ErbB 受体家族(包括 EGFR 和 HER2)在细胞生长和存活中起着至关重要的作用,并与乳腺癌和肺癌等各种癌症的进展有关。在本研究中,我们开发了一个深度学习模型,使用基于 SMILES 表示的分子指纹来预测 ErbB 抑制剂的结合亲和力。每种 ErbB 抑制剂的 SMILES 表示均来自 ChEMBL 数据库。我们首先从 SMILES 字符串生成 Morgan 指纹,并应用 AutoDock Vina 对接来计算结合亲和力值。根据结合亲和力过滤数据集后,我们训练了一个深度神经网络 (DNN) 模型来根据分子指纹预测结合亲和力值。该模型取得了显著的性能,训练集上的均方误差 (MSE) 为 0.2591,平均绝对误差 (MAE) 为 0.3658,R 平方 (R²) 值为 0.9389。尽管在测试集上性能略有下降(R² = 0.7731),但该模型仍然表现出强大的泛化能力。这些结果表明深度学习方法对于预测 ErbB 抑制剂的结合亲和力非常有效,为虚拟筛选和药物发现提供了宝贵的工具。
● 识别可能导致情绪失调和情绪回避的情绪障碍,并加剧羞耻/内疚/恐惧循环和回避 ● 描述 ACT 的 hexflex 模型如何帮助客户做出积极而有意义的行为改变。 ● 为 ACT 的六个核心流程中的每一个应用一项具体的以客户为中心的技能 ● 在每个核心流程中考虑神经发散大脑 ● 介绍神经发散大脑的其他考虑因素(例如完美主义和取悦他人),但这些是每个领域的完全独立的演示
麦考瑞大学的社会包容性是让每个有潜力从高等教育中受益的人都有机会在大学学习、参与校园生活并在自己选择的领域蓬勃发展。大学已采取重大举措,促进公平、多元化和令人兴奋的校园社区,造福教职员工和学生。您有责任在学习和教学、研究、服务导向和交付领域为包容性文化和实践的发展做出贡献。作为麦考瑞大学社区的一员,您不得基于他人的性别、种族、婚姻状况、护理责任、残疾、性取向、年龄、政治信念或宗教信仰歧视或骚扰他人。所有教职员工和学生都应表现出适当的行为,以有利于为每个人营造健康的学习环境。
- 使用相关矩阵并分析每个功能以选择合适的培训。- 选择最合适的训练参数以提高准确性并避免过度插入/拟合。- 绘制结果并与真实数据进行比较。
利益冲突H.B.曾担任Janssen,Astellas,Merck,Pfizer,Foundation Medicine,Blue Earth Diagnostics,Amgen,Amger,Bayer,Oncorus,Loxo,Daicchi Sankyo,Daicchi Sankyo,Sanofi,Sanofi,Curie Therapeutics,Novartis,Novartis,Astra Zeneca; H.B.已获得Janssen,Abbvie/Stemcentrx,Eli Lilly,Astellas,Millennium,Bristol Myers Squibb,Circle Pharma,Daicchi Sankyo,Novartis的研究资金。O.E. 得到Janssen,J&J,Astra-Zeneca,Volastra和Eli Lilly Research Grants的支持; O.E. 是Freenome,Owkin,Pionyr Immunothapeics,Volastra Therapeutics和一名三个生物技术的科学顾问和股权持有人,也是Champions肿瘤学的付费科学顾问; V.C. 曾担任Janssen,Astellas,Merck,Astrazeneca,Amgen和Bayer的顾问/顾问委员会成员; V.C. 已获得Astellas,Janssen,Ipsen,Bayer和Bristol的演讲者Honoraria或旅行支持。O.E.得到Janssen,J&J,Astra-Zeneca,Volastra和Eli Lilly Research Grants的支持; O.E.是Freenome,Owkin,Pionyr Immunothapeics,Volastra Therapeutics和一名三个生物技术的科学顾问和股权持有人,也是Champions肿瘤学的付费科学顾问; V.C.曾担任Janssen,Astellas,Merck,Astrazeneca,Amgen和Bayer的顾问/顾问委员会成员; V.C.已获得Astellas,Janssen,Ipsen,Bayer和Bristol的演讲者Honoraria或旅行支持。
近年来,多层感知器 (MLP) 成为计算机视觉任务领域的研究热点。由于没有归纳偏差,MLP 在特征提取方面表现良好并取得了惊人的效果。然而,由于其结构简单,其性能高度依赖于局部特征通信机制。为了进一步提高 MLP 的性能,我们引入了脑启发神经网络的信息通信机制。脉冲神经网络 (SNN) 是最著名的脑启发神经网络,在处理稀疏数据方面取得了巨大成功。SNN 中的泄漏积分和触发 (LIF) 神经元用于在不同时间步骤之间进行通信。在本文中,我们将 LIF 神经元的机制合并到 MLP 模型中,以在不增加 FLOP 的情况下实现更好的准确率。我们提出了一种全精度 LIF 操作来在块之间进行通信,包括不同方向的水平 LIF 和垂直 LIF。我们还建议使用组 LIF 来提取更好的局部特征。借助 LIF 模块,我们的 SNN-MLP 模型在 ImageNet 数据集上分别仅使用 4.4G、8.5G 和 15.2G FLOP 就实现了 81.9%、83.3% 和 83.5% 的 top-1 准确率,据我们所知,这是最先进的结果。源代码将在 https://gitee.com/mindspore/models/tree/master/research/cv/snn mlp 上提供。
摘要 情绪与学习之间的关系一直是教育神经科学领域的热门话题。脑成像技术的进步使我们更好地了解了这些情感成分在各种认知过程(包括记忆、注意力、决策和社会功能)中的作用(Immordino-Yang & Damasio,2007)。作为教育神经科学领域的教育工作者和研究人员,我们在本文中的主要目标是弥合教育与神经科学之间的差距。将科学研究应用于课堂并不是一个简单的过程(Shearer,2020;Howard-Jones,2014)。然而,我们相信,教育工作者在接触科学研究时可以受益匪浅,从而为他们的课堂实践奠定坚实的基础。此外,教育工作者可以从他们在学校的第一手经验中提供很多帮助,尤其是在情绪在教学和学习中的作用方面。我们将对该领域的当前研究进行荟萃分析,以强调情绪在学习中的重要作用。通过了解这一角色,我们旨在告知和改变当地及其他地区的教育实践。
为了处理现实世界中的噪声数据和不完整信息,我们将机器学习的通用性和抗噪性与知识表示和符号推理的严谨性和可重用性相结合,构建能够灵活应对未知情况的强大人工智能。我们还旨在将AI应用到以前从未应用过的领域,例如估计COVID-19的基因网络,预测辐射下的细胞动态以及基于媒体数据分析行为。
如何开发精简而准确的深度神经网络对于实际应用至关重要,尤其是对于嵌入式系统中的应用。尽管之前沿着该研究方向的工作已经显示出一些有希望的结果,但是大多数现有方法要么无法显著压缩训练有素的深度网络,要么需要对修剪后的深度网络进行大量再训练才能重新提高其预测性能。在本文中,我们提出了一种新的深度神经网络分层修剪方法。在我们提出的方法中,每个单独层的参数都基于相应参数的分层误差函数的二阶导数独立地进行修剪。我们证明,修剪后最终的预测性能下降受每层造成的重构误差的线性组合限制。通过适当控制分层误差,只需对修剪后的网络进行轻度再训练即可恢复其原始的预测性能。我们在基准数据集上进行了大量实验,以证明我们的修剪方法与几种最先进的基线方法相比的有效性。我们的工作代码发布在:https://github.com/csyhhu/L-OBS 。