XiaoMi-AI文件搜索系统
World File Search SystemPredict
使用以 Morgan 指纹为特征的深度神经网络模型预测 ErbB 抑制剂的结合亲和力
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。
翻译算法链 - 预测策略和...
在世界范围内，警察部门使用犯罪预测软件来预先预测并防止未来的罪行。预测性警务只是安全当局以及特殊的执法机构努力通过通过社会技术手段产生与未来相关的知识来使未来易于管理的众多方式之一。在进行预测性警务时，警察部门不仅会产生对未来的预期见解，而且会积极地塑造目前的介入。在本章中，我们将预测性警务分析为生产和塑造与犯罪相关的未来的社会技术过程。更确切地说，我们将预分法的警务分析为“翻译链”（Latour，1999：70）。这样做，我们追踪了犯罪预测的产生，从算法编程和数据输入到警察执行的数据：涉及许多认知翻译的过程 - 在不同的位置，但通常会及时接近。我们将预测性警务描述为一个由不同阶段组成的增量过程，专门针对基于德国的基于地方的犯罪预测软件。将这一过程作为“翻译链”，我们显示了一个较大的（认知）差距，该差距在预测过程的开始及其结束之间出现。在一个或多或少的无缝过程中，这一差距是由人类和非人类填补的，从相应警察总部的犯罪分析部门开始，并在预测的风险区域的街道上结束。我们收集了从11个警察部门，其中4个位于瑞士和7个在德国的定性数据。将预测性警务视为一系列翻译，使我们能够将其分析为一种富有成效的社会技术过程，该过程有时会以非线性方式进行。本章借鉴了一个有关我们在2017年至2018年间在德国和瑞士进行的犯罪预测软件实施和使用的研究项目。在数据收集时，所有部门都已经定期使用预测性警务工具，运行现场实验以确定是否使用和/或如何最好地实施此类工具，或者开发自己的工具。总共对警察主持人进行了62次半结构化访谈。这些官员从事各种角色，包括后台工作，
使用机器学习预测中风 - 警告
中风是全球第二大死亡原因，对个人和国家医疗保健系统来说仍然是一个重要的健康负担。我们的项目将机器学习原理应用于大量现有数据集，以根据潜在可改变的风险因素有效地预测中风。然后，它打算开发应用程序，根据每个用户的中风风险水平提供个性化警告，并提供有关中风风险因素的生活方式纠正信息。
MRI放射素学用于直肠癌的淋巴血管浸润预测
放射线学利用计算算法从MRI扫描中提取定量成像特征，从而更深入地评估肿瘤异质性。在这项研究中，使用T2加权成像（T2WI）和扩散加权成像（DWI）分析了肿瘤内和周围区域的特征。该研究评估了不同的周围距离，发现与其他构型相比，T2WI中的3mm周围区域表现出优异的预测精度。这些放射素特征与临床参数（例如性别和MRN阶段）的整合导致了优化的预测模型。研究发现，结合周围放射线特征的模型优于仅依靠肿瘤内特征的模型。此方法在区分LVI的存在方面超过了常规成像，提供了一种非侵入性且高度准确的诊断工具。
加密货币价格预测指标-IJRPR
此方法提供了[1]有见地的信息，可促进在极其不可预测的比特币市场中改善风险管理和决策。实验结果[2]表明，SVR模型对于加密货币价格预测的准确性可以通过综合学习模型有效地改进。这是通过考虑[3]长期任期内存（LSTM）和变形金刚神经网络来完成的，这些术语（LSTM）和使用历史差异以及使用历史差异以及这些型号的技术指示器以及这些模型（ELNCO）（ELNCO）（ELNCO）（ELNCO）（BITCO）（BITCO）（BITCO）（BITCO）（BITCO）（BITCO）（BIT）（BITCO）（BT） Litecoin（LTC）。我们的实验表明，[4]脊回归模型优于更复杂的预测模型，例如RNN和LSTM，在预测确切的关闭价格时。另一方面，LSTM可以比其他人更好地预期加密货币价格的方向。
数据驱动的二氧化碳排放预测-IJRPR
几项研究使用统计和ML技术研究了CO2排放趋势。传统的时间序列模型，例如季节性自回归综合运动平均值（Sarima），已有效地分析历史排放模式。然而，机器学习模型（例如随机森林和梯度提升）通过合并多个变量（包括能源消耗，GDP和工业生产）来提供增强的预测精度。研究强调，基于AI的碳跟踪工具（例如CarbonTracker和Eco2AI）通过优化计算过程中的能源消耗来减少排放效果至关重要。
