XiaoMi-AI文件搜索系统
World File Search Systemcomputation
计算化学的生成人工智能
最近的生成人工智能（AI）激增为计算化学带来了令人兴奋的可能性。生成的AI方法在化学物种，发展力场和加快模拟的分子结构方面取得了重大进展。这种观点提供了结构化的概述，从生成AI和计算化学的基本理论概念开始。然后涵盖了广泛使用的生成AI方法，包括自动编码器，一代对抗网络，增强学习，流程模型和语言模型，并突出显示其在包括力场开发以及蛋白质/RNA结构预测在内的不同领域中所选的应用。重点是这些方法真正预测的挑战，尤其是在预测新兴的化学现象时。我们认为，模拟方法或理论的最终目标是预测以前从未见过的现象，并且生成的AI应在认为对化学有用之前受到相同的标准。我们建议要克服这些挑战，未来的AI模型需要整合核心化学原理，尤其是统计力学。
计算方法的基准，用于纠正CRISPR-CAS9筛选数据中已建立和未知来源的偏差
抽象背景：CRISPR-CAS9辍学屏幕是用于研究以前所未有的精度和规模研究生物学的强大工具。但是，数据的偏见会导致对解释和损害总体质量的潜在混杂影响。CAS9的活性受到目标位点的结构特征的影响，包括拷贝数放大（CN偏置）。更令人担忧的是，近端靶向基因座倾向于产生与CRISPR-CAS9靶向（接近度偏差）的基因无关的反应，这可能是由于CAS9引起的整个染色体臂截断或其他基因组结构特征和不同的染色质访问性水平。结果：我们对八种计算方法进行了基准测试，严格评估了它们在迄今为止两个最大的公开可用的CRISPR-CAS9屏幕中减少CN和接近性偏置的能力。我们还通过评估处理后的数据允许准确检测真正的阳性基本基因的程度，确定的肿瘤遗传成瘾以及已知的癌症依赖性生物标志物，来评估每种方法保持数据质量和异质性的能力。我们的分析阐明了每种方法在不同情况下纠正偏见的能力。当共同处理具有可用CN信息的模型的多个模型屏幕时，AC-CHRONOS的校正CN和CORXIM偏差的其他方法都超过了其他方法，而CRISPRCHEANR是单个屏幕的最佳性能方法，或者是CN信息的最佳性能。此外，计时和AC-CHRONOS产生的最终数据集能够更好地概括已知的必需基因和非必需基因。结论：总的来说，我们的调查根据其优势，劣势和实验环境，为选择最合适的偏见方法的选择提供了指导。
随机热力学是理解计算能量成本的关键吗？
自 19 世纪以来，动态物理系统的热力学和计算特性之间的关系一直是理论界关注的焦点，随着数字设备的能量成本在过去半个世纪中呈爆炸式增长，这一关系也具有越来越重要的实际意义。现实世界计算机最重要的热力学特征之一是，它们在有限的时间内以许多快速（共同）演化的自由度运行，远离热平衡。这种计算机还必须几乎始终遵守对其工作方式的多种物理约束。例如，所有现代数字计算机都是周期性过程，由全局时钟控制。另一个例子是，许多计算机都是模块化、分层系统，对其子系统的连接性有严格的限制。这种特性既适用于自然产生的计算机（如大脑或真核细胞），也适用于数字系统。现实世界计算机的这些特征在 20 世纪对计算过程热力学的分析中是不存在的，这些分析侧重于准静态慢速过程。然而，随机热力学领域在过去几十年中得到了发展——它提供了分析具有真实计算机特征的系统的形式化工具。我们在此认为，这些工具以及随机热力学领域目前正在开发的其他工具可能有助于我们在更深层次上理解动态系统的基本物理特性与其执行的计算之间的关系。
Yamuna河水质量的状态，位于印度德里的主要火葬场
心血管疾病是全球死亡率的主要原因，在低收入国家和中等收入国家中，负担不成比例。生物标志物在早期发现，诊断和治疗心血管疾病中起着至关重要的作用，通过为心脏和血管系统的正常和异常状况提供有价值的见解。可以在血液和其他体液以及组织中鉴定和定量源自细胞和组织的生物标志物。在病理状况下其表达水平的变化提供了有关潜在的病理生理学的临床信息，这些病理生理学在治疗疾病过程中可能具有预测性，诊断和预后价值，因此在临床准则中纳入了临床。这增强了生物标志物在个性化医学中的风险分层和治疗决策中的有效性以及患者预后的改善。生物标志物可能是蛋白质，碳水化合物或基于基因组的，也可以源自脂质和核酸。计算生物学已成为生物标志物发现的强大学科，利用计算技术来识别和验证生物学标志物，以进行疾病诊断，预后和药物反应预测。先进技术的收敛性，例如人工智能，多词分析，液体活检和成像，导致了生物标志物的发现和开发的重大转移，从而使数据整合了多个生物学量表并对复杂的信号和转录网络的更全面理解，使疾病基础疾病的基础发展具有更全面的理解。在本文中，我们回顾了与基因组学，蛋白质组学和代谢组学集成在一起的计算生物学的作用，以及机器学习技术以及在心血管疾病中生物标志物发现中的机器学习技术以及预测性建模和数据整合。我们讨论了特定的生物标志物，包括表观遗传学，代谢和新兴的生物标志物，例如细胞外囊泡，miRNA和圆环RNA，及其在心脏和血管疾病的病理生理学中的作用。
网格空间中的凸包计算
摘要 当输入点来自结构化配置（例如二维 (2D) 或三维 (3D) 网格）时，许多实际应用都要求计算凸包 (CH)。网格空间中的凸包已应用于地理信息系统、医学数据分析、机器人/自动驾驶汽车的路径规划等。用于 CH 计算的传统和现有的 GPU 加速算法不能直接在以矩阵格式表示的 2D 或 3D 网格上运行，并且不能利用这种光栅化表示中固有的顺序。这项工作引入了新颖的过滤算法，最初为 2D 网格空间开发，随后扩展到 3D 以加速外壳计算。它们进一步扩展为 GPU-CPU 混合算法，并在商用 NVIDIA GPU 上实现和评估。对于 2D 网格，对于 ( n × n ) 网格，贡献像素的数量始终限制为 ≤ 2 n。此外，它们是按字典顺序提取的，从而确保了 CH 的高效 O(n) 计算。同样，在 3D 中，对于 (n×n×n) 体素矩阵，贡献体素的数量始终限制为 ≤ 2n2。此外，2D CH 滤波在 3D 网格的所有切片上并行启用，从而进一步减少了要输入到 3D CH 计算过程的贡献体素的数量。与最先进的方法相比，我们的方法更胜一筹，尤其是对于大型和稀疏的点云。
计算化学中的量子力学方法
抽象的量子机械方法构成了计算化学的基石，在原子量表上提供了对分子行为和特性的前所未有的见解。这些方法阐明了通过求解Schrödinger方程来理解各种化学系统至关重要的基本电子结构，能量和性能。在这些方法中，密度功能理论（DFT）在研究原子，分子和固体的电子特性方面具有多功能性，它植根于精确的Hohenberg-kohn定理和Kohn-Sham方程。本评论探讨了计算化学中量子机械方法的宽敞景观，突出了它们在推进科学理解和技术创新方面的关键作用。许多领域，包括材料科学，催化和药物开发，利用这些技术来增强分子结构，预测反应，模拟光谱特性并澄清溶剂化效应。量子化学现在可以借助高级技术（如释放后循环方法和时间依赖性的DFT）预测更多。这些技术为我们提供了有关分子如何移动以及电子如何激发的更多信息。分子动力学（MD）模拟通过显示分子如何随时间移动和相互作用，从而增加了量子力学方法。他们通过将理论上应该与实际发生的情况联系起来来实现这一目标。关键字：量子，机械方法，计算化学。添加基于结构的药物设计（SBDD）和材料建模等计算机程序显示了量子化学如何改变事物，加快发现过程并提高分子行为的准确性。光谱模拟和溶剂化研究有助于我们预测如何解释实验数据并确定环境如何影响分子的行为及其应用，从而使计算化学更有用。量子化学软件和高性能计算框架的持续演变使对高级计算工具的访问权限，从而促进了解决复杂科学挑战的协作和创新。随着量子能力的提高，未来有望在化学和跨学科领域进行更大的应用，推动材料设计，药物开发和环境可持续性的持续进展。
第02章计算思维和算法
分解：分解是将复杂问题分解为较小的较小复杂部分。这些问题将接一个地解决，直到解决较大的问题为止。分解很重要，因为分别处理许多不同的步骤，而不是解决一个大问题可以使更快，更开放的解决方案（S），此外，它也可以提高效率，并可以使开发人员以更详细的方式看待问题。抽象：抽象是指仅关注相关和最重要的信息，而忽略了无助于开发的任何细节。忽略无关的特征对于达到所需的解决方案是有益的。模式识别：将问题分解为较小的较小复杂部分，下一步就是查看问题共享的相似之处。每个问题共享的这些相似之处将允许开发人员创建一个适用于许多问题的解决方案。模式识别将
抗抑郁药曲唑酮与双链DNA之间的相互作用：多光谱和计算分析
曲唑酮（TZD）是一种用于治疗主要抑郁症和睡眠障碍的抗抑郁药。升高的曲唑酮与中枢神经系统抑郁症有关，这表现为恶心，嗜睡，混乱，眩晕，疲惫等。要开发具有最小不良影响的临床活性药物化合物，必须全面了解该药物对DNA的作用机制。因此，我们利用各种光谱和计算技术研究了曲唑酮与DNA之间的相互作用方式。使用UV - VIS滴定的研究表明，DNA和曲唑酮具有有效的相互作用。通过稳态荧光研究，Lehrer方程计算得出的船尾伏默常数（K SV）的大小为5.84×10 6 m-1。uv - Vis吸收，DNA熔化，染料位移和圆形二分法研究表明，曲唑酮与小凹槽中的DNA结合。分子对接和分子动力学模拟表明TZD-DNA系统是稳定的，并且结合模式较小。此外，离子强度研究表明，DNA和曲唑酮没有实质性的静电结合相互作用。
超出透明度：计算可靠性作为算法的外部主义认识论
摘要本章对算法的认识论感兴趣。当我打算处理该主题时，这是关于认知辩护的问题。当前的理由方法强调了算法的透明度，这需要阐明其内部机制，例如功能和变量，并证明了这些产生输出（或）如何产生输出。因此，通过透明度的理由方式取决于有关算法所显示的内容，从这个意义上讲，算法是内部的。相比之下，我主张我称计算可靠性（CR）的外部主义认识论。我以前曾在计算机模拟领域介绍并检查了CR（[42，53，4]），但本章扩展了这种可靠的认识论，以涵盖各种科学纪律中使用的算法范围，并特别强调机器学习应用程序。在其核心上，CR假设算法的输出是合理的，如果它是由可靠的算法产生的。可靠的算法是使用可靠性指标指定，编码，使用和维护的算法。这些可靠性指标源于形式方法，算法指标，专家能力，研究文化以及其他科学努力。本章的主要目的是描述CR的基础，阐明其操作机制，并概述其作为算法外部主义认识论的潜力。
