XiaoMi-AI文件搜索系统
World File Search SystemYilun
Yilun Kuang –
2025使用结构化矩阵自定义了软磁性注意的电感偏差。Yilun Kuang，Noah Amsel，Sanae Lotfi，Shikai Qiu，Andres Potapczynski，Andrew Gordon Wilson。审查2024年，贝叶斯对抗体的优化是由不断发展的序列生成模型所告知的。Alan Nawzad Amin，Nate Gruver ∗，Yilun Kuang ∗（同等贡献），Yucen Lily Li ∗，Hunter Elliott，Aniruddh Raghu，Calvin McCarter，Peyton Greenside Greenside，Andrew Gordon Wilson。国际学习表征会议（ICLR），2025年，Spotlight 2024解锁令牌作为较大语言模型的泛化界限的数据点。sanae Lotfi ∗，Yilun Kuang ∗（同等贡献），Brandon Amos，Micah Goldblum，Marc Finzi，Andrew Gordon Wilson。神经信息处理系统（Neurips），2024年，Spotlight 2023大型语言模型的非呈现概括范围。sanae Lotfi ∗，Marc Finzi ∗，Yilun Kuang ∗（同等贡献），Tim G. J. Rudner，Micah Goldblum，Andrew Gordon Wilson。国际机器学习会议（ICML），2024 2023具有最大多种能力表示的自然图像的学习有效编码。Thomas Yerxa，Yilun Kuang，Eero Simoncelli，Sueyeon Chung。神经信息处理系统（神经），2023年研讨会论文
flap核酸内切酶1通过ADP-核糖基化Yilun Sun 1*，Lisa M. Jenkins 2，Lara H. El Touny 3，Ukhyun Jo 1，Xi Yan
抽象的DNA-蛋白交联（DPC）是最普遍和有害的DNA病变之一，是由于暴露于代谢应激，药物或交联药物（如甲醛（FA））而引起的。fa是甲醇代谢，组蛋白脱甲基化，脂质过氧化和环境污染物的细胞副产品。无法修复FA诱导的DPC几乎所有基于染色质的过程，包括复制和转录，导致免疫缺陷，神经变性和癌症。然而，它在很大程度上仍然未知细胞如何维修DPC。由于缺乏鉴定DPC的技术，我们不理解FA的蛋白质类型会阻碍DPC修复的研究。在这里，我们通过将氯化葡萄球菌差异超速离心与HPLC-MAS-MAS光谱法（MS）耦合，从而设计了一种新型的生物测定法，以介绍FA诱导的DPC。使用该方法，我们揭示了FA诱导的人类细胞中FA诱导的DPC的蛋白质组，发现形成DPC的最丰富的蛋白质是PARP1，拓扑异构酶I和II和II和II，甲基转移酶，DNA和RNA聚合酶，组蛋白，组蛋白，以及核糖体蛋白。为了鉴定修复DPC的酶，我们进行了RNA干扰筛选，发现皮瓣核酸内切酶1（FEN1）的下调使细胞对FA过敏。由于Fen1具有5'-FLAP内切酶活性，因此我们假设FA诱导了DPC偶联的5'-FLAP DNA片段，可以通过Fen1处理。的确，我们证明了FA会损坏通过碱基切除途径（BER）转化为5'-FLAP的DNA碱基。我们还观察到受损的DNA碱基与DPC和FEN1共定位。从机械上讲，我们显示了FEN1在体内修复FA诱导的DPC和裂解5'-FLAP DNA底物，这些DNA具有模拟于体外的DPC。我们还发现，FEN1修复酶拓扑异构酶II（TOP2）-DPC，由其抑制剂依托泊苷和阿霉素诱导的诱导的酶促蛋白酶和阿霉素独立于BER途径，而FEN1和FEN1和DPC靶向的蛋白酶sprtn是对两种FA诱导的非Zym Zym Zym Zymations sprapterations spr的可行途径top2-dpcs。值得注意的是，我们发现FA诱导的非酶DPC和酶ToP2-DPC迅速通过聚辅助核糖基化（ParyLation）迅速修饰，这是一种由PARP1催化的翻译后修饰，由PARP1催化的，这是一种由Paryling DNA损伤损害蛋白和DNA Reparion Reparte resation and DNA损伤蛋白的关键DNA损伤效应器和DNA Reparte resation and dna Reparte stotes和DNA Reparte stotes。，我们用HPLC-MS的抗PAR抗体进行了免疫沉淀（IP）测定，并将Fen1鉴定为parylation底物。接下来，我们表明DPC底物的填充信号发出了Fen1，而Fen1的抚养也将Fen1驱动到DPC位点。最后，使用末端ADP-ribose-MS方法的酶促标记，我们将FEN1的E285残基确定为主要的荷置位点，这似乎是FEN1迁移到DPCS所需的。综上所述，我们的工作不仅揭示了FA诱导的DPC的身份，而且还发现了前所未有的PARP1-FEN1核酸酶途径，是一种通用和势在必行的机制，可以修复其他DPC并防止DPC诱导的基因组不稳定。
现代方法，经典约束
[1] Jimmy Lei BA，Jamie Ryan Kiros和Geoffrey E. Hinton。层归一化。2016。Arxiv：1607.06450 [Stat.ml]。[2] Nanxin Chen等。Wavegrad：估计波形产生的梯度。2020。Arxiv：2009.00713 [Eess.as]。[3]凯瑟琳·克罗森（Katherine Crowson）。在CIFAR-10上训练扩散模型。在线。2024。URL：https：//colab.research.google.com/drive/1ijkrrv-d7bosclvkhi7t5docryqortm3。[4]凯瑟琳·克罗森（Katherine Crowson）。v-diffusion。在线。2024。URL：https： / / github。com/crowsonkb/v-diffusion-pytorch/blob/master/diffusion/utils.py。[5] Ekin D. Cubuk等。randaugment：实用的自动化数据增强，并减少了搜索空间。2019。Arxiv：1909.13719 [CS.CV]。 [6] Yann N. Dauphin等。 通过封闭式卷积网络进行语言建模。 2017。Arxiv：1612.08083 [CS.CL]。 [7] Mostafa Dehghani等。 通用变压器。 2019。Arxiv：1807.03819 [CS.CL]。 [8] Yilun Du和Igor Mordatch。 基于能量的模型中的隐性产生和概括。 2020。Arxiv：1903.08689 [CS.LG]。 [9] Ian J. Goodfellow等。 生成对抗网络。 2014。Arxiv：1406.2661 [Stat.ml]。 [10] Dan Hendrycks和Kevin Gimpel。 高斯错误线性单元（Gelus）。 2023。Arxiv：1606.08415 [CS.LG]。 [11] Jonathan Ho，Ajay Jain和Pieter Abbeel。 剥离扩散概率模型。 2020。Arxiv：2006.11239 [CS.LG]。2019。Arxiv：1909.13719 [CS.CV]。[6] Yann N. Dauphin等。通过封闭式卷积网络进行语言建模。2017。Arxiv：1612.08083 [CS.CL]。[7] Mostafa Dehghani等。通用变压器。2019。Arxiv：1807.03819 [CS.CL]。 [8] Yilun Du和Igor Mordatch。 基于能量的模型中的隐性产生和概括。 2020。Arxiv：1903.08689 [CS.LG]。 [9] Ian J. Goodfellow等。 生成对抗网络。 2014。Arxiv：1406.2661 [Stat.ml]。 [10] Dan Hendrycks和Kevin Gimpel。 高斯错误线性单元（Gelus）。 2023。Arxiv：1606.08415 [CS.LG]。 [11] Jonathan Ho，Ajay Jain和Pieter Abbeel。 剥离扩散概率模型。 2020。Arxiv：2006.11239 [CS.LG]。2019。Arxiv：1807.03819 [CS.CL]。[8] Yilun Du和Igor Mordatch。基于能量的模型中的隐性产生和概括。2020。Arxiv：1903.08689 [CS.LG]。[9] Ian J. Goodfellow等。生成对抗网络。2014。Arxiv：1406.2661 [Stat.ml]。[10] Dan Hendrycks和Kevin Gimpel。高斯错误线性单元（Gelus）。2023。Arxiv：1606.08415 [CS.LG]。[11] Jonathan Ho，Ajay Jain和Pieter Abbeel。剥离扩散概率模型。2020。Arxiv：2006.11239 [CS.LG]。[12] Jonathan Ho和Tim Salimans。无分类器扩散指南。2022。ARXIV：2207.12598 [CS.LG]。[13]安德鲁·霍华德（Andrew Howard）等人。搜索MobilenetV3。2019。Arxiv：1905.02244 [CS.CV]。[14] Andrew G. Howard等。 Mobilenets：用于移动视觉应用的有效卷积神经网络。 2017。Arxiv：1704.04861 [CS.CV]。 [15] Forrest N. Iandola等。 squeezenet：较小的参数和€0.5MB型号的Alexnet级准确性。 2016。Arxiv：1602.07360 [CS.CV]。 [16] Imagenet 64x64基准（图像生成）。 用代码的论文，2024。URL：https：//paperswithcode.com/sota/image-generation-generation-en-on-imagenet-64x64。 [17] Sergey Ioffe和Christian Szegedy。 批次归一化：通过减少内部协变性转移来加速深层网络训练。 2015。Arxiv：1502.03167 [CS.LG]。 [18] Diederik P. Kingma和Jimmy Ba。 亚当：一种随机优化的方法。 2017。Arxiv：1412.6980 [CS.LG]。 [19] Diederik P. Kingma和Ruiqi Gao。 将扩散目标理解为具有简单数据增强的ELBO。 2023。Arxiv：2303.00848 [CS.LG]。 [20] Diederik P. Kingma等。 变化扩散模型。 2023。Arxiv：2107.00630 [CS.LG]。 [21] Zhenzhong Lan等。 albert：一个精简版的语言表示学习。 2020。Arxiv：1909.11942 [CS.CL]。 [22] Ilya Loshchilov和Frank Hutter。 重量衰减正则化。[14] Andrew G. Howard等。Mobilenets：用于移动视觉应用的有效卷积神经网络。2017。Arxiv：1704.04861 [CS.CV]。 [15] Forrest N. Iandola等。 squeezenet：较小的参数和€0.5MB型号的Alexnet级准确性。 2016。Arxiv：1602.07360 [CS.CV]。 [16] Imagenet 64x64基准（图像生成）。 用代码的论文，2024。URL：https：//paperswithcode.com/sota/image-generation-generation-en-on-imagenet-64x64。 [17] Sergey Ioffe和Christian Szegedy。 批次归一化：通过减少内部协变性转移来加速深层网络训练。 2015。Arxiv：1502.03167 [CS.LG]。 [18] Diederik P. Kingma和Jimmy Ba。 亚当：一种随机优化的方法。 2017。Arxiv：1412.6980 [CS.LG]。 [19] Diederik P. Kingma和Ruiqi Gao。 将扩散目标理解为具有简单数据增强的ELBO。 2023。Arxiv：2303.00848 [CS.LG]。 [20] Diederik P. Kingma等。 变化扩散模型。 2023。Arxiv：2107.00630 [CS.LG]。 [21] Zhenzhong Lan等。 albert：一个精简版的语言表示学习。 2020。Arxiv：1909.11942 [CS.CL]。 [22] Ilya Loshchilov和Frank Hutter。 重量衰减正则化。2017。Arxiv：1704.04861 [CS.CV]。[15] Forrest N. Iandola等。squeezenet：较小的参数和€0.5MB型号的Alexnet级准确性。2016。Arxiv：1602.07360 [CS.CV]。[16] Imagenet 64x64基准（图像生成）。用代码的论文，2024。URL：https：//paperswithcode.com/sota/image-generation-generation-en-on-imagenet-64x64。[17] Sergey Ioffe和Christian Szegedy。批次归一化：通过减少内部协变性转移来加速深层网络训练。2015。Arxiv：1502.03167 [CS.LG]。[18] Diederik P. Kingma和Jimmy Ba。亚当：一种随机优化的方法。2017。Arxiv：1412.6980 [CS.LG]。[19] Diederik P. Kingma和Ruiqi Gao。将扩散目标理解为具有简单数据增强的ELBO。2023。Arxiv：2303.00848 [CS.LG]。[20] Diederik P. Kingma等。变化扩散模型。2023。Arxiv：2107.00630 [CS.LG]。[21] Zhenzhong Lan等。albert：一个精简版的语言表示学习。2020。Arxiv：1909.11942 [CS.CL]。[22] Ilya Loshchilov和Frank Hutter。重量衰减正则化。2019。Arxiv：1711.05101 [CS.LG]。[23] Preetum Nakkiran等。深度下降：更大的模型和更多数据损害。2019。Arxiv：1912.02292 [CS.LG]。[24] Alex Nichol和Prafulla Dhariwal。改进了扩散概率模型。2021。Arxiv：2102.09672 [CS.LG]。[25] Aaron van den Oord，Nal Kalchbrenner和Koray Kavukcuoglu。像素复发性神经网络。2016。Arxiv：1601.06759 [CS.CV]。[26] Prajit Ramachandran，Barret Zoph和Quoc V. Le。搜索激活功能。2017。Arxiv：1710.05941 [CS.NE]。 [27] Danilo Jimenez Rezende和Shakir Mohamed。 差异推断与归一化流量。 2016。Arxiv：1505.05770 [Stat.ml]。2017。Arxiv：1710.05941 [CS.NE]。[27] Danilo Jimenez Rezende和Shakir Mohamed。差异推断与归一化流量。2016。Arxiv：1505.05770 [Stat.ml]。
曼雷萨（西班牙），1965 年 10 月 11 日国籍：...
Azkune，Gorka 德乌斯托大学工程学院（西班牙） Bender，Julian 马克斯普朗克量子光学研究所，加兴（德国） Bermejo Vega，胡安尼格拉纳达大学（西班牙） Brechtelsbauer，Katharina 斯图加特大学（德国） Coll Vinent Wappenhans，Sandra EOLOS - 浮动激光雷达解决方案，巴塞罗那（西班牙） Cruz Rico，Esther 马克斯普朗克量子光学研究所，加兴（德国） Dür，Wolfgang 因斯布鲁克大学副教授（奥地利） Eckholt，Maria TUM 慕尼黑工业大学（德国） González Cuadra，Daniel ICFO-光子科学研究所，卡斯特尔德费尔斯（西班牙） Greplova，Eliska 副教授Kavli 纳米科学研究所，代尔夫特理工大学（荷兰） Hackenbroich，Anna TNG 技术咨询公司，慕尼黑（德国） Hammerer，Klemens 莱布尼茨教授，汉诺威大学（德国） Hauke，Philipp 副教授，特伦托大学（意大利） Hecht，Theresa Horstmann，Birger DLR，亥姆霍兹乌尔姆研究所（德国） Karanikolaou，Teresa ICFO-光子科学研究所，卡斯特尔德费尔斯（西班牙） König，J. Lukas 斯德哥尔摩大学（瑞典） Kohler，Dominic Siemens，慕尼黑（德国） Kull，Ilya 维也纳大学（奥地利） Kraus，Barbara 教授，因斯布鲁克大学（奥地利） Lu，Sirui 马克斯普朗克量子光学研究所，加兴（德国） Mendl，Christian 副教授慕尼黑工业大学 (德国) Metalidis, Georgo Carl Zeiss Microscopy GmbH, Oberkochen (德国) Murg, Valentin TNG 技术咨询公司, 慕尼黑 (德国) Muschik, Christine 助理教授 IQC, 滑铁卢大学 (加拿大) Ni, Xiaotong 阿里巴巴, 上海 (中国) Nigg, Simon swissQuant (瑞士) Paulisch, Vanessa QAware GmbH, 慕尼黑 (德国) Sala, Pablo 慕尼黑工业大学 (德国) Scalet, Samuel 剑桥大学 (英国) Schiffer, Benjamin 马克斯普朗克量子光学研究所, 加兴 (德国) Schindler, Paul 马克斯普朗克复杂系统物理研究所, 德累斯顿 (德国) Schwager, Heike Intel, 慕尼黑 (德国) Scandi, Matteo ICFO-光子科学研究所, 卡斯特尔德费尔斯 (西班牙) Weinfurtner, Silke 助理教授诺丁汉大学数学科学学院 (英国) 魏志远 马克斯普朗克量子光学研究所，加兴 (德国) 杨逸伦 马克斯普朗克量子光学研究所，加兴 (德国)
解剖位置决定黑色素瘤的致癌特异性
约书亚·M·韦斯 1,2,3 , 米兰达·V·亨特 2 , 内莉·M·克鲁兹 2 , 阿丽安娜·巴吉奥里尼 4 , 莫希塔·泰戈尔 2 , 马伊伦 1,2,3 , 桑德拉·米萨莱 5 , 米开朗基罗·马拉斯科 5 , 特蕾莎·西蒙-维莫特 2 , 纳撒尼尔·R·坎贝尔 1,2,6,7 , 费莉希蒂纽厄尔 8，詹姆斯·S·威尔莫特 9，彼得·A·约翰逊 8，约翰·F·汤普森 9,10,11，乔治娜·V·朗 9,10,12，约翰·V·皮尔逊 8，格雷厄姆·J·曼 9,13,14，理查德·A·斯科耶 9,10,11,15，尼古拉·瓦德尔 8,16，艾米丽·D.蒙塔尔 2 , Ting-Hsiang Huang 2 , Philip Jonsson 17,18,19 , Mark TA Donoghue 17 , Christopher C. Harris 17 , Barry S. Taylor 17,18,19 , Tianhao Xu 6 , Ronan Chaligné 6 , Pavel V. Shliaha 20,21 , Ronald Hendrickson 21 , Achim A. Jungbluth 22 , Cecilia Lezcano 22 , Richard Koche 23 , Lorenz Studer 4 , Charlotte E. Ariyan 24 , David B. Solit 17,19,25 , Jedd D. Wolchok 17,25,26,27 , Taha Merghoub 27 , Neal Rosen 5 , Nicholas K. Hayward 8 , Richard M. White 2,28* 1 Weill康奈尔 / 洛克菲勒 / 斯隆凯特琳三机构 MD-PhD 项目，纽约，纽约州，10065，美国 2 癌症生物学和遗传学系，纪念斯隆凯特琳癌症中心，纽约，纽约州，10065，美国 3 细胞和发育生物学项目，威尔康奈尔医学科学研究生院，纽约，纽约州，10065，美国 4 发育生物学，干细胞生物学中心，纪念斯隆凯特琳癌症中心，纽约，纽约州，10065，美国 5 分子药理学项目，纪念斯隆凯特琳癌症中心，纽约，纽约州，10065，美国 6 计算和系统生物学，纪念斯隆凯特琳癌症中心，纽约，纽约州，10065，美国 7 生理学、生物物理学和系统生物学研究生项目，威尔康奈尔医学科学研究生院，纽约，纽约州， 10065，美国 8 QIMR Berghofer 医学研究所，昆士兰州布里斯班，4006，澳大利亚 9 悉尼大学澳大利亚黑色素瘤研究所，新南威尔士州悉尼，2006，澳大利亚 10 悉尼大学医学与健康学院，新南威尔士州悉尼，2050，澳大利亚 11 皇家阿尔弗雷德王子医院，新南威尔士州悉尼，2050，澳大利亚 12 皇家北岸医院，新南威尔士州悉尼，2065，澳大利亚 13 澳大利亚国立大学约翰·科廷医学研究院，澳大利亚首都领地，2601，澳大利亚 14 悉尼大学韦斯特米德医学研究中心癌症研究中心，新南威尔士州悉尼，2528，澳大利亚 15 新南威尔士州健康病理学研究所，新南威尔士州悉尼，2099，澳大利亚 16 昆士兰大学医学院，昆士兰州布里斯班，4072，澳大利亚 17 人类纪念斯隆凯特琳癌症中心肿瘤学和发病机制项目，纽约，纽约州，10065，美国 18 纪念斯隆凯特琳癌症中心流行病学和生物统计学系，纽约，纽约州，10065，美国 19 纪念斯隆凯特琳癌症中心玛丽-何塞和亨利 R.克拉维斯分子肿瘤学中心，纽约，纽约州，10065，美国 20 南丹麦大学 VILLUM 生物分析科学中心生物化学和分子生物学系，奥登斯 5230，丹麦 21 纪念斯隆凯特琳癌症中心微化学和蛋白质组学核心设施，美国纽约州纽约 10065 22 纪念斯隆凯特琳癌症中心病理学系，美国纽约州纽约 10065 23 纪念斯隆凯特琳癌症中心表观遗传学研究中心，美国纽约州纽约 10065 24 纪念斯隆凯特琳癌症中心外科系，美国纽约州纽约 10065