XiaoMi-AI文件搜索系统
World File Search Systemcurated
深水边境投资：A ...
索引方法的干扰方法有两种类型。首先，许多中断指数在宏伟的7（Apple，Amazon，Google，Meta，Microsoft，Nvidia，Tesla）名称中占有重要职位。虽然那些巨大的技术收藏夹正在驱动中断，但几乎每个投资者仅通过拥有追踪我们大型股票股票的资金，例如纳斯达克100或标准普尔500号，对这些名称都有很大的影响。围绕包含宏伟的7个名称的优化的资金是壁橱索引最受欢迎的资金，并为增加投资者对巨型CAP Tech的敞口而不是将其暴露于破坏性技术。中断的第二种指数方法是将数百家适合颠覆性类别的公司持有，而无需考虑估值。这些资金可暴露于中断，但在价格/技术的基础上，它们并没有为最有吸引力的公司优化。
精心策划以支持 AUKUS Pillar II
阿德莱德大学在澳大利亚国防部的大量资助下，举办了一项强大而深入的国防相关技术基础和转化研究计划。该大学也是国防开拓者计划的主要合作伙伴，与 Go8 成员新南威尔士大学、悉尼和 50 多个行业合作伙伴一起。国防开拓者是一项开创性的研究转化计划，旨在加强学术界、工业界和国防之间的合作。该大学已成为澳大利亚政府国防工业安全计划 (DISP) 的成员近十年。
一个手动整理的 microRNA 编辑事件数据库
图 3. (A) A-to-I 和 C-to-U 编辑事件在人类初级 miRNA 转录本的三个不同区域中的分布。(B) A-to-I 和 C-to-U 落入人类成熟 miRNA 中核苷酸位置分布的热图。每个位置都显示了已识别的编辑事件数量。规范种子位置以黄色突出显示。成熟序列中未显示位于位置 24-27 的编辑位点。EE=编辑事件。(C) 饼图显示人类 miRNA 中功能性特征编辑事件的比例。
一个大型策划的图像数据集，启用生物多样性的AI
我们介绍了Biotrove，这是旨在推进生物多样性应用程序的最大公共访问数据集。Biotrove从Intaturist平台策划，并审查仅包括研究级数据，包含16190万张图像，提供了三个主要王国的前所未有的规模和多样性：Animalia（“动物”），真菌（“ Fungi”），“ Fungi”）和parterae（“植物”），跨越了大约366.6k种。每个图像都用科学名称，分类层次结构和通用名称注释，可提供丰富的元数据，以支持各种物种和生态系统跨越准确的AI模型开发。我们通过释放一套使用4000万个字幕图像的子集（称为Biotrove-Train）训练的剪辑模型来证明Biotrove的价值。This subset focuses on seven categories within the dataset that are underrepresented in standard image recognition models, selected for their critical role in biodiversity and agriculture: Aves ("birds"), Arachnida ("spiders/ticks/mites"), Insecta ("insects"), Plantae ("plants"), Fungi ("fungi"), Mollusca ("snails"), and Reptilia （“蛇/蜥蜴”）。为了支持严格的评估，我们介绍了几个新的基准测试和报告模型的准确性，以跨生活阶段，稀有物种，混杂物种和多种分类学水平进行零拍学习。我们预计生物群将刺激AI模型的开发，这些模型支持用于害虫控制，作物监测，生物多样性评估和环境保护的数字工具。这些进步是确保粮食安全，保存生态系统并减轻气候变化影响的范围。Biotrove公开可用，易于访问，并准备立即使用。
BGMDB：一个将肠道菌群失调与脑部疾病联系起来的精选数据库
肠道微生物群通过调节生理稳态和影响各种疾病的发病机制，在人类健康中发挥着关键作用。最近的研究强调了神经递质与多种脑部疾病的发展和治疗之间的密切关系，神经递质是肠道和大脑之间的通讯介质。尽管取得了这些进展，但在大量生物医学文献中，肠道微生物群与脑部疾病之间错综复杂的相互作用仍未得到充分探索。目前明显缺乏一个专注于肠道微生物群与脑部疾病关联的结构化数据库。我们来介绍一下 BGMDB（脑部疾病肠道微生物群数据库），这是一个精心策划的数据库，旨在提供实验支持的肠道微生物群与脑部疾病之间的联系。BGMDB 的当前版本广泛涵盖了 1,419 个关联，涉及 609 种肠道微生物群和 43 种脑部疾病，包括 184 个特定的关联三元组，将脑部疾病、神经递质和肠道微生物群与六种神经递质联系起来。值得注意的是，BGMDB 整合了 gutMGene 数据库中与肠道微生物群相关的基因数据。引入了脑区和疾病微生物网络，以研究脑部疾病和脑区变化之间潜在的共同遗传关系。BGMDB 中的每个条目都提供了对特定关联的详细见解，包括所涉及的特定脑部疾病、所涉及的肠道微生物群、神经递质以及相关文献参考支持的关系的简明描述。为了方便访问特定脑部疾病的相关信息，BGMDB 提供了增强的图形查询选项，以解决各种生物学相关的查询。此外，用户友好的界面允许用户方便地浏览、检索和下载条目。BGMDB 是研究与人类脑部疾病相关的微生物的宝贵资源。通过 http://43.139.38.118:8080/demo02/ 访问 BGMDB。
策划的数据集和用于使用机器学习网络钓鱼电子邮件检测的功能分析
摘要 - 尽管进行了持续研究，但网络钓鱼电子邮件攻击正在上升，并且缺乏用于培训和测试电子邮件过滤技术的丰富策划数据集。为了解决这个问题，我们生产并发布了七个策划的数据集，其中包含203,176个电子邮件实例，可与机器学习一起使用（ML），以区分网络钓鱼电子邮件和合法的电子邮件。我们通过精心策划网络钓鱼和来自不同存储库的合法电子邮件来创建这些数据集。然后证明我们的策划数据集适合该目的，我们进行了定量分析，以评估五种ML算法的性能。我们还分析了这些策划数据集中不同特征对这些ML算法的重要性和影响。这些策划的数据集以及定量分析的发现将推动针对网络钓鱼攻击的强大防御。
具有策划数据的自我消耗生成模型可证明优化人类偏好
生成模型的快速进步导致了构成质量的令人印象深刻的飞跃，从而模糊了合成数据和真实数据之间的界限。网络规模的数据集现在易于通过合成数据不可避免地污染，直接影响了未来生成的模型的培训。已经在文献中出现了自我消耗生成模型的一些理论结果（又称迭代性重新训练），表明模型崩溃或稳定性可能取决于每个重新培训步骤中使用的生成数据的分数。但是，实际上，合成数据通常受到人类反馈的约束，并在在线使用和上载之前由用户策划。例如，流行的文本到图像生成模型的许多接口（例如稳定的扩散或Midjourney）为给定查询产生了几种图像的变化，最终可以由用户策划。在本文中，我们从理论上研究了数据策展对生成模型的迭代重新培训的影响，并表明它可以看作是一种隐式优先优化机制。但是，与标准偏好优化不同，生成模型无法访问成对比较所需的奖励功能或负面样本。此外，我们的研究不需要访问密度函数，而只需要访问样品。我们证明，如果数据是根据奖励模型策划的，则最大化迭代重新训练程序的预期奖励。我们在每个步骤使用真实数据的正分数时进一步提供了关于重新循环的稳定性的理论结果。最后，我们在合成数据集和CIFAR10上进行说明性实验，表明这种过程扩大了奖励模型的偏见。
大型、精选、开源中风神经影像数据集，用于改进病变分割算法
准确的病变分割对于中风康复研究中病变负担的量化和准确的图像处理至关重要。目前，康复研究中常用的 T1 加权 (T1w) MRI 自动病变分割方法缺乏准确性和可靠性。手动分割仍然是黄金标准，但它耗时、主观，并且需要大量神经解剖学专业知识。我们之前发布了一个大型开源中风 T1w MRI 和手动分割病变掩模数据集 (ATLAS v1.2，N=304)，以鼓励开发更好的算法。然而，使用 ATLAS v1.2 开发的许多方法报告准确度低、不公开访问或未经适当验证，限制了它们在该领域的实用性。这里我们介绍了 ATLAS v2.0 (N=955)，这是一个更大的 T1w 中风 MRI 和手动分割病变掩模数据集，其中包括训练 (公开) 和测试 (隐藏) 数据。使用这个更大的样本进行算法开发应该会带来更稳健的解决方案，而隐藏的测试数据可以通过分割挑战进行无偏的性能评估。我们预计 ATLAS v2.0 将带来改进的算法，促进大规模中风康复研究。
1001G+项目：拟南芥长阅读基因组组件的精选集合，以推进植物研究
*用于跑步：Nordborg。†其他字母列表：Carlos C. Alonso-Blanc 3，Fritschi Catri 2，Grigoreva 5， Kersey 10，康沃尔郡亚历山大5，Quichao Lian Magnus Nordborg 5，Ferdinand A. Rabbanal 2，Rebecca Schandry 2，路易莎·塞斯代尔2，塞巴斯蒂安边境
CriSNPr，一种使用多种 Cas 系统对 CRISPR 诊断的 gRNA 进行精选和从头设计的单一界面
摘要 基于 CRISPR 的诊断技术 (CRISPRDx) 通过检测核酸和识别变异体改善了临床决策，尤其是在 COVID-19 大流行期间。新型和工程化的 CRISPR 效应子的发现加速了这一进程，它们扩大了诊断应用的范围，涵盖了广泛的致病和非致病条件。然而，每个诊断 CRISPR 流程都需要根据所用 Cas 蛋白的基本原理、其向导 RNA (gRNA) 设计参数和检测读数定制检测方案。这对于变异检测尤其重要，变异检测是基于测序方法的低成本替代方法，目前尚无用于 CRISPRDx 即用型设计的计算机模拟流程。在本文中，我们使用统一的 Web 服务器 CriSNPr（基于 CRISPR 的 SNP 识别）填补了这一空白，它为用户提供了基于六种 CRISPRDx 蛋白（Fn /en Fn Cas9、Lw Cas13a、Lb Cas12a、Aa Cas12b 和 Cas14a）从头设计 gRNA 的机会，并查询可用于验证相关样本的即用型寡核苷酸序列。此外，我们还提供了一个精选的预先设计的 gRNA 数据库以及迄今为止报告的所有人类和 SARS-CoV-2 变体的靶标/脱靶数据库。CriSNPr 已在多种 Cas 蛋白上得到验证，证明了其在多个检测平台上广泛且直接的适用性。CriSNPr 可在 http://crisnpr.igib.res.in/ 找到。