建立和确认核设施的设计基准，包括安全重要项目，确保工厂设计符合美国联邦法规 (CFR) 中规定的安全和数值放射性标准（例如，10 CFR 100.11，“禁区、低人口区和人口中心距离的确定”；10 CFR 50.67，“事故源术语”；10 CFR 50.34(a)(1)(iv)；10 CFR 第 50 部分“生产和使用设施的国内许可”附录 A“核电站通用设计标准”中通用设计标准 19“控制室”）以及后续员工指导。通用设计标准 (GDC) 适用于轻水反应堆 (LWR)。非轻水反应堆将具有主要设计标准 (PDC)，其可能有类似的要求。 MELCOR 是桑迪亚国家实验室为 NRC 开发的最先进的计算机代码，用于执行核反应堆严重事故进展和源项分析。MELCOR 是一种灵活的集成计算机代码，旨在描述和跟踪严重事故的演变，以及相关放射性核素在封闭空间（如安全壳或建筑物）内的传输。它是一个知识库，包含价值数亿美元的实验和模型开发，特别关注轻水反应堆现象学以及非轻水反应堆技术的扩展功能。现象识别和排序表 (PIRT) 中已经开发和记录了特定的数据和计算需求，例如与 NGNP 相关的严重事故 (SA) PIRT 以及各种钠冷快堆和熔盐反应堆 PIRT 分析 [1] [2] [3] [4] [5] [6]。相关数据需求已从这些 PIRT 中收集并整合到本报告中。本报告提供了与各种非轻水反应堆设计相关的代码功能状态的高级理解。