XiaoMi-AI文件搜索系统
World File Search SystemSmiles
研究文章 - RSC 药物化学
片段也是优化的有效起点，因为与较大分子的结合相互作用可能更有效，尽管亲和力较低。8,9 然而，良好的库设计对于利用这些潜在优势至关重要。片段库必须平衡化学和药效团多样性、分子复杂性和物理化学特性。我们最近报道了一种使用化学自动编码器的深度学习片段生成器模型。10 该出版物中给出了该模型的完整细节。简而言之，自动编码器是一种编码器/解码器神经网络架构。11 在训练中，编码器生成其输入的压缩“潜在”表示，而解码器从中重建输入。在化学自动编码器中，输入/输出是分子表示。一种常用的方法是基于编码 Daylight SMILES 字符串。12,13 在生成过程中，对潜在表示的空间进行采样，在上述情况下，可以以 SMILES 格式输出新分子。14
新加坡上帝之心教会 HOGC 年度报告......
庆祝社区影响力年年会 INConversation 2024 和谐圈运营中心模块化培训 国庆节：为我们的国家欢庆和祈祷 庆祝种族和谐：清真寺的一天 灯泡计划：通过辅导启发年轻人的思想 微笑计划：向有需要的家庭传播微笑 跨信仰农历新年聚餐 一起开斋 在 Abdul Aleem Siddique 清真寺享用和谐午餐 为来自不同背景的孩子们送上圣诞祝福 寺庙周年庆典上的交通引导员 为米而行：有目的的行走 绿色环保
卷发行12月37日04 2024
临床医生使用诊断材料，包括口腔内图像和外生图像，以确保在正畸治疗过程中的治疗计划或力学成功。由于这些记录是在治疗过程中特定时间点内以特定时间间隔拍摄的，因此休息位置，社交和自发的微笑的可重复性以及语音可以在实现美学治疗目标中发挥重要作用。在正畸治疗期间，临床医生需要一个可以认为恒定的参考点。但是，如果静止位置，社会和自发的微笑以及语音受情绪状态的影响，则在这种情况下，识别可靠的参考点变得具有挑战性，则可以在记录分析后观察到不归因于治疗的差异。3
用于药物发现的知识增强表征学习
最近关于预测药物分子和蛋白质之间结合亲和力的研究使用了通过无监督学习技术从大型分子 SMILES 和蛋白质序列数据库中学习到的表示。虽然这些表示显著提高了预测能力，但它们通常基于一组有限的模态，并且没有利用有关分子和蛋白质之间现有关系的可用知识。我们的研究表明，从描述分子和蛋白质之间关系的多模态知识图谱中获得的增强表示可以在成熟的基准测试中产生最先进的结果（在 Therapeutics Data Commons 基准测试“药物-靶标相互作用域泛化基准”排行榜上名列第一，比之前的最佳结果提高了 8 分）。此外，我们的结果远远超过了使用仅依赖序列或 SMILES 数据的传统预训练表示在标准基准测试中取得的结果。我们发布了多模态知识图谱，整合了来自七个公共数据源的数据，其中包含超过 3000 万个三元组。我们还发布了根据我们提出的图表和基准任务源代码进行预训练的模型。
庆祝卓越：2024 年 G15 社区影响报告
Sonshine Smiles 真正与众不同之处在于其独特的整体方法。他们的导师和青年协调员投入大量精力了解每个孩子，然后为他们量身定制培养自信心、适应力和社交技能的活动。他们不仅提供典型的假期计划，还创造了一个培育环境，让孩子们能够选择自己参与艺术、文化、体育活动甚至准备饭菜的程度。这种方法不仅对年轻人产生了积极影响，也对他们的家庭产生了积极影响，正如一位家长分享的那样：
预测蛋白质靶向嵌合体的降解潜力
图 2：模型概述。所研究蛋白质的 PDB 文件用于生成其图形表示。然后，将 POI 和 E3 连接酶的这些图形表示传递到预先训练的 GearNet 进行特征提取，同时从 PROTAC 组件的 SMILES 中收集指纹。然后将各个特征连接起来，并将连接的向量传递到机器学习模型（XGBoost、随机森林或 MLP）以预测 PROTAC 的 DC 50 值。单个示例的多格式标签允许在回归和分类任务中训练所研究的模型。
终生的“牙科身份”：数字牙科时代的新机会
象征的外观显着影响我们展示自己并感知自己的身份。我们的微笑和独特的牙科特征（例如疾病系统）可以成为个人商标。技术限制，时间限制或缺乏专业知识可能会导致更多通用的牙科修复体。对刻板印象，“完美”微笑或依赖通用牙科设计的愿望可以消除个性化的牙科身份，从而使结果变得不那么真实和独特。预制的义齿牙齿具有较低的尺寸，形状和阴影的选择有限的模仿自然凹痕的潜力，很少有技术人员和临床医生能够掌握完全个性化假肢牙齿的艺术。然而，大多数人都喜欢模仿其自然牙科特征的修复，以维持约翰·贝斯福德（John Besford）所说的“假肢隐私”，这有助于他们隐藏自己的牙科工作并保留“牙科身份”，使他们能够继续保持自己的状态和感觉。1
HyGNN：通过超图神经网络预测药物间相互作用
摘要 — 药物间相互作用 (DDI) 可能会妨碍药物的功能，在最坏的情况下，它们可能导致药物不良反应 (ADR)。预测所有 DDI 是一个具有挑战性且至关重要的问题。大多数现有的计算模型整合了来自不同来源的以药物为中心的信息，并将它们作为机器学习分类器中的特征来预测 DDI。然而，这些模型失败的可能性很高，尤其是对于所有信息都不可用的新药。本文提出了一种新的超图神经网络 (HyGNN) 模型，该模型仅基于适用于任何药物的简化分子输入线输入系统 (SMILES) 药物串来解决 DDI 预测问题。为了捕捉药物化学结构的相似性，我们从从 SMILES 字符串中提取的药物化学子结构创建了一个超图。然后，我们开发了 HyGNN，它由一个基于注意力机制的新型超图边缘编码器组成，以获得药物作为超边的表示，以及一个解码器来预测药物对之间的相互作用。此外，我们进行了大量实验来评估我们的模型，并将其与几种最先进的方法进行比较。实验结果表明，我们提出的 HyGNN 模型可以有效预测 DDI，并且令人印象深刻地超越基线，最大 F1 得分、ROC-AUC 和 PR-AUC 分别为 94.61%、98.69% 和 98.68%。最后，我们表明我们的模型也适用于新药。索引术语 — 药物-药物相互作用、图神经网络、超图、超图神经网络、超图边缘编码器
基于复杂的配体结合蛋白通过基于等效扩散的生成模型重新设计
图1：提议的框架概述。该过程始于利用蛋白质氨基酸序列和配体微笑弦作为输入。构象采样过程包括迭代应用输入特征，更新残留特征并脱落等效，最终在其辅导的Cα蛋白质主链和配体配合物以及其辅导中产生了新型蛋白质序列。
机器学习在预测分子特性中的应用
由于开发新化合物并确定其性能是昂贵且可能危险的，因此有必要开发一个模型来预测分子特性，而无需合成和实验测试。表示化合物的两种系统方法是通过分子结构的示意图和简化的分子输入线 - 进入系统（Smiles）。在这项研究中，这些表示分别用于训练两个神经网络模型，一个卷积神经网络（CNN）和一个经常性神经网络（RNN），以预测化合物的熔点。通过将化合物表示为结构的图像，CNN在拟合给定数据的拟合时不成功，似乎在给定数据的平均熔点附近保持恒定。然而，通过将化合物表示为系统生成的文本字符串，RNN成功地拟合了数据，总体趋势类似于实际趋势，平均绝对误差较低。但是，与结构图数据不同，用于RNN的微笑数据不包含方向信息。对于将来的研究，可能可以将两种表示形式结合起来，以达到更准确的预测模型。