XiaoMi-AI文件搜索系统
World File Search Systemdict
AI 预测的 mTOR 抑制剂可减少癌细胞增殖并延长秀丽隐杆线虫的寿命
摘要：雷帕霉素 (mTOR) 激酶的机制靶点是促进健康和延长寿命的首要药物靶点之一。除雷帕霉素外，只有少数其他 mTOR 抑制剂被开发出来并被证明能够减缓衰老。我们使用机器学习来预测针对 mTOR 的新型小分子。我们选择了一种小分子 TKA001，基于对高靶向概率、低毒性、良好的物理化学性质和更好的 ADMET 特征的计算机预测。我们通过分子对接和分子动力学对 TKA001 结合进行了计算机建模。TKA001 在体外可有效抑制 TOR 复合物 1 和 2 信号传导。此外，TKA001 在体外可抑制人类癌细胞增殖并延长秀丽隐杆线虫的寿命，这表明 TKA001 能够在体内减缓衰老。
人工智能在预测致病...
病原微生物的抗菌素耐药性 (AMR) 问题已成为全球公共卫生危机，对现代医疗保健系统构成重大威胁。人工智能 (AI) 和机器学习 (ML) 技术的出现为该领域带来了革命性的变化。这些先进的计算方法能够处理和分析大规模生物医学数据，从而揭示耐药性发展背后的复杂模式和机制。人工智能技术越来越多地用于根据基因含量和基因组组成预测病原体对各种抗生素的耐药性。本文回顾了人工智能和机器学习在预测病原微生物抗菌素耐药性方面的最新进展。我们首先概述了微生物耐药性的生物学基础及其流行病学研究。随后，我们重点介绍了用于耐药性预测的主要人工智能和机器学习模型，包括但不限于支持向量机、随机森林和深度学习网络。此外，我们探讨了该领域的主要挑战，例如数据可用性、模型可解释性和跨物种耐药性预测。最后，我们通过算法优化、数据集扩展和跨学科协作，探讨微生物耐药性研究的新视角和解决方案。随着人工智能技术的不断进步，未来我们将拥有对抗病原微生物耐药性的最有力武器。
使用人工神经网络预测 DED 制造过程中的热场
AAbstr bstract act.. 在过去十年中，机器学习越来越吸引多个科学领域的研究人员，特别是在增材制造领域。同时，这项技术对许多研究人员来说仍然是一种黑箱技术。事实上，它允许获得新的见解，以克服传统方法（例如有限元方法）的局限性，并考虑制造过程中发生的多物理复杂现象。这项工作提出了一项全面的研究，用于实施机器学习技术（人工神经网络），以预测 316L 不锈钢和碳化钨直接能量沉积过程中的热场演变。该框架由有限元热模型和神经网络组成。还研究了隐藏层数和每层节点数的影响。结果表明，基于 3 或 4 个隐藏层和整流线性单元作为激活函数的架构可以获得高保真度预测，准确率超过 99%。还强调了所选架构对模型准确性和 CPU 使用率的影响。所提出的框架可用于预测模拟多层沉积时的热场。
预测意义
糖尿病是全球性的公共卫生问题，发病率和死亡率逐年上升（1），但早期干预可有效延缓和减少高危人群患糖尿病的机会（2-5），而要实现这一目标，及早识别和发现糖尿病高危人群至关重要（6，7）。既往研究表明，糖尿病的患病率和进展存在明显的性别差异（8，9），且这种差异随时间而变化（10，11）。因此，在精准医疗的新时代，量化男女未来糖尿病风险，评估高危人群趋势，为基层医生提供针对性别的干预措施参考，从而降低糖尿病的发病率，刻不容缓。当前，糖尿病正处于迅速蔓延的流行病之中，多数论据支持糖尿病蔓延趋势主要归因于肥胖症的流行（12，13）。肥胖主要表现为皮下脂肪组织 (SAT) 和内脏脂肪 (VAT) 的堆积 (14,15)。然而，越来越多的证据表明，异位沉积的脂肪组织 VAT 与胰岛素抵抗的关联性比 SAT 更强，并且在糖尿病的发展中起着更重要的作用 (16-18)。此外，微环境中内脏脂肪的性别差异显著影响糖尿病的发展 (19,20)。因此，量化内脏脂肪可能提供一种更有效的方法来评估不同性别人群的糖尿病风险，并准确预测其发病率和未来趋势。然而，精确的内脏脂肪测量需要腹部计算机断层扫描或核磁共振成像扫描，而这些扫描价格昂贵且不易获得 (21)，阻碍了它们在大规模人群健康筛查中的应用。因此，开发简单而有效的内脏脂肪评估替代方法势在必行。近年来，Kahn 等人利用腰围 (WC) 和甘油三酯 (TG) 水平计算出的 LAP 已成为评估 VAT 的有效替代方法 ( 22 , 23 )。
预测分析可早期检测糖尿病风险
这项研究介绍了一个先进的预测分析框架，用于早期发现糖尿病风险，旨在通过整合复杂的机器学习算法来增强主动的健康监测。该模型经过精心训练，以各种患者的健康指标，包括人口统计和临床变量，例如年龄，体重指数，血压和葡萄糖水平。通过确定数据中的微妙模式和相关性，该模型促进了对患有糖尿病高风险的个体的早期识别。这种早期检测能力可以及时进行临床干预，有可能减轻疾病的进展并优化患者管理策略。该研究强调了该模型的鲁棒性和可扩展性，突出了其在临床环境中部署的重要潜力，这是预防医疗基础设施的关键组成部分。
基于机器学习的直接金属沉积中复杂刀具路径的轨道高度预测
模具行业不断要求先进的技术来提高模具在其生命周期内的性能。直接金属沉积 (DMD) 为模具翻新提供了关键机会。然而，通过 DMD 的典型刀具路径由交替的平滑段和尖角组成。在这里，能量密度和粉末数量的波动通常会导致工具恢复部分出现严重的几何偏差。这项工作提出了一种基于机器学习的新型预测方法，该方法使用与工艺参数和执行的几何形状相关的特征来表征路径。该方法的优势已在刀具路径上得到验证，刀具路径通常表征工具翻新过程。© 2022 作者。由 Elsevier Ltd 代表 CIRP 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）
利用深度学习预测老化电池放电
电化学电池是我们社会中无处不在的设备。当用于关键任务应用时，在高度变化的操作条件下准确预测其放电终止的能力至关重要，以支持运营决策并充分利用整个电池的使用寿命。虽然有充电和放电阶段潜在过程的准确预测模型，但老化建模仍然是一个悬而未决的挑战。这种缺乏理解通常会导致模型不准确，或者每当电池老化或其条件发生重大变化时，就需要耗时的校准程序。这对在现实世界中部署高效、强大的电池管理系统构成了重大障碍。在本文中，我们介绍了 Dynaformer，这是一种新颖的深度学习架构，它能够同时从有限数量的电压/电流样本推断老化状态，并以高精度预测真实电池的全电压放电曲线。在评估的第一步中，我们调查了所提出的框架在模拟数据上的性能。在第二步中，我们证明了只需进行少量微调，Dynaformer 就能弥补模拟与从一组电池收集的实际数据之间的差距。所提出的方法能够以可控且可预测的方式利用电池供电系统直至放电结束，从而显著延长运行周期并降低成本。
使用光绘画和深度学习预测心血管疾病的风险
心血管疾病（CVD）负责低收入和中等收入国家的过早死亡。早期的CVD检测和干预在这些人群中至关重要，但是许多现有的CVD风险评分需要进行体格检查或实验室测量，这在此类卫生系统中可能具有挑战性。在这里，我们调查了使用光摄影学（PPG）的潜力，这是一种在大多数智能手机上可用的传感技术，可以潜在地以低成本启用大规模筛查，以进行CVD风险预测。我们开发了一个基于PPG的CVD风险评分（DLS），以预测十岁内发生重大不良心血管事件（MACE：非致命性心肌梗死，中风和心血管死亡）的可能性，仅鉴于年龄，性别，性别，吸烟状态和PPG作为预测者，只有年龄，性别，性别，性别，性别，性别，性别，性别，性别，性别，性别，性别。我们将DLS与基于办公室的Refit Who-Who分数进行了比较，该分数采用了WHO和Globorisk分数（年龄，性别，吸烟状况，身高，体重和收缩压）的共享预测指标，但在UK Biobank（UKB）同胞上进行了改装。在UKB队列中，DLS的C统计效果（71.1％，95％CI 69.9-72.4）与基于办公室的Refit-Who得分（70.9％，95％CI 69.7-72.2;非内野利率2.5％，p <0.01）。DLS的校准令人满意，平均绝对校准误差为1.8％。在基于办公室的分数中添加DLS功能将C统计量提高了1.0％（95％CI 0.6-1.4）。dls预测，十年的MACE风险与基于办公室的Refit-Who得分相当。它提供了概念验证，并提出了基于PPG的方法在资源有限地区基于社区的初级预防的潜力。
Cari Heart预测可疑冠状动脉疾病的心脏风险：早期价值评估
3.4外部评估组（EAG）发现了1项研究，评估了Cari Heart对可疑稳定冠状动脉疾病患者的心脏死亡的预后表现（Oikonomou等人。2021）。这项研究是一项模型开发和验证研究，其中包括3,912人患有CTCA来评估稳定的冠状动脉疾病。这项研究的结果表明，比基于传统临床风险因素（吸烟，高胆固醇血症，高血压，糖尿病，公爵指数，高风险斑块特征和上心脂肪组织体积的存在）的风险模型比风险模型更好。EAG还发现了支持冠状动脉炎症与心脏不良事件风险之间联系的研究。委员会同意，根据Oikonomou等人的结果。（2021），Cari Heart可能会改善心脏死亡的风险预测。（2021），Cari Heart可能会改善心脏死亡的风险预测。