XiaoMi-AI文件搜索系统
World File Search SystemSMILES
Krembil Brain Institute杂志2021
马克·伯恩斯坦（Mark Bernstein）博士回想起他的第一个全球教学经验时，微笑着。在2003年，他进行了为期一个月的印度尼西亚旅行，培训神经外科的居民。每天潮湿的互联网很少，他住在一家小酒店，与许多甲虫和飞蛾共享房间。他被迷住了。从那以后，克里姆比尔脑研究所的神经外科医生兼临床研究员伯恩斯坦（Bernstein）也是大学健康卫生网络手术系的一部分，他也参加了与世界各地的30多个类似的任务。他帮助在医生无法获得与这里相同的资源和基础设施的国家中建立神经外科和姑息治疗的能力。“很多人都会将其视为慈善或慈善事业。我认为这是正义的，”他解释说。2021年4月，多伦多大学的特梅蒂大学医学院因其在神经外科和姑息治疗方面的工作培训医生而获得了迪恩校友人道主义奖。该奖项颁发给了校友，他们的工作超出了临床责任，以帮助当地或全球范围内的公民，慈善和社会事业。在18年的时间里，伯恩斯坦博士将团队带到了卢旺达，埃塞俄比亚，科威特，尼日利亚，加纳，赞比亚和肯尼亚等国家。他经常返回多次继续教书，并将新的和轻轻使用的设备带到他所访问的医院。“我们经常学到的比教学更多。”他说。“这是双向的事情。”
MMR 疫苗新闻：不平衡会对健康有害吗？
安德鲁·韦克菲尔德 (Andrew Wakefield) 是 1998 年《柳叶刀》杂志上那篇臭名昭著、随后撤回的论文的第一作者，他被除名的悲惨故事几乎无需重复。1 麻疹、腮腺炎和风疹 (MMR) 疫苗有效且安全，2 而英国医学杂志 (BMJ) 已将韦克菲尔德的原始研究斥为“蓄意欺诈”，3 但在过去 15 年中，多家报纸均报道了随后被揭穿的“担忧”。我们能否得出结论，认为此类错误信息与斯旺西当前的麻疹疫情有关？4 5 鉴于疫情的分布，这个问题尤其有趣。从 1997 年起，《南威尔士晚报》发起了一场反对 MMR 疫苗的运动。在三个月内，该报发表了五篇头版头条新闻、三篇评论文章和 18 篇有关 MMR 的文章，其中许多文章质疑其安全性。例如，1997 年 8 月 30 日，第 5 页的标题是“家庭讲述孩子接种疫苗后发生的巨大变化。接种疫苗后，孩子的笑容消失了”，下面是一篇关于一名被诊断为自闭症的男孩的故事。孩子的母亲说：“我认为利亚姆的免疫系统无法同时处理三种活病毒……我非常生气和痛苦。”然而，报纸从未说过父母不应该让孩子接种疫苗。事实上，随文章附有一篇较短的文章，称当地卫生当局“强调父母继续让孩子接种疫苗至关重要”。两名当地公共卫生医生布伦丹·梅森和彼得·唐纳利调查了 MMR 疫苗的接种情况
微调袖珍条件3D分子...
在药物发现中，产生与靶蛋白结合的分子，同时提出所需的化学特性是一个基本挑战。在分子产生的深度学习的早期阶段，大多数模型并未明确模拟产生的分子与靶蛋白之间的相互作用。相反，它们将分子作为微笑字符串或图形产生，仅通过对接得分考虑靶蛋白。这种方法面临概括的局限性，并要求对不同目标进行模型的重新训练。相比之下，新型的袖珍3D分子生成方法通过从蛋白结合口袋输入产生3D分子结构来取得重大改进。例如，Atom-AutoreReReTresbility模型Pocket2mol在创建具有较高结合和理想化学特性的分子方面表现出卓越的性能。但是，它具有局限性，包括产生不切实际的立体化学结构和对产生分子的证券的约束，后者源于训练以复制训练集中的分子。为了克服这些局限性，我们提出了一种加强学习方法，以微调模型以生成具有增强特性的分子。为了证明其有效性，我们进行了一个实验，在该实验中，我们使用方法最大程度地减少了模型的立体化学问题，并增强了产生的分子的吸毒和结合亲和力。可以在https://github.com/deargen/pocket2mol rl公共场所找到推理和复制说明的源代码。我们的结果表明，这种方法不仅可以解决Pocket2mol的现有问题，而且还为分子产生指标建立了新的基准，从而强调了我们方法的推进分子产生的潜力。
基于能量的目标特定药物生成模型...
自 20 世纪 90 年代基因组学时代来临以来，药物发现经历了从表型方法到基于靶标的方法的转变（ Swinney 和 Anthony，2011 ）。人类基因组编码的大多数药物靶标都是复杂的多聚体蛋白质，通过与药物分子结合可以改变其活性（ Overington 等人，2006 ）。配体化合物是一种物质，如果它们在结构上互补，则能与蛋白质靶标的结合位点形成复合物以产生治疗效果（见图 1 ）。在分子空间中导航以寻找具有高结合亲和力的分子化合物称为靶标特定的从头药物发现。传统上，最初通过筛选市售化合物库来识别配体，然后将其逐一与蛋白质靶标对接。这种配体的发现和优化过程可能非常耗时耗力，而且成功率较低（Keserü 和 Makara，2009 年）。计算方法可以有效地加速药物开发的几乎每个阶段。大多数计算方法都基于生成机器学习模型，例如生成对抗网络 (GAN) 和变分自编码器 (VAE)（De Cao 和 Kipf，2018 年；Li 和 Ghosh，2022 年）。然而，这些生成模型几乎不适用于针对特定目标的药物发现，因为它们仅仅学习分子分布。文献中也存在一些针对特定目标的计算方法。例如，Gupta 等人（2018 年）开发了一个生成 RNN-LSTM 模型来生成有效的 SMILES 字符串，并使用已知针对特定蛋白质靶标的活性药物对该模型进行微调。不幸的是，这种关于蛋白质结合剂的先验知识有时是无法获得的，尤其是对于新发现的靶标。Grechishnikova 的一项最新研究（2021 年）通过将靶标特异性药物设计定义为机器翻译问题，释放了这一限制。然而，这种非生成模型设计仅提供从靶标到配体的概率映射，因此无法对药物靶标的配体候选物进行采样。CogMol
Brain International School英语工作表五月...
今天，迈克和他的妈妈要去图书馆。Mike希望找到一本书要阅读。他的妈妈想在那里使用计算机。当他们到达图书馆时，迈克找到了一本关于侦探的书。他还找到了一本书，上面写着有关友好幽灵的章节。最后，他找到了一本书，讲述一个人住在没有食物或水的树林里的人。他把书放在前台，等待他的妈妈。Mike的妈妈坐在图书馆中的一台计算机上。她检查了电子邮件，并查看互联网上的鲜花图片。然后她在网站上阅读了一篇新闻文章。迈克的妈妈离开计算机，走到迈克（Mike），为他伸出一些东西。Mike古怪地看着她。他花了一点时间来认识她所持有的东西。“我有那部电影让我们今晚看，”迈克的妈妈说。“你准备好离开了吗？” “当然，”迈克说，现在把电影拿出来。他回到图书馆入口时阅读了封面。他将书籍和电影放在前台上签出。一位图书馆员站在持有电子扫描仪的柜台后面。“我们可以保留多长时间？”迈克问她。“三个星期，”图书馆员说。“很酷，”迈克说。突然，迈克感到惊讶。他的母亲正在检查其他太大而无法放在桌子上的东西。这是海洋的照片。“那是为了什么？”迈克问。“要在家里放墙，”迈克的妈妈说。“你可以做到吗？”迈克问。迈克的妈妈对图书馆员微笑。“是的，”她说：“但是我们必须在三个月内退还。
汤姆斯集团（Toms Group）的TOMS26战略在2022年开始的转型之旅开始，重点是盈利的增长和竞争
汤姆斯集团（Toms Group）的TOMS26战略在2022年开始了转型之旅的开始，重点关注盈利的增长和竞争力，以及对可持续性的明确雄心和承诺。在2022年，汤姆斯集团（Toms Group）为这一转变旅程提供了稳固的开端，特别是从瑞典市场，出口市场和电晕关闭后旅行零售的回归中的增长。除了继续加强财务业绩外，汤姆斯集团在其可持续性努力方面取得了重大进展，这些努力在2022年正式完全融入了汤姆斯·格鲁彭（Toms Gruppen）的业务战略中。结果是汤姆斯集团（Toms Group）的电力购买协议（PPA），在丹麦和波兰建立太阳能发电厂的能源更好，以及减少自身生产19％的温室气体排放。“我们很高兴能够在今年再次提出改进的财务业绩，同时带来了我们在2022年取得的可持续进步，”汤姆斯集团（Toms Group）首席执行官安妮特·泽佩尔（Annette Zeipel）继续说：“我们的toms26策略和我们的共同目的”继续说道：“我们为每个人带来了微笑 - 为每个人带来了“团结一致”，并指导我们与专注，创造力，创造力，和照顾和照顾。我们坚信我们将继续一起发展和改善Toms，同时增强了我们的竞争力，并在我们既定的可持续未来基础上建立了基础，” Annette Zeipel说：“汤姆斯集团为2022年提供了出色的成绩，这要归功于我们员工在整个小组中的令人印象深刻的努力。所有这些都不是没有努力和巨大的承诺。我们的文化优势和多样性以及跨TOMS的合作是重要的资产。我们将在我们持续的旅途中坚持这些素质。”
DeepMalaria：人工智能驱动的强效抗疟药发现
由于耐药性的出现，抗疟药物的疗效正在下降。据报道，所有可用的抗疟药物，包括青蒿素，都出现了耐药性，因此对替代药物候选物的需求一直存在。传统的药物发现方法是对大型化合物库进行高通量筛选 (HTS) 以识别新药线索，这种方法耗时且资源密集。虽然虚拟计算机筛选是解决这个问题的一种方法，但模型的泛化并不理想。人工智能 (AI) 利用基于结构或基于配体的方法，在化学性质预测领域表现出高度准确的性能。利用现有数据，AI 将成为盲目搜索 HTS 或基于指纹的虚拟筛选的合适替代方案。AI 模型将学习数据中的模式并帮助有效地搜索命中化合物。在这项工作中，我们引入了 DeepMalaria，这是一种基于深度学习的过程，能够使用化合物的 SMILES 预测其抗恶性疟原虫抑制特性。基于图形的模型在葛兰素史克 (GSK) 数据集中的 13,446 种公开可用的抗疟原虫命中化合物上进行训练，这些化合物目前正用于寻找治疗疟疾的新型候选药物。我们通过预测大环化合物库中的命中化合物和已批准用于重新利用的药物来验证该模型。我们选择了大环化合物，因为这些配体结合结构在疟疾药物发现中尚未得到充分探索。该过程的计算机模拟流程还包括对内部独立数据集的额外验证，该数据集主要由天然产物化合物组成。利用从大型数据集进行的迁移学习来提高深度学习模型的性能。为了验证 DeepMalaria 生成的匹配结果，我们使用了常用的基于 SYBR Green I 荧光测定的表型筛选。DeepMalaria 能够检测到所有具有纳摩尔活性的化合物和 87.5% 的抑制率超过 50% 的化合物。进一步的实验揭示了这些化合物的作用机制，结果表明，其中一种热门化合物 DC-9237 不仅能抑制恶性疟原虫的所有有性阶段，而且是一种速效化合物，这使其成为进一步优化的有力候选者。
通过机器学习模型预测微塑料颗粒的毒性
与化学物质不同，可以根据定义明确的分子结构和稳定的特性来识别该化学物质（例如，cas数，微笑），微型和纳米塑料颗粒（MNP）缺乏这种直接的分类。每个MNP都有自己的特征组合，包括聚合物组成，粒子尺寸（长度和宽度）以及形状以及形状以及物理化学特性，例如表面电荷，表面化学和塑料相关化学物质。此外，这些特征可能会随着时间而变化，特别是由于MNP暴露于自然环境时的退化过程。为了实现MNP的可靠危害和风险评估，有必要预测MNP的毒性，其性状组合尚未直接在实验室中进行测试。类似于将化学物质的分子结构与有毒结果联系起来的定量结构 - 活性关系（QSAR）模型，需要模型将MNPS性状与其毒性联系起来。最近收集的微塑料资源管理器（TOMEX）2.0数据库的毒性由290个发表的有关MNP对水生物种的效应的研究点的13,412个数据库组成，这为处理这项任务提供了独特的机会。使用TOMEX 2.0数据，我们对任务进行了机器学习模型，以预测未经测试的MNP的毒性（存在/不存在效果方向，有效浓度）。我们还比较了根据分配的质量分数根据研究质量过滤数据集时的预测是否发生变化。我们比较了两种机器学习算法（增强回归树和深神经网络）的预测性能，并使用可解释的AI（平均边缘效应）的方法来洞悉毒性结果与MNP特征，实验参数和物种特质之间的关系。最后，我们讨论了如何使用此类模型来预测MNP的环境相关混合物的毒性，以及它们如何在将来有助于毒性较小，更环保塑料材料的发展。
一些天然抗高血压药用植物化合物的生物信息学分析作为有希望的血管紧张素转换酶抑制剂
3 尼日利亚阿贝奥库塔联邦农业大学园艺系 摘要 血管紧张素转换酶 (ACE) 抑制一直是抗高血压药物开发的一条有希望的途径。我们的研究使用计算机模拟方法调查了来自六种药用植物（Allium sativum L.、Zingiber officinale Roscoe、Acalypha godseffiana Mast.、Moringa oleifera Lam.、Vernonia amygdalina Delile 和 Rauvolfia vomitoria Afzel.）的生物活性化合物对 ACE 的抑制潜力。筛选了三十一 (31) 种生物活性化合物，同时使用雷米普利和依那普利作为对照药物。从 PubChem 在线服务器获得了生物活性化合物和对照药物的 3D 结构和规范简化分子输入线输入系统 (SMILES)。使用 SwissADME 在线服务器和 AutoDock Vina 软件对生物活性化合物进行药物相似性评估，并对成功化合物进行蛋白质-配体对接。还进行了 ADMET（吸收、分布、代谢、排泄、毒性）分析，以评估命中配体是否适合进一步药物开发。在筛选的 31 种化合物中，17 种至少通过了药物相似性判定的五条标准规则中的四条，而对照药物（雷米普利和依那普利）未通过其中一条规则。 Ajmaline、芹菜素、槲皮素、Cryptolepine、木犀草素、羟基维诺内酯、山奈酚和维诺达洛尔的结合能分别为 -9.6 kcal/mol、-8.7 kcal/mol、-8.5 kcal/mol、-8.4 kcal/mol、-8.4 kcal/mol、-8.3 kcal/mol、-8.3 kcal/mol 和 -7.8 kcal/mol，高于雷米普利和依那普利（-7.6 kcal/mol 和 -7.5 kcal/mol）。较高的结合能和结合相互作用的稳定性表明这些命中配体是针对 ACE 的潜在抗高血压药物。然而，需要进行湿实验室实验研究来验证这些化合物的抑制活性并阐明其作用机制。关键词：植物化合物、结合亲和力、高血压、靶蛋白、药用植物 *通讯作者电子邮件：fawibeoo@funaab.edu.ng 简介 高血压，俗称高血压，是影响人类最常见的疾病之一