XiaoMi-AI文件搜索系统
World File Search SystemZiegler
博士瓦基尔·塔卡耶夫
11) Büchel, J., Mingard, C., Takhaveev, V., Reinert, PB, Keller, G., Kloter, T., Huber, SM, McKeague, M. 和 Sturla, SJ, 2023. 胶质母细胞瘤药物替莫唑胺的 O6-甲基鸟嘌呤单核苷酸分辨率基因组图谱。bioRxiv，2023.12.12.571283。正在《核酸研究》中审查。10) Mingard, C., Battey, JN, Takhaveev, V., Blatter, K., Hürlimann, V., Sierro, N., Ivanov, NV 和 Sturla, SJ, 2023. 通过吸烟的各个成分剖析癌症突变特征。化学毒理学研究，36（4），第714-123页。9）Jiang, Y., Mingard, C., Huber, SM, Takhaveev, V., McKeague, M., Kizaki, S., Schneider, M., Ziegler, N., Hurlimann, V., Hoeng, J., Sierro, N., Ivanov, NV 和 Sturla, SJ，2023. 人类基因组中烷基化的量化和映射揭示了突变特征的单核苷酸分辨率前体。ACS Central Science，9（3），第362-372页。 8) Takhaveev, V.、Özsezen, S.、Smith, EN、Zylstra, A.、Chaillet, ML、Chen, H.、Papagiannakis, A.、Milias- Argeitis, A. 和 Heinemann, M., 2023. 生物合成过程的时间分离是造成芽殖酵母细胞周期中代谢振荡的原因。《自然代谢》，5(2)，第 294-313 页。7) Ortega, AD#、Takhaveev, V.#、Vedelaar, SR、Long, Y.、Mestre-Farràs, N.、Incarnato, D.、Ersoy, F.、Olsen, LF、Mayer, G. 和 Heinemann, M., 2021. 一种用于报告糖酵解通量的果糖-1,6-双磷酸盐合成 RNA 生物传感器。 Cell Chemical Biology, 28(11), pp.1554-1568. 6) Monteiro, F., Hubmann, G., Takhaveev, V., Vedelaar, SR, Norder, J., Hekelaar, J., Saldida, J., Litsios, A., Wijma, HJ, Schmidt, A. 和 Heinemann, M., 2019. 使用正交合成生物传感器测量单个酵母细胞中的糖酵解通量。分子系统生物学, 15(12), p.e9071。 5) Leupold, S., Hubmann, G., Litsios, A., Meinema, AC, Takhaveev, V., Papagiannakis, A., Niebel, B., Janssens, G., Siegel, D. 和 Heinemann, M., 2019. 酿酒酵母在其复制生命周期中经历不同的代谢阶段。Elife, 8, p.e41046。4) Takhaveev, V. 和 Heinemann, M., 2018. 克隆微生物种群中的代谢异质性。Current opinion in microbiology, 45, pp.30-38。 3) Filer, D., Thompson, MA, Takhaveev, V., Dobson, AJ, Kotronaki, I., Green, JW, Heinemann, M., Tullet, JM 和 Alic, N., 2017. RNA聚合酶III限制TORC1下游的寿命。《自然》，552（7684），第263-267页。2) Suplatov, D., Kirilin, E., Arbatsky, M., Takhaveev, V. 和 Švedas, V., 2014. pocketZebra：一种通过对不同蛋白质家族的生物信息学分析自动选择和分类亚家族特异性结合位点的网络服务器。《核酸研究》，42（W1），第W344-W349页。 1) Suplatov, D., Kirilin, E., Takhaveev, V. 和 Švedas, V., 2014. Zebra：用于对不同蛋白质家族进行生物信息学分析的网络服务器。《生物分子结构与动力学杂志》，32(11)，第 1752-1758 页。研究资助
利用生成式人工智能自动注释化学文档及其评估
[1] Takahiro Arima、Tomoko Okuma 和 Tatsuya Dewa。从技术文档中提取材料信息以探索新应用。自然语言处理协会第 29 届年会论文集，第 512-515 页，2023 年。[2] Annemarie Friedrich、Heike Adel、Federico Tomazic、Johannes Hingerl、Renou Benteau、Anika Marusczyk 和 Lukas Lange。SOFC-exp 语料库和神经方法在材料科学领域的信息提取。在计算语言学协会第 58 届年会论文集，第 1255-1268 页。ACL，2020 年。[3] Shu Huang 和 Jacqueline M. Cole。使用飞行数据提取器自动生成的电池材料数据库。科学数据，第 5 卷7，第1号，第2052-4463页，2020年。[4] Fabrizio Gilardi、Meysam Alizadeh和Maël Kubli。Chatgpt在文本注释任务中的表现优于众包工作者。美国国家科学院院刊，第120卷，第30期，第e2305016120页，2023年。[5] Tom Brown、Benjamin Mann、Nick Ryder、Melanie Subbiah、Jared D Kaplan、Prafulla Dhariwal、Arvind Neelakantan、Pranav Shyam、Girish Sastry、Amanda Askell、Sandhini Agarwal、Ariel Herbert-Voss、Gretchen Krueger、Tom Henighan、Rewon Child、Aditya Ramesh、Daniel Ziegler、 Jeffrey Wu、Clemens Winter、Chris Hesse、Mark Chen、Eric Sigler、Mateusz Litwin、Scott Gray、Benjamin Chess、Jack Clark、Christopher Berner、Sam McCandlish、Alec Radford、Ilya Sutskevser 和 Dario Amodei。语言模型是少样本学习器。载于《神经信息处理系统进展》，第 33 卷，第 1877-1901 页。Curran Associates, Inc.，2020 年。[6] Md Tahmid Rahman Laskar、M Saiful Bari、Mizanur Rahman、Md Amran Hossen Bhuiyan、Shafiq Joty 和 Jimmy Huang。在基准数据集上对 ChatGPT 进行系统研究和全面评估。载于《计算语言学协会研究结果：ACL 2023》，第 1877-1901 页。 431–469。ACL，2023 年 7 月。[7] Bart lomiej Koptyra、Anh Ngo、Lukasz Radli´nski 和 Jan Koco´n。Clarin-emo：使用人类注释和 chatgpt 训练情绪识别模型。在国际计算科学会议上，第 365–379 页。Springer，2023 年。[8] Taiki Watanabe、Akihiro Tamura、Takashi Ninomiya、Takuya Makino 和 Tomoya Iwakura。使用化合物释义进行化学命名实体识别的多任务学习。在 2019 年自然语言处理经验方法会议和第 9 届国际自然语言处理联合会议 (EMNLP-IJCNLP) 的论文集上，第 6244–6249 页。ACL，2019 年。[9] Amalie Trewartha、Nicholas Walker、Haoyan Huo、Sanghoon Lee、Kevin Cruse、John Dagdelen、Alexander Dunn、Kristin A. Persson、Gerbrand Ceder 和 Anubhav Jain。量化领域特定预训练在材料科学命名实体识别任务中的优势。Patterns，第 3 卷，第 4 期，第 100488 页，2022 年。[10] Gupta Tanishq、Zaki Mohd 和 NM Krishnan。Matscibert：用于文本挖掘的材料领域语言模型
AndréZiegler博士，Roche Diagnostics 对HeartQol健康相关的生活质量问卷的验证提出了14个项目问卷的验证概述，旨在成为我们 2023 ESC指南的基本消息 Ola Vedin博士，阿斯利康 心血管基因疗法 Bettina Kraus博士，Boehringer-ingelheim 申请人符合Dora的简历模板 2024 ESC指南的基本消息 2024 ESC外周动脉和主动脉疾病管理指南 Andreas Giannopoulos，医学博士，博士学位 EAPCI奖学金赠款2024-规章制度 - ... 心血管和呼吸系统头部负责人 心血管基因疗法：道德考虑因素
•IE的抗生素治疗有两个阶段。第一阶段由院内静脉内2周组成治疗。在此初始阶段，应进行心脏手术，如果指示，应去除感染的异物，并应排干心脏以及心脏外脓肿。在第二阶段，在选定的患者中，可以在门诊或口服抗生素计划中完成抗生素治疗长达6周。•葡萄球菌NVE不建议氨基糖苷，因为尚未证明其临床益处。在IE中是由其他微生物引起的，其中指示氨基糖苷，应以每日剂量处方以降低肾毒性。•利福平在3-5天的有效抗生素治疗后，仅在涉及异物（例如PVE）的IE中使用。•当指示达托霉素时，必须以高剂量（每天10 mg/kg一次）给予，并与第二种抗生素（β-内酰胺或β-内酰基过敏患者中的β-内酰胺或fosfymycin）结合，以增加活性并避免耐药性的发展。•OPAT只能在脚趾显示出局部进展和并发症的情况下才开始（例如严重的瓣膜功能障碍）。•在OPAT计划中，如果可能的话，患者继续使用急性期使用相同的抗生素。
PW Serruys博士 正在进行的临床试验和管道中的心血管药物 - 是否缺乏创新？ 从草药到药丸，抗体和核酸 EACVI活动报告2022 AndréZiegler博士，Roche Diagnostics 对HeartQol健康相关的生活质量问卷的验证提出了14个项目问卷的验证概述，旨在成为我们 2023 ESC指南的基本消息 Ola Vedin博士，阿斯利康 心血管基因疗法 Bettina Kraus博士，Boehringer-ingelheim 申请人符合Dora的简历模板 2024 ESC指南的基本消息 2024 ESC外周动脉和主动脉疾病管理指南 Andreas Giannopoulos，医学博士，博士学位 EAPCI奖学金赠款2024-规章制度 - ... 心血管和呼吸系统头部负责人 心血管基因疗法：道德考虑因素
1。ionis Pharmaceuticals。年度报告2022。2023年9月访问。可用：https：//ir.ionispharma.com/static-files/db9dff5d-8683-485a-a517-15e264fe7532。2。Nativi-Nicolau Jn等。心脏失败。2022; 27（3）：785-793。3。Mohammed SF等。JACC心脏失败。 2014; 2（2）：113-122，4。 ioannou A等。 生物果。 2023; 37（2）：127-142。 doi：10.1007/s40259-023-00577-7。 5。 阿斯利康。 eplontersen在第三阶段试验中表现出了遗传性经甲状腺素蛋白介导的淀粉样蛋白多神经病（ATTRV-PN）至66周的持续收益。 访问：2023年9月。 可在以下网址提供：https：//www.astrazeneca.com/media-centre/press-releases/2023/eplontersen-dext-sust-sust--benefit-benefit-in-phase-phase-iii-trial.html。 6。 Khella S等人。 美国神经病学学会2023年会议，20023年4月22日至27日，波士顿。 7。 ionis，阿斯利康要求竞争者对Alnylam罕见病药物的成功。 访问：2023年9月。 可在以下网址提供：https：//www.biopharmadive.com/news/ionis-astrazeneca-eplontersen-ttr-study-结果/625751/。 8。 Eplontersen可能很快为被诊断为Attr的人提供另一种安全，有效的治疗方法。 访问：2023年9月。 可在以下网址提供：https：//www.oligotherapeutics.org/eplontersen-may-soon-provide-provide-another-safe-Safe-efferative-heversever-hearter-hearter-torke-for-peeople-dia-diasoned-with-attr/JACC心脏失败。2014; 2（2）：113-122，4。ioannou A等。生物果。2023; 37（2）：127-142。 doi：10.1007/s40259-023-00577-7。5。阿斯利康。eplontersen在第三阶段试验中表现出了遗传性经甲状腺素蛋白介导的淀粉样蛋白多神经病（ATTRV-PN）至66周的持续收益。访问：2023年9月。可在以下网址提供：https：//www.astrazeneca.com/media-centre/press-releases/2023/eplontersen-dext-sust-sust--benefit-benefit-in-phase-phase-iii-trial.html。6。Khella S等人。 美国神经病学学会2023年会议，20023年4月22日至27日，波士顿。 7。 ionis，阿斯利康要求竞争者对Alnylam罕见病药物的成功。 访问：2023年9月。 可在以下网址提供：https：//www.biopharmadive.com/news/ionis-astrazeneca-eplontersen-ttr-study-结果/625751/。 8。 Eplontersen可能很快为被诊断为Attr的人提供另一种安全，有效的治疗方法。 访问：2023年9月。 可在以下网址提供：https：//www.oligotherapeutics.org/eplontersen-may-soon-provide-provide-another-safe-Safe-efferative-heversever-hearter-hearter-torke-for-peeople-dia-diasoned-with-attr/Khella S等人。美国神经病学学会2023年会议，20023年4月22日至27日，波士顿。7。ionis，阿斯利康要求竞争者对Alnylam罕见病药物的成功。访问：2023年9月。可在以下网址提供：https：//www.biopharmadive.com/news/ionis-astrazeneca-eplontersen-ttr-study-结果/625751/。8。Eplontersen可能很快为被诊断为Attr的人提供另一种安全，有效的治疗方法。访问：2023年9月。可在以下网址提供：https：//www.oligotherapeutics.org/eplontersen-may-soon-provide-provide-another-safe-Safe-efferative-heversever-hearter-hearter-torke-for-peeople-dia-diasoned-with-attr/
生成式 AI
扩散概率模型 扩散概率模型是一类潜在变量模型，常用于图像生成等各种任务（Ho 等人，2020 年）。正式而言，扩散概率模型通过对数据点在潜在空间中扩散的方式进行建模来捕获图像数据，这是受统计物理学启发的。具体来说，它们通常使用经过变分推理训练的马尔可夫链，然后逆转扩散过程以生成自然图像。一个值得注意的变体是稳定扩散（Rombach 等人，2022 年）。扩散概率模型也用于 DALL-E 和 Midjourney 等商业系统。生成对抗网络 GAN 是一类具有自定义对抗学习目标的神经网络架构（Goodfellow 等人，2014 年）。GAN 由两个以零和博弈形式相互竞争的神经网络组成，从而生成特定分布的样本。正式来说，第一个网络 G 称为生成器，用于生成候选样本。第二个网络 D 称为鉴别器，用于评估候选样本来自期望分布的可能性。得益于对抗性学习目标，生成器学习从潜在空间映射到感兴趣的数据分布，而鉴别器则将生成器生成的候选样本与真实数据分布区分开来（见图 2）。(大型) 语言模型 (大型) 语言模型 (LLM) 是指用于建模和生成文本数据的神经网络，通常结合了三个特征。首先，语言模型使用大规模、顺序神经网络（例如，具有注意力机制的 Transformer）。其次，神经网络通过自我监督进行预训练，其中辅助任务旨在学习自然语言的表示而不存在过度拟合的风险（例如，下一个单词预测）。第三，预训练利用大规模文本数据集（例如，维基百科，甚至多语言数据集）。最终，语言模型可以由从业者使用针对特定任务（例如，问答、自然语言生成）的自定义数据集进行微调。最近，语言模型已经发展成为所谓的 LLM，它结合了数十亿个参数。大规模 LLM 的突出例子是 BERT（Devlin 等人，2018 年）和 GPT-3（Brown 等人，2020 年），分别具有 ∼ 3.4 亿和 ∼ 1750 亿个参数。提示是语言模型的特定输入（例如，“这部电影很精彩。从人类反馈中进行强化学习 RLHF 从人类反馈中学习顺序任务（例如聊天对话）。与传统强化学习不同，RLHF 直接从人类反馈中训练所谓的奖励模型，然后将该模型用作奖励函数来优化策略，该策略通过数据高效且稳健的算法进行优化（Ziegler 等人，2019 年）。RLHF 用于 ChatGPT（OpenAI，2022 年）等对话系统，用于生成聊天消息，以便新答案适应之前的聊天对话并确保答案符合预定义的人类偏好（例如长度、风格、适当性）。提示学习 提示学习是一种 LLM 方法，它使用存储在语言模型中的知识来完成下游任务（Liu 等人，2023 年）。一般而言，提示学习不需要对语言模型进行任何微调，这使其高效且灵活。情绪：“），然后选择最可能的输出 s ∈{“positive”，“negative”} 而不是空间。最近的进展允许更复杂的数据驱动提示工程，例如通过强化学习调整提示（Liu et al.，2023）。seq2seq 术语序列到序列（seq2seq）是指将输入序列映射到输出序列的机器学习方法（Sutskever et al.，2014）。一个例子是基于机器学习的不同语言之间的翻译。此类 seq2seq 方法由两个主要组件组成：编码器将序列中的每个元素（例如，文本中的每个单词）转换为包含元素及其上下文的相应隐藏向量。解码器反转该过程，将向量转换为输出元素（例如，来自新语言的单词），同时考虑先前的输出以对语言中的模型依赖关系进行建模。seq2seq 模型的思想已得到扩展，以允许多模态映射，例如文本到图像或文本到语音的映射。Transformer Transformer 是一种深度学习架构（Vaswani 等，2017），它采用自注意力机制，对输入数据的每个部分的重要性进行不同的加权。与循环神经网络 (RNN) 一样，Transformer 旨在处理顺序输入数据（例如自然语言），可用于翻译和文本摘要等任务。但是，与 RNN 不同，Transformer 会一次性处理整个输入。注意力机制为输入序列中的任何位置提供上下文。最终，Transformer（或一般的 RNN）的输出是文档嵌入，它呈现文本（或其他输入）序列的低维表示，其中相似的文本位于更近的位置，这通常有利于下游任务，因为这允许捕获语义和含义 (Siebers et al., 2022)。变分自动编码器 变分自动编码器 (VAE) 是一种神经网络，它被训练来学习输入数据的低维表示，方法是将输入数据编码到压缩的潜在变量空间中，然后从该压缩表示中重建原始数据。VAE 与传统自动编码器的不同之处在于，它使用概率方法进行编码和解码过程，这使它们能够捕获数据中的底层结构和变化，并从学习到的潜在空间中生成新的数据样本 (Kingma and Welling, 2013)。这使得它们不仅可用于异常检测和数据压缩等任务，还可用于图像和文本生成。零样本学习/小样本学习 零样本学习和小样本学习是指机器学习处理数据稀缺问题的不同范例。零样本学习是指教会机器如何从数据中学习一项任务，而无需访问数据本身，而小样本学习是指只有少数特定示例的情况。零样本学习和小样本学习在实践中通常是可取的，因为它们降低了建立 AI 系统的成本。LLM 是小样本或零样本学习器（Brown 等人，2020 年），因为它们只需要一些样本即可学习一项任务（例如，预测评论的情绪），这使得 LLM 作为通用工具具有高度灵活性。
Andrea Barison 心力衰竭 ASO/siRNA/CRISPR-CAS9与TTR心脏淀粉样变性的抗体 2023修订 CRT研讨会“将基因组学转化为常规心脏病学 心血管护士和专业人士的核心课程 PW Serruys博士 正在进行的临床试验和管道中的心血管药物 - 是否缺乏创新？ 从草药到药丸，抗体和核酸 EACVI活动报告2022 AndréZiegler博士，Roche Diagnostics 对HeartQol健康相关的生活质量问卷的验证提出了14个项目问卷的验证概述，旨在成为我们 2023 ESC指南的基本消息 Ola Vedin博士，阿斯利康 心血管基因疗法 Bettina Kraus博士，Boehringer-ingelheim 申请人符合Dora的简历模板 2024 ESC指南的基本消息 2024 ESC外周动脉和主动脉疾病管理指南 Andreas Giannopoulos，医学博士，博士学位 EAPCI奖学金赠款2024-规章制度 - ... 心血管和呼吸系统头部负责人 心血管基因疗法：道德考虑因素
Andrea Barison博士是PISA（意大利）Fondazione CNR/Arimate toke the Arigane the Arimane顾问心脏病专家。他于2005年毕业于比萨大学和Scuola Superiore Sant'anna，在2009年在皮萨大学的心脏，胸腔和血管系专门从事心脏病学，并于2013年获得了Scuola Superora Superemora Sant'anna的翻译医学博士学位。 他的临床和研究活动包括心脏病学和心血管成像，特别关注心肌病和心脏磁共振。 自2018年以来，他一直是Scuola Superiore Sant'anna（意大利PISA）的“健康科学”跨学科中心的会员研究员，也是博士学位课程“健康科学，技术和管理”的教职员工。他于2005年毕业于比萨大学和Scuola Superiore Sant'anna，在2009年在皮萨大学的心脏，胸腔和血管系专门从事心脏病学，并于2013年获得了Scuola Superora Superemora Sant'anna的翻译医学博士学位。他的临床和研究活动包括心脏病学和心血管成像，特别关注心肌病和心脏磁共振。自2018年以来，他一直是Scuola Superiore Sant'anna（意大利PISA）的“健康科学”跨学科中心的会员研究员，也是博士学位课程“健康科学，技术和管理”的教职员工。