XiaoMi-AI文件搜索系统
World File Search Systemcient
STAG1 的脆弱性使 STAG2 缺乏的癌症中黏连蛋白的合成致死率上升
黏连蛋白亚基 STAG2 已成为人类癌症中反复失活的肿瘤抑制因子。最近的研究使用候选方法揭示了 STAG2 与其同源物 STAG1 之间的合成致死相互作用。为了系统地探究 STAG2 缺失下的遗传脆弱性，我们在同源细胞系中进行了全基因组 CRISPR 筛选，并确定 STAG1 是 STAG2 缺陷细胞中最突出和最具选择性的依赖性。使用可诱导的降解系统，我们表明 STAG1 蛋白的化学遗传降解会导致 STAG2 缺陷细胞中姐妹染色单体黏连性丧失和细胞快速死亡，而 STAG2 野生型细胞则不会受到影响。生化分析和 X 射线晶体学确定了与黏连蛋白复合物的 RAD21 亚基相互作用的 STAG1 区域。消除这种相互作用的 STAG1 突变会选择性地损害 STAG2 缺陷细胞的生存能力。我们的工作强调了 STAG1 的降解和抑制其与 RAD21 的相互作用是一种有前途的治疗策略。这些发现为开发 STAG1 导向的小分子以利用 STAG2 突变肿瘤中的合成致死性奠定了基础。
持续学习：特征提取形式化，有效的算法和障碍
持续学习是机器学习中的新兴范式，其中模型以在线方式暴露于来自多个不同分布的数据（即环境），并有望适应分布变化。确切地说，目标是在新环境中表现良好，同时保留了先前环境的性能（即避免“灾难性遗忘”）。虽然这种设置在应用社区中引起了很多关注，但没有理论上的工作甚至正式化了所需的保证。在本文中，我们提出了一个通过特征提取的框架进行持续学习的框架，即在每个环境中都对特征和分类器进行了培训。当功能是线性的时，我们会设计一种有效的基于梯度的算法DPGrad，可以保证在当前环境上表现良好，并避免灾难性的遗忘。在一般情况下，当特征是非线性的时，我们表明这种算法不存在，无论是否有效。
利用电阻开关存储器的非理想特性实现高效的机器学习
基于电阻开关存储器（也称为忆阻器或 RRAM）的新型计算架构已被证明是解决深度学习和脉冲神经网络能源效率低下问题的有前途的方法。然而，电阻开关技术尚不成熟，存在许多缺陷，这些缺陷通常被认为是人工神经网络实现的限制。尽管如此，可以利用合理的可变性来实现高效的概率或近似计算。这种方法可以提高稳健性、减少过度拟合并降低特定应用（如贝叶斯和脉冲神经网络）的能耗。因此，如果我们将机器学习方法适应电阻开关存储器的固有特性，某些非理想性可能会成为机会。在这篇简短的评论中，我们介绍了电路设计的一些关键考虑因素和最常见的非理想性。我们通过成熟的软件方法示例说明了随机性和压缩的可能好处。然后，我们概述了利用电阻开关存储器的缺陷的最新神经网络实现，并讨论了这些方法的潜力和局限性。
电驱动铜纳米线催化剂定向演化用于高效硝酸盐还原为氨
在环境条件下将硝酸盐（NO3−）电催化转化为NH3（NO3RR）为哈伯-博施法提供了一种有希望的替代方案。优化NO3−向NH3的有效转化的关键因素包括增强中间体在催化剂表面的吸附能力和加快加氢步骤。在此，基于定向演化策略设计了Cu/Cu2O/Pi NWs催化剂，以实现NO3−的有效还原。受益于定向演化过程中形成的富OV的Cu2O相和原始Cu相的协同作用，该催化剂对各种NO3RR中间体表现出更好的吸附性能。此外，在定向演化过程中锚定在催化剂表面的磷酸基团促进了水的电解，从而在催化剂表面产生H+并促进NO3RR的加氢步骤。结果显示，Cu/Cu 2 O/Pi NWs 催化剂表现出优异的 NH 3 FE（96.6%）和超高的 NH 3 产率，在 1 m KOH 和 0.1 m KNO 3 溶液中，在 − 0.5 V 相对 RHE 下为 1.2 mol h − 1 g cat. − 1。此外，催化剂的稳定性因磷酸基对 Cu 2 O 相的稳定作用而增强。这项工作突出了定向演化方法在设计 NO 3 RR 催化剂中的前景。
EFMSDTI：基于多源数据有效融合的药物-靶标相互作用预测
准确识别药物靶标相互作用（DTI）对于理解药物治疗机制、发现治疗疾病的新药物具有重要意义。目前，结合药物和靶标多源数据的DTI预测计算方法可以有效降低药物研发的成本和时间。但在多源数据处理中，往往不考虑不同源数据对DTI的贡献，因此如何充分利用不同源数据对DTI预测的贡献进行有效融合是提高DTI预测精度的关键。本文考虑不同源数据对DTI预测的贡献，提出一种基于药物和靶标多源数据有效融合的DTI预测方法，即EFMSDTI。EFMSDTI首先基于多源信息网络构建15个相似度网络，根据药物和靶标的生物学特征将其分类为药物和靶标的拓扑和语义图。然后根据多网络对DTIs预测的贡献，采用基于相似性网络融合（SNF）的选择性和熵加权方法对多网络进行融合。深度神经网络模型学习药物和靶标的低维向量的嵌入。最后，采用基于梯度提升决策树（GBDT）的LightGBM算法完成DTIs预测。实验结果表明，EFMSDTI比几种最先进的算法具有更好的性能（AUROC和AUPR为0.982）。此外，它在分析前1000个预测结果方面具有良好的效果，而前1000个DTI中有990个得到了确认。代码和数据可在https://github.com/meng-jie/EFMSDTI获得。
通过有效且强大的信任区域优化对增强学习的价值增强
增强学习（RL）是一种强大的机器学习技术，它使智能代理人学习最佳政策，从而最大程度地提高了顺序决策中的累积奖励。现有文献中的大多数方法都是在数据易于收集或模拟的在线设置中开发的。是出于高利益领域的动机，例如具有有限和预采用数据的移动健康研究，在本文中，我们研究了OfflINE增强学习方法。为了有效地使用这些数据集进行策略优化，我们提出了一种新颖的价值增强方法，以提高由现有最新的RL算法计算出的给定初始策略的性能。特别是，当初始策略不一致时，我们的方法将输出一个策略，其价值不会差，而且通常比初始策略的策略更好。当初始策略在某些温和条件下保持一致时，我们的方法将产生一个策略，其价值以比初始策略更快的速度收敛到最佳策略，从而实现了所需的“价值增强”属性。所提出的方法通常适用于属于某些预先规定的功能类别（例如，深神经网络）的任何参数化策略。进行了广泛的数值研究，以证明我们方法的出色性能。
重新思考具有改进内存覆盖范围的时空网络以实现高效的视频对象分割
本文介绍了一种在视频对象分割背景下对时空对应关系进行建模的简单而有效的方法。与大多数现有方法不同，我们直接在帧之间建立对应关系，而无需为每个对象重新编码掩码特征，从而形成一个高效而强大的框架。利用对应关系，可以通过以联想方式聚合过去的特征来推断当前查询帧中的每个节点。我们将聚合过程视为投票问题，发现现有的内积亲和力导致内存使用率低下，一小部分（固定）内存节点占据投票主导地位，无论查询如何。鉴于这种现象，我们建议使用负平方欧几里得距离来计算亲和力。我们验证了每个内存节点现在都有机会做出贡献，并通过实验表明这种多样化投票有利于提高内存效率和推理准确性。对应网络和多样化投票的协同作用非常出色，在 DAVIS 和 YouTubeVOS 数据集上都取得了新的最先进的结果，同时对于多个对象以 20+ FPS 的速度显着提高运行速度，并且没有任何花哨的功能。
中华人民共和国成立70周年最重要的科技成果...
雷那帕韦和艾滋病毒预防导致获得性免疫缺陷综合症（艾滋病）的人类免疫缺陷病毒（HIV）是世界上相对较新且持续时间最长的流行病之一。 1981 年 6 月 5 日，美国疾病控制与预防中心 (CDC) 召开新闻发布会，描述了加利福尼亚州洛杉矶发生的五起由卡氏肺囊虫细菌引起的不寻常肺炎病例。次月，又确诊了几例卡波西肉瘤病例，这是一种皮肤癌，也是一种非常罕见的疾病。尽管医生们对卡氏肺孢子虫肺炎和卡波西肉瘤都很熟悉，但值得注意的是，几名有性生活的男同性恋患者同时患有这两种疾病。其中许多人还患有其他慢性疾病，后来被确诊为机会性感染。对这些患者的血液测试表明，他们缺乏适当数量的一种叫做 CD4+ T 淋巴细胞的血细胞，这种细胞对于适当的免疫反应非常重要。大多数患者在几个月内死亡。 1984年，两位法国科学家，巴斯德研究所的弗朗索瓦丝·巴尔雷-西诺西和吕克·蒙塔尼耶分离出了导致该疾病的病毒并对其进行了纯化。另一位来自美国的研究人员罗伯特·加洛（Robert Gallo）向法国实验室索取了样本，并抢在法国人之前宣布他发现了这种病毒，并进行了首次检测，产生了首批对抗这种疾病的抗体。经过各种法律争议后，最终决定共享专利，但这一发现归功于最初分离病毒的两位研究人员。只有他们两人与另一位研究人员共同获得了2008年诺贝尔生理学或医学奖，从而承认巴雷-西诺西和蒙塔尼耶是该病毒的真正发现者。 1986年，该病毒被命名为HIV，它的发现促成了一种特定抗体的开发，该抗体随后用于识别高危人群中的感染者。它还允许开始研究可能的治疗方法和疫苗。这些研究促成了非常有效的治疗方法，以防止病情恶化。然而，迄今为止，仍然没有可以预防该病毒感染的疫苗。 2022 年，包括美国食品药品监督管理局 (FDA) 在内的全球卫生组织批准了药物利那帕韦 (lenacapavir)（图 1）作为
全息图：我们需要多少个天线才能有效传播？
摘要 - Holographic多输入多输出（HMIMO）通信系统利用了具有空间约束的大型MIMO阵列，其中包含大量具有子波长度间距的天线，并已成为第六代网络（6G）网络的有前途的候选技术。在本文中，我们考虑了在随机电磁模拟物通道模型的傅立叶平面波序列表示下的多用户HMIMO通信系统的下行链路，并做出了两个重要的贡献。首先，我们在基站（BS）的最大比率传输（MRT）预编码下，在最大比率传输（MRT）下呈现封闭形式的表达。派生的表达式明确显示了BS和每个用户的Hmimo表面的侧面长度的影响，以及在这些表面中部署的天线对用户速率的影响。第二，我们就BS和每个用户的空间约束的Hmimo表面上排列的天线数量提出了能量效率（EE）最大化问题。对此问题的结果隐式解决方案显示为全球最佳。数值结果对不同操作制度中多用户HMIMO系统的EE性能产生了有用的见解。索引术语 - 多用户全息MIMO通信，渠道建模，可实现的速率，能量效率。
LaSNN：分层 ANN 到 SNN 提炼，用于深度脉冲神经网络的有效和高效训练
摘要 —脉冲神经网络 (SNN) 具有生物现实性，且由于其事件驱动机制而在低功耗计算方面具有实际应用前景。通常，SNN 的训练会在各种任务上遭受准确度损失，其性能不如 ANN。提出了一种转换方案，通过将训练好的 ANN 参数映射到具有相同结构的 SNN 来获得具有竞争力的准确度。然而，这些转换后的 SNN 需要大量的时间步骤，从而失去了节能优势。利用 ANN 的准确度优势和 SNN 的计算效率，提出了一种新颖的 SNN 训练框架，即逐层 ANN 到 SNN 知识提炼 (LaSNN)。为了实现具有竞争力的准确度和减少推理延迟，LaSNN 通过提炼知识而不是转换 ANN 的参数将学习从训练有素的 ANN 转移到小型 SNN。通过引入注意力机制，我们弥合了异构 ANN 和 SNN 之间的信息鸿沟，利用我们的分层蒸馏范式有效地压缩了 ANN 中的知识，然后有效地传输这些知识。我们进行了详细的实验，以证明 LaSNN 在三个基准数据集（CIFAR-10、CIFAR-100 和 Tiny ImageNet）上的有效性、功效和可扩展性。与 ANN 相比，我们实现了具有竞争力的 top-1 准确率，并且推理速度比具有类似性能的转换后的 SNN 快 20 倍。更重要的是，LaSNN 灵活且可扩展，可以毫不费力地为具有不同架构/深度和输入编码方法的 SNN 开发，从而促进其潜在发展。