XiaoMi-AI文件搜索系统
World File Search Systemconstructing
用于重建NGS的聚类模型之间的性能比较来自技术重复
为了提高单个DNA测序结果的性能，研究人员经常使用同一个人和各种统计聚类模型的重复来重建高性能呼叫仪。在这里，考虑了基因组Na12878的三个技术重复，并比较了五个模型类型（共识，潜在类，高斯混合物，kamila - 适应性的K-均值和随机森林），涉及四个性能指标：敏感性，精度，精度，准确性和F1评分。与不使用组合模型相比，i）共识模型提高了精度0.1％； ii）潜在类模型带来了1％的精度改善（97％ - 98％），而不会损害灵敏度（= 98.9％）； iii）高斯混合模型和随机森林提供了更高精确度（> 99％）但敏感性较低的呼叫； iv）卡米拉提高了精度（> 99％），并保持高灵敏度（98.8％）；它显示出最好的总体表现。根据精确和F1得分指标，比较了组合多个呼叫的非监督聚类模型能够改善测序性能与先前使用的监督模型。在比较模型中，高斯混合模型和卡米拉提供了不可忽略的精度和F1得分的改进。因此，可能建议将这些模型用于呼叫集重建（来自生物或技术重复），以进行诊断或精确医学目的。
解构肿瘤异质性：基质视角
美国宾夕法尼亚州费城，，美国7年生物化学和分子生物学系，杜兰大学医学院，新奥尔良，美国洛杉矶，美国8分子医学和遗传学系，韦恩州立大学，韦恩州立大学，密歇根州底特律，美国密西根州底特律，美国9个国家癌症研究所，美国贝塞斯达州，美国10号癌症中心，北部癌症中心，北部癌症中心，癌症中心，北部癌症中心，梅德斯特群岛，梅德斯特群岛，梅德尔，梅德斯特，梅德斯特群岛，生物学，范德比尔特大学医学院，美国纳什维尔，美国12号妇产科，芝加哥大学，芝加哥大学，芝加哥，伊利诺伊州芝加哥，13 SciLifelab，瑞典KTH皇家技术研究院，瑞典皇家技术学院，瑞典14 Weill Cornell Medicine，Rockefeller University校园，纽约州纽约市，美国15号，威尔康奈尔大学医学院15伦敦隆德大学实验室医学，瑞典17号耶鲁大学医学院，美国康涅狄格州纽黑文市，美国康涅狄格州纽黑文市18号，宾夕法尼亚州宾夕法尼亚大学生物医学科学系或美国21 Cold Spring Harbour实验室，美国纽约州冷春港22 SIDNEY KIMMEL癌症中心，约翰·霍普金斯医学院，巴尔的摩，美国医学博士23纪念斯隆·斯洛恩·凯特林癌症中心，韦尔·康奈尔医学院，纽约，纽约，纽约，纽约州，美国24美国生物工程系，华盛顿大学，美国西部，西特斯特尔，沃斯特大学，撰写了> -美国宾夕法尼亚州费城，，美国7年生物化学和分子生物学系，杜兰大学医学院，新奥尔良，美国洛杉矶，美国8分子医学和遗传学系，韦恩州立大学，韦恩州立大学，密歇根州底特律，美国密西根州底特律，美国9个国家癌症研究所，美国贝塞斯达州，美国10号癌症中心，北部癌症中心，北部癌症中心，癌症中心，北部癌症中心，梅德斯特群岛，梅德斯特群岛，梅德尔，梅德斯特，梅德斯特群岛，生物学，范德比尔特大学医学院，美国纳什维尔，美国12号妇产科，芝加哥大学，芝加哥大学，芝加哥，伊利诺伊州芝加哥，13 SciLifelab，瑞典KTH皇家技术研究院，瑞典皇家技术学院，瑞典14 Weill Cornell Medicine，Rockefeller University校园，纽约州纽约市，美国15号，威尔康奈尔大学医学院15伦敦隆德大学实验室医学，瑞典17号耶鲁大学医学院，美国康涅狄格州纽黑文市，美国康涅狄格州纽黑文市18号，宾夕法尼亚州宾夕法尼亚大学生物医学科学系或美国21 Cold Spring Harbour实验室，美国纽约州冷春港22 SIDNEY KIMMEL癌症中心，约翰·霍普金斯医学院，巴尔的摩，美国医学博士23纪念斯隆·斯洛恩·凯特林癌症中心，韦尔·康奈尔医学院，纽约，纽约，纽约，纽约州，美国24美国生物工程系，华盛顿大学，美国西部，西特斯特尔，沃斯特大学，撰写了> -，美国7年生物化学和分子生物学系，杜兰大学医学院，新奥尔良，美国洛杉矶，美国8分子医学和遗传学系，韦恩州立大学，韦恩州立大学，密歇根州底特律，美国密西根州底特律，美国9个国家癌症研究所，美国贝塞斯达州，美国10号癌症中心，北部癌症中心，北部癌症中心，癌症中心，北部癌症中心，梅德斯特群岛，梅德斯特群岛，梅德尔，梅德斯特，梅德斯特群岛，生物学，范德比尔特大学医学院，美国纳什维尔，美国12号妇产科，芝加哥大学，芝加哥大学，芝加哥，伊利诺伊州芝加哥，13 SciLifelab，瑞典KTH皇家技术研究院，瑞典皇家技术学院，瑞典14 Weill Cornell Medicine，Rockefeller University校园，纽约州纽约市，美国15号，威尔康奈尔大学医学院15伦敦隆德大学实验室医学，瑞典17号耶鲁大学医学院，美国康涅狄格州纽黑文市，美国康涅狄格州纽黑文市18号，宾夕法尼亚州宾夕法尼亚大学生物医学科学系或美国21 Cold Spring Harbour实验室，美国纽约州冷春港22 SIDNEY KIMMEL癌症中心，约翰·霍普金斯医学院，巴尔的摩，美国医学博士23纪念斯隆·斯洛恩·凯特林癌症中心，韦尔·康奈尔医学院，纽约，纽约，纽约，纽约州，美国24美国生物工程系，华盛顿大学，美国西部，西特斯特尔，沃斯特大学，撰写了> -
b'量子图像\xef\xac\x81滤波是对经典图像\xef\xac\x81滤波算法的扩展，主要研究基于量子特性的图像\xef\xac\x81滤波模型。现有的量子图像\xef\xac\x81滤波侧重于噪声检测和噪声抑制，忽略了\xef\xac\x80滤波对图像边界的影响。本文提出了一种新的量子图像\xef\xac\x81滤波算法，实现了K近邻均值\xef\xac\x81滤波任务，在抑制噪声的同时，可以达到边界保持的目的。主要工作包括：提出一种新的用于计算两个非负整数之差绝对值的量子计算模块，从而构建了距离计算模块的量子电路，用于计算邻域像素与中心像素的灰度距离；改进现有的量子排序模块，以距离作为排序条件对邻域像素进行排序，从而构建了K近邻提取模块的量子电路；设计了K近邻均值计算模块的量子电路，用于计算选取的邻域像素的灰度均值；\xef\xac\x81最后，构建了所提量子图像\xef\xac\x81过滤算法的完整量子电路，并进行了图像去噪仿真实验。相关实验指标表明,量子图像K近邻均值\xef\xac\x81滤波算法对图像噪声抑制具有与经典K近邻均值\xef\xac\x80滤波算法相同的效果,但该方法的时间复杂度由经典算法的O 2 2 n降低为O n 2 + q 2 。
b'量子图像\xef\xac\x81滤波是对经典图像\xef\xac\x81滤波算法的扩展，主要研究基于量子特性的图像\xef\xac\x81滤波模型。现有的量子图像\xef\xac\x81滤波侧重于噪声检测和噪声抑制，忽略了\xef\xac\x80滤波对图像边界的影响。本文提出了一种新的量子图像\xef\xac\x81滤波算法，实现了K近邻均值\xef\xac\x81滤波任务，在抑制噪声的同时，可以达到边界保持的目的。主要工作包括：提出一种新的用于计算两个非负整数之差绝对值的量子计算模块，从而构建了距离计算模块的量子电路，用于计算邻域像素与中心像素的灰度距离；改进现有的量子排序模块，以距离作为排序条件对邻域像素进行排序，从而构建了K近邻提取模块的量子电路；设计了K近邻均值计算模块的量子电路，用于计算选取的邻域像素的灰度均值；\xef\xac\x81最后，构建了所提量子图像\xef\xac\x81过滤算法的完整量子电路，并进行了图像去噪仿真实验。相关实验指标表明,量子图像K近邻均值\xef\xac\x81滤波算法对图像噪声抑制具有与经典K近邻均值\xef\xac\x80滤波算法相同的效果,但该方法的时间复杂度由经典算法的O 2 2 n降低为O n 2 + q 2 。
基于数量的方法构建气候风险对冲...
我们提出了一种新方法来构建投资组合，以对冲气候变化带来的经济和金融风险。我们基于数量的方法利用了有关共同基金经理如何根据其气候风险信念的特殊变化进行交易的信息。我们利用两种类型的特殊信念冲击：（i）基金顾问经历已知会改变气候变化信念的局部极端高温事件的情况，以及（ii）基金经理改变股东披露中的语言以表达对气候风险的担忧的情况。我们利用基金在这些特殊信念冲击周围观察到的投资组合变化来预测投资者将如何重新分配其资本以应对总体气候新闻冲击，这些冲击会改变许多投资者的信念和资产需求，从而改变均衡价格。我们表明，在经历负面的特殊气候信念冲击后，投资者倾向于买入的多头股票和投资者倾向于卖出的空头股票的投资组合，在总体气候新闻冲击为负的时期升值。与使用现有替代方法构建的投资组合相比，我们基于数量的投资组合具有更优的样本外对冲表现。基于数量的方法的主要优势在于，它从丰富的横截面交易反应而不是时间序列价格信息中学习，而时间序列价格信息在气候变化等新兴风险的情况下尤其有限。我们还通过构建成功的总体失业和房价风险对冲投资组合，证明了基于数量的方法的多功能性。
利用循环神经网络从神经测量中重建计算动力学
使用循环神经网络从神经测量重建计算动力学 Daniel Durstewitz 1,2,3,*、Georgia Koppe 1,4、Max Ingo Thurm 1 1 海德堡大学医学院中央精神卫生研究所理论神经科学系 2 海德堡大学跨学科科学计算中心 3 海德堡大学物理与天文学院 4 海德堡大学医学院中央精神卫生研究所精神病学和心理治疗诊所* 通讯作者：daniel.durstewitz@zi-mannheim.de 关键词：动力系统理论、机器学习、循环神经网络、吸引子、混沌、多个单元记录、神经生理学、神经成像 摘要 神经科学中的机械和计算模型通常采用微分或时间递归方程组的形式。此类系统的时空行为是动力系统理论 (DST) 的主题。 DST 提供了一个强大的数学工具箱，用于描述和分析从分子到行为的任何级别的神经生物学过程，几十年来一直是计算神经科学的支柱。最近，循环神经网络 (RNN) 成为一种流行的机器学习工具，用于研究神经或行为观察背后的非线性动力学。通过在与动物受试者相同的行为任务上训练 RNN 并剖析其内部工作原理，可以产生关于行为的神经计算基础的见解和假设。或者，可以直接在手头的生理和行为时间序列上训练 RNN。理想情况下，一旦训练好的 RNN 将能够生成具有与观察到的相同的时间和几何属性的数据。这称为动态系统重建，这是机器学习和非线性动力学中一个新兴的领域。通过这种更强大的方法，就其动态和计算属性而言，训练过的 RNN 成为实验探测系统的替代品。然后可以系统地分析、探测和模拟训练过的系统。在这里，我们将回顾这个令人兴奋且迅速发展的领域，包括机器学习的最新趋势，这些趋势在神经科学中可能还不太为人所知。我们还将讨论基于 RNN 的动态系统重建的重要验证测试、注意事项和要求。概念和应用将通过神经科学中的各种示例进行说明。简介理论神经科学的一个长期原则是，神经系统中的计算可以用底层的非线性系统动力学来描述和理解（Amit & Brunel，1997；Brody & Hopfield，2003；Brunel，2000；Durstewitz，2003；Durstewitz 等，1999、2000、2021；Hodgkin & Huxley，1952；Hopfield，1982；Izhikevich，2007；Machens 等，2005；Miller，2016；Rinzel & Ermentrout，1998；Wang，1999，2002；Wilson，1999；Wilson & Cowan，1972）。相关思想可以追溯到 40 年代 McCulloch & Pitts (1943)、Alan Turing (1948) 和 Norbert Wiener (1948) 的工作，并在 80 年代早期通过 John Hopfield (1982) 的开创性工作获得了发展势头，该工作将记忆模式嵌入为简单循环神经网络中的固定点吸引子。Hopfield 网络的美妙之处在于它们免费提供了生物认知系统的许多特性，例如自动模式完成、通过部分线索进行内容可寻址记忆检索或对部分病变和噪声的鲁棒性。通过动态系统理论 (DST) 的视角来观察神经计算特别有力，因为一方面，许多（如果不是大多数）物理和生物过程都是自然形式化的
构建量子计算的多体核基础状态的变异方法
Los Alamos国家实验室是一项平权行动/均等机会雇主，由Triad National Security，LLC经营，为美国能源部国家核安全管理局根据合同89233218CNA000001运营。通过批准本文，出版商认识到，美国政府保留了不判有限定的免版税许可，以出版或复制已发表的此捐款形式，或者允许其他人出于美国政府的目的。洛斯阿拉莫斯国家实验室要求出版商根据美国能源部主持的工作确定这篇文章。Los Alamos国家实验室强烈支持学术自由和研究人员发表权；但是，作为一个机构，实验室并未认可出版物的观点或保证其技术正确性。
解构对氢能枢纽的炒作
然而，能源部有权决定优先资助哪类项目，并应利用其对项目选择的权限确保“清洁氢”的资金只用于能够展示最高气候污染减少和可持续性收益的项目。鉴于气候资金和资源有限，应在更广泛的背景下考虑这一点，即每个提案的碳减排潜力与替代方案相比如何，例如直接投资于并入电网的可再生能源。此外，在资助之前必须考虑枢纽的全生命周期排放，选定的项目必须记录并公开报告枢纽在整个运营过程中的全生命周期排放。对于通过蒸汽甲烷重整（SMR）生产氢气的氢气枢纽，这种分析必须包括上游泄漏，否则这种生产对气候的实际影响将被误传给决策者。
利用低密度脑电图重建源功能连接的可行性
摘要 目的 功能连接 (FC) 越来越多地被用作神经调节和提高性能的目标。目前，使用脑电图 (EEG) 对 FC 进行可靠的评估需要具有高密度蒙太奇的实验室环境和较长的准备时间。本研究调查了使用低密度 EEG 蒙太奇重建源 FC 以用于实际应用的可行性。方法 使用逆解重建源 FC，并将其量化为 alpha 频率中绝对虚相干的节点度。我们使用模拟的相干点源以及两个真实数据集来研究电极密度（19 个电极 vs. 128 个电极）和使用模板与基于单个 MRI 的头部模型对定位精度的影响。此外，我们还检查了低密度 EEG 是否能够捕捉个体间相干强度的变化。结果 在数值模拟和实际数据中，电极数量的减少导致相干源和耦合强度的重建可靠性降低。然而，当比较从 19 个电极重建 FC 的不同方法时，使用波束形成器获得的源 FC 优于传感器 FC、独立成分分析后计算的 FC 和使用 sLORETA 获得的源 FC。特别是，只有基于波束形成器的源 FC 才能捕捉运动行为的神经相关性。结论 从低密度 EEG 重建 FC 具有挑战性，但使用波束形成器的源重建时可能是可行的。
代码，解码，recode：通过制作
摘要：在手工艺实践中，通过制作和应用技术规则的实践经验来构建体现知识（“编码”），随后通过反思和分析解构（“解码”），然后重建（“重新编码”）进一步发展实践和成果。在本文实践领导的博士学位研究中，用于开发综合编织服装，以证明过程和对象分析在创造性实践的发展以及从手到数字生产的成功过渡中所发挥的至关重要的作用。在手工编织和计算机使用之间绘制相似之处，它探讨了编织中固有的“数字思维”如何促进与数字编织技术的富有成效关系。作为“视觉论文”提出，本文旨在利用一种主要的视觉方法来弥合隐式和显式知识之间的差距，以最大限度地提高研究的范围，以平等的清晰度传达隐式和明确的知识，并为实践领导的研究传播替代方法。
通过CRISPR获取基于逆转录的遗传条形码
1 Gladstone数据科学与生物技术研究所，美国加利福尼亚州旧金山2号，美国2个神经生物学系，杜克大学医学中心，美国北卡罗来纳州杜克大学医学中心，美国3号遗传学系，哈佛医学院，马萨诸塞州波士顿，美国4 Wyss Institute fiologaligy Institute fiologaligy启发工程，哈佛大学，波斯顿，沃尔斯顿，美国5.美国6美国加利福尼亚大学加利福尼亚大学加利福尼亚大学加利福尼亚大学生物工程和治疗科学系