XiaoMi-AI文件搜索系统
World File Search SystemROSETTA
Rosetta Commons community_response for NIST信息请求（RFI）
蛋白质结构预测和设计研究在增强公共卫生安全方面也可以通过提高我们的预防，检测和应对大流行的能力来提高公共卫生安全。在Covid-19大流行期间，使用计算设计蛋白质的第一种疫苗被批准用于主要政府（南部韩国和英国），甚至在临床测试中均超过了阿斯利康的疫苗。13最近开发的深度学习模型evescape可以比湿实验室方法更快，更便宜，更精确地预测病毒序列的未来突变，并且可能允许提前预测新兴的SARS-COV-2变体。14从现在到未来，蛋白质结构预测和设计工具将作为大流行反应的战略资产
组装图作为生态装配的罗塞塔石
抽象的生态装配 - 通过物种引入的生态社区形成的过程 - 最近看到了动态，信息和概率方法的令人兴奋的理论进步。但是，这些理论对于非理论家通常仍然无法获得，并且缺乏统一的镜头。在这里，我介绍了汇编图作为连接这些新兴理论的集成工具。组装图在视觉上表示组装动力学，其中节点象征物种组合和边缘代表由物种引入驱动的过渡。通过组装图的镜头，我回顾了生态过程如何减少随机物种到达（信息方法）的不确定性，确定图形性能，以保证物种共存并检查动态模型类别的拓扑图（动态方法）的拓扑类别（动力学方法），并使用不合时宜的信息（概率方法）来量化过渡概率（概率方法）。为了促进经验测试，我还回顾了将复杂的组装图分解为较小的可测量组件以及用于得出经验组装图的计算工具的方法。总的来说，对理论进步的数学光评论旨在促进对生态组装的预测理解的经验研究。
使用机器学习方法的Rosetta能量近似
第3章深度学习方法。。。。。。。。。。。。。。。。。。。。12 3.1数据表示。。。。。。。。。。。。。。。。。。。。。。。。。。。12 3.2模型体系结构。。。。。。。。。。。。。。。。。。。。。。。。。。。。12 3.3损失功能。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。14 3.3.1加权MSE损失。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>14 3.3.2相关损失。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>15 3.4优化器。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>16 3.5能量夹和面罩。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>16 3.5.1夹具一身能量。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。16 3.5.2两体能量的距离蒙版。。。。。。。。。。。。。。17
Rosetta神经元：挖掘模型动物园中的普通单位
是否有不同的神经网络，接受过各种视觉任务的培训，共享一些共同的表示？在本文中，我们证明了我们在具有不同体系结构，不同任务（生成和歧视本地）以及不同类型的监督（班级监督，私人文本，文本监督，自学，自我求职，自我求助）的一系列模型中称为“ Rosetta神经元”的存在。我们提出了一种用于挖掘跨多种流行视觉模型的Rosetta神经元词典的算法：类监督 - Resnet50，Dino-Resnet50，Dino-Vit，Mae，Mae，Clip-Resnet50，Big-Gan，Big- Gan，stylegan-gangan-2，stylegan-xl。我们的发现表明，某些视觉概念和结构在自然世界中固有地植根于自然界，并且可以通过不同的模型来学习，而不论特定的任务或体系结构，并且不使用语义标签。，由于我们的分析中包含的生成模型，我们可以直接可视化共享概念。Rosetta神经元促进了模型对模型翻译，实现了各种基于反转的操作，包括跨级比对，变化，放大等，而无需进行专业培训。
基因组编辑使领鞭毛虫 Salpingoeca rosetta 的多细胞发育的反向遗传学成为可能
摘要 在之前的研究中，我们建立了正向遗传筛选，以确定领鞭毛虫 Salpingoeca rosetta 多细胞发育所需的基因 (Levin 等人，2014)。然而，领鞭毛虫反向遗传工具的缺乏妨碍了对基因功能的直接测试，并阻碍了将领鞭毛虫确立为重建其现存近亲动物起源的模型。在这里，我们通过设计一个可选择的标记来富集编辑细胞，在 S. rosetta 中建立了 CRISPR/Cas9 介导的基因组编辑。然后，我们使用基因组编辑来破坏 S. rosetta C 型凝集素基因 rosetteless 的编码序列，从而证明其对于多细胞莲座丛发育的必要性。这项工作推动了 S. rosetta 作为一个模型系统的发展，以研究从遗传筛选和基因组调查中识别出的基因如何在领鞭毛虫中发挥作用并进化为动物生物学的关键调节器。
人工智能驱动的语言学习：Rosetta Stone 对 ESL 学生口语能力和自我控制的影响
3 研究学者，安得拉大学，维沙卡帕特南，印度。摘要 本研究论文探讨了基于人工智能 (AI) 的教学对提高英语口语能力和促进现实环境中的自学能力的影响。在当今的教育领域，基于人工智能的应用程序已被证明是一种变革性工具，可以激发学习者的热情并支持交互式语言学习活动。这项研究针对 120 名学习英语作为第二语言 (ESL) 的工程专业学生进行，他们被随机分配到接受基于人工智能的教学的实验组或接受传统教学的对照组。利用 Rosetta Stone 移动应用程序进行前测和后测，以评估学生的英语口语能力和自学技能，该应用程序结合了各种口语活动、重点练习、发音反馈和语音识别工具。结果表明，与对照组相比，实验组在口语技能方面表现出显著的进步——准确性、词汇量、流利度和发音。研究结果表明，基于人工智能的教学有效地提高了 ESL 学生的英语口语技能，改善了他们的自我调节过程。这些结果证明了人工智能技术在增强语言习得体验、促进学习者自力更生和口语认知过程方面的潜力。关键词：EFL 语境、基于人工智能的教学、Rosetta Stone 应用、口语技能、自我调节实践。
![arxiv：2305.14749v7 [cs.lg] 2025年2月25日](/simg/g:\will\search\icon\source\c\c76d39d4c6e939d3fabf8e266ba4e6c3a39b970f.webp)
arxiv：2305.14749v7 [cs.lg] 2025年2月25日
计算RNA设计任务通常是作为反问题提出的，其中设计是基于采用单个所需的二级结构，考虑到3D构象多样性。我们介绍了Grnade，这是在3D RNA骨架上运行的G型RNA DE标志管道，以设计出解释结构和动力学的序列。GRNADE使用多状态图neu-ral网络和自回归解码来生成候选RNA序列，该候选RNA序列在一个或多个3D骨干结构上，在一个或多个碱的身份未知。在单态固定骨架上，来自Das等人鉴定的PDB的14个RNA结构的重新设计基准。（2010年），与罗塞塔（Rosetta）相比，Grnade获得了更高的天然序列恢复率（平均为56％）（平均45％），与Rosetta报告的小时相比，要花一秒钟的时间才能产生设计。我们进一步证明了Grnade在用于结构柔性RNA的多状态设计基准上的实用性，以及对最近的核酶的回顾性分析，突变适应性景观的零摄像排名。对10种不同结构化RNA骨架的实验性湿实验室验证发现，在设计伪后的RNA结构时，Grnade的成功率为50％，对于Rosetta而言，超过35％的增长率超过35％。开源代码和教程可在以下网址找到：github.com/chaitjo/ geometric-rna-design