XiaoMi-AI文件搜索系统
World File Search Systemcyclic
有向无环图上的同步动力系统
背景和动机：离散动力系统是研究网络中扩散现象的形式化模型。这些模型的应用领域包括社会传染（例如信息、观点、时尚、流行病）的研究和能源需求建模（例如太阳能的适应）（Adiga 等人 2019 年；Chistikov 等人 2020 年；Ogihara 和 Uchizawa 2020 年；Gupta 等人 2018 年）。非正式地说，这样的动力系统 4 由一个底层（社会或生物）网络组成，每个节点都有一个来自域 B 的状态值。在本文中，我们假设底层图是有向的，域是二进制的（即 B = { 0,1 } ）。传染病的传播由一组布尔局部函数建模，每个节点一个。对于任何节点 v ，v 处的局部函数 fv 的输入是 v 的当前状态及其邻居（即，v 具有传入边的节点）的状态，而 fv 的输出是下一时刻 v 的状态。我们考虑同步更新模型，其中所有节点都评估其局部函数并并行更新其状态。这些动力系统在文献中被称为同步动力系统 (SyDS)（例如，(Adiga 等人 2019；Rosenkrantz 等人 2018)）。在涉及系统生物学的应用中，这样的系统也称为同步布尔网络（例如，(Kauffman 等人 2019)）。
使用加权定向的无环图进行重大维修房地产物品：节能措施的最佳组合简介
摘要。在2005年至2019年期间，世界各地对世界各地进行的能源消耗分析表明，能源消耗的增长仅在每年增加，需要一定的节能措施。最大的能源消耗是在建筑业中，即与大城市城市化有关的住宅建筑。能源消耗不仅取决于温度和照明控制系统的能源效率，还取决于其运营的建筑物的效率。基于此，考虑到有条件地分为“旧公寓楼”和“新公寓楼”（取决于建筑时期）的Voronezh市的住房库存。多区域建筑物。根据获得的数据，分别对旧公寓楼和新公寓楼的能源消耗进行了统计分析。在研究的基础上，在使用加权定向的无环图计划进行大量维修（AB）时，提出了算法进行节能措施引入。
大环宿主分子在免疫调节和治疗递送中的应用
免疫系统在人类疾病的发展和发展中起着核心作用。因此，对免疫反应的调节是一个关键的治疗靶标，它使我们能够解决当今医学中一些最烦人的问题，例如肥胖，癌症，病毒感染和自身免疫性。通过治疗递送来操纵免疫系统的方法围绕两个共同的主题集中：生物材料的局部递送以影响周围的组织或系统性递送的可溶性材料系统，通常通过上下文特异性细胞或组织靶向策略的帮助。在任何一种情况下，超分子相互作用都可以控制分子规模的生物材料组成，结构和行为；通过合理的生物材料设计，使下一代免疫疗法和免疫抑制剂的实现成为可能。这篇简短的评论重点介绍了用于免疫治疗应用来利用大分子相互作用的方法，重点是药物输送模式。
按能量对双环有符号有向图进行排序
有符号有向图 (或简称 sidigraph) 由一对 S = ( D , σ ) 组成，其中 D = ( V , A ) 为基础有向图，σ : A →{ 1 , − 1 } 是有符号函数。带有 +1 ( − 1) 符号的弧称为 S 的正 (负) 弧。一般而言，S 的弧称为有符号弧。sidigraph 的符号定义为其弧符号的乘积。如果 sidigraph 的符号为正 (负)，则称其为正 (负)。如果 sidigraph 的所有弧均为正 (负)，则称其为全正 (全负)。如果 sidigraph 的每个环均为正，则称其为环平衡的，否则为非环平衡的。在本文中，我们假设环平衡（非环平衡）环为正（负）环，并用 C + n（C − n）表示，其中 n 是顶点数。对于有向图，我们用 uv 表示从顶点 u 到顶点 v 的弧。顶点集 { vi | i = 1 , 2 , ... , n } 和有符号弧集 { vivi + 1 | i = 1 , 2 , ... , n − 1 } 组成有向路径 P n 。顶点集 { vi | i = 1 , 2 , ... , n } 和有符号弧集 { vivi + 1 | i = 1 , 2 , ... , n − 1 } 组成有向路径 P n 。 , n − 1 } ∪{ vnv 1 } 组成一个有向圈 C n 。如果 sidigraph 的底层图是连通的，则该 sidigraph 是连通的。如果连通的 sidigraph 包含唯一的单个有向圈，则它是单环 sidigraph。如果连通的 sidigraph 恰好包含两个单个有向圈，则它是双环 sidigraph。我们考虑具有 n ( n ≥ 4) 个顶点的双环有符号有向图类 S n ，它的两个有符号有向偶圈是顶点不相交的。对于 sidigraph S = ( D , σ )，如果它有一条从 u 到 v 的有向路径和一条从 v 到 u 的有向路径，其中 ∀ u , v ∈V ，那么它是强连通的。S 的最大强连通子图称为 sidigraph S 的强组件。
定向进化环肽以抑制自噬
成熟的自噬体随后与溶酶体融合，将其内容物降解为单体，以供下游的合成代谢和分解代谢。基础自噬通过清除多余或受损的蛋白质和细胞器来维持细胞稳态，而自噬通量上调是细胞对营养缺乏和细胞毒性药物暴露的一种适应性反应。近年来，越来越明显的是，自噬上调在癌症的发展及其对治疗的反应中起着重要作用。6,7 许多类型的肿瘤——包括卵巢癌、8 胰腺癌、9 乳腺癌 10 和结肠癌 11——依赖于自噬的持续激活来维持在肿瘤微环境血管稀少、缺氧和营养缺乏的条件下的生长。化疗 12 和放疗 13 后自噬的激活已被确定为获得治疗耐药性的主要促成因素。 14
请以以下方式引用本文：Zerbst, U., Bruno, G., Buffiere, JY., Wegener, T., Niendorf, T., Wu, T., Zhang, X., Kashaev, N., Meneghetti, G., Hrabe, N., Madia, M., Werner, T., Hilgenberg, K., Koukolíková, M., Procházka, R., Džugan, J., Möller, B., Beretta, S., Evans, A., Wagener, R., Schnabel, K., Damage tolerant design of supplementary manufacturing metal components strictly tocyclic loading: State of the art and challenges, Progress in Materials Science (2021), doi: https://doi.org/10.1016/j.pmatsci.2021.100786
我们发现，许多经典概念需要扩展，以适应 AM（特别是激光粉末床熔合）中存在的特定微观结构（晶粒尺寸和形状、晶体结构）和缺陷分布（空间排列、尺寸、形状、数量）。例如，缺陷的 3D 表征变得至关重要，因为 AM 中的缺陷形状多种多样，对疲劳寿命的影响方式与传统生产的部件不同。这些新概念对解决 AM 部件疲劳寿命确定的方法有直接影响；例如，由于仍然缺少缺陷分类和可容忍形状和尺寸的量化，因此必须定义一种新策略，即理论计算（例如 FEM）允许确定最大可容忍缺陷尺寸，并且需要无损检测 (NDT) 技术来检测此类缺陷是否确实存在于组件中。这些示例表明，AM 部件的组件设计、损坏和故障标准以及特性（和/或 NDT）如何完全相互关联。我们得出结论，这些领域的均质化代表了工程师和材料科学家当前面临的挑战。
承受循环载荷的增材制造金属部件的损伤容限设计：最新技术与挑战
我们发现，许多经典概念需要扩展，以适应 AM（特别是激光粉末床熔合）中存在的特定微观结构（晶粒尺寸和形状、晶体结构）和缺陷分布（空间排列、尺寸、形状、数量）。例如，缺陷的 3D 表征变得至关重要，因为 AM 中的缺陷形状多种多样，对疲劳寿命的影响方式与传统生产的部件不同。这些新概念对确定 AM 部件疲劳寿命的方式有直接影响；例如，由于仍然缺少缺陷分类和可容忍形状和尺寸的量化，因此必须定义一种新策略，即理论计算（例如 FEM）允许确定最大可容忍缺陷尺寸，并且需要无损检测 (NDT) 技术来检测此类缺陷是否确实存在于组件中。这些示例表明，AM 部件的组件设计、损坏和故障标准以及特性（和/或 NDT）如何完全相互关联。我们得出结论，这些领域的同质化代表了工程师和材料科学家当前面临的挑战。
使用计算机软件研究循环二分图中的纠缠熵
纠缠在量子信息处理中起着至关重要的作用，包括量子通信[1,2]和量子计算[3–5]。它是量子力学和经典力学的显著区别之一。几十年来，纠缠一直是量子力学基础研究的焦点，尤其与量子不可分性和违反贝尔不等式有关[6]。纠缠已被视为如此重要的资源，因此需要一种对其进行量化的方法。对于二分纠缠，Horodecki 家族[7]最近撰写了一篇详尽的综述，Plenio 和 Virmani[8]对纠缠测度进行了详细的综述。纠缠的操作标准之一是施密特分解[9–11]。施密特分解是研究二分纯态纠缠的一个很好的工具。施密特数提供了一个重要的变量来对纠缠进行分类。部分纠缠纯态的纠缠可以自然地通过其纠缠熵来参数化，定义为冯·诺依曼熵，或等效地定义为施密特系数平方的香农熵 [ 9 , 11 ]。如果只有所谓的“高斯态”，情况就会变得简单
DAGBagM：学习混合变量的有向无环图并应用于识别卵巢癌的预后蛋白生物标志物
动机：通过将有向无环图 (DAG) 模型应用于蛋白质组数据推断出的有向基因/蛋白质调控网络已被证明可有效检测临床结果的因果生物标志物。然而，在 DAG 学习中仍然存在尚未解决的挑战，即联合建模临床结果变量（通常采用二进制值）和生物标志物测量值（通常是连续变量）。因此，在本文中，我们提出了一种新工具 DAGBagM，用于学习具有连续和二进制节点的 DAG。通过为连续和二进制变量使用适当的模型，DAGBagM 允许任一类型的节点在学习图中成为父节点或子节点。DAGBagM 还采用了引导聚合策略来减少误报并实现更好的估计精度。此外，聚合过程提供了一个灵活的框架，可以稳健地整合边缘上的先验信息以进行 DAG 重建。结果：模拟研究表明，与常用的将二进制变量视为连续变量或离散化连续变量的策略相比，DAGBagM 在识别连续节点和二进制节点之间的边方面表现更好。此外，DAGBagM 的表现优于几种流行的 DAG