XiaoMi-AI文件搜索系统
World File Search Systemdiverse
机械 QSAR 分析预测不同杂环化合物作为选择性美人蕉的结合亲和力
a 印度阿姆劳蒂 Mardi 路 Rajendra Gode 药学院药物化学系；b 沙特阿拉伯利雅得伊玛目穆罕默德伊本沙特伊斯兰大学理学院化学系；c 沙特阿拉伯莫哈伊尔阿西尔哈立德国王大学科学与艺术学院化学系；d 马来西亚双威城双威大学医学与生命科学学院；e 伊拉克埃尔比勒 Tishk 国际大学药学院药物化学系；f 沙特阿拉伯阿尔哈吉 Prince Sattam Bin Abdulaziz 大学药学院药理学与毒理学系；g 印度兰契 Birla 理工学院药物科学与技术系；h 沙特阿拉伯利雅得 AlMaarefa 大学医学院基础医学系
利用机器学习预测不同编辑类型和染色质环境下的主要编辑效率
图 1 | 基于序列上下文的 pegRNA 效率表征和预测。（a）使用目标匹配的 pegRNA 文库“Library Diverse”进行筛选的示意图。（b - g）HEK293T 或 K562 中（b,c）插入、（d,e）HEK293T 或 K562 中 1-5bp 替换和（f,g）HEK293T 或 K562 中 1-15 bp 删除的编辑效率。（h,i）在 HEK293T（h）或 K562（i）细胞中安装了 2 个独立 1 bp 替换的双重编辑的编辑效率。预期编辑意味着安装了两个替换，而中间编辑意味着只安装了 2 个替换中的 1 个。距离 0 对应于单个 1 bp 编辑。 (j,k) 在 HEK293T (j) 和 K562 (k) 细胞中，在 GG PAM 序列内进行单 1bp 和双 1bp 替换（有或无编辑）的编辑效率。(d、e、hk) 条形图仅包含具有 7、10 或 15bp RTT 突出端的 pegRNA，以确保不同条件下 RTT 突出端分布相似。(bk) 条形图显示平均值，误差线表示平均值 +/- sem (l、m) PRIDICT2.0 在 Library-Diverse（5 倍交叉验证）上对 (l) HEK293T（n = 22,619）和 (m) K562（n = 22,752）细胞的性能。根据高斯 KDE，颜色渐变从深紫色到黄色表示点密度增加。 （n）PRIDICT2.0 示意图，该模型是基于两个模型的预测平均值的集成模型：（模型 A），
比较机器学习和基于逻辑回归的常规预测模型，用于种族多样化的人群中的妊娠糖尿病； Monash GDM机器学习模型
背景：希望有效的生活方式干预措施可预防GDM并减少相关的不良后果，因此希望早期鉴定出患有妊娠糖尿病（GDM）高风险的孕妇。可以使用风险前字典模型来确定怀孕期间开发GDM的个性化概率。这些模型从传统统计数据扩展到机器学习方法；但是，准确性仍然是最佳的。目标：我们旨在比较多个机器学习算法以开发GDM风险预测模型，然后确定预测GDM的最佳模型。方法：从2016年1月至2021年6月的大型卫生服务网络的日常产前护理的数据进行了监督的机器学习预测分析。预测指标集1来自现有的国际验证的Monash GDM模型：GDM历史，体重指数，种族，年龄，糖尿病的家族史以及过去的不良产科历史。具有不同预测因子的新模型，考虑了统计原理，其中包括更健壮的连续变量和衍生变量。随机选择的80％数据集用于模型开发，验证为20％。绩效指标，包括校准和歧视指标。进行决策曲线分析。结果：在内部验证后，机器学习和逻辑回归模型在曲线下的区域（AUC）的区域在不同算法中的范围从71％到93％，最好是Catboost分类器（CBC）。Based on the default cut-off point of 0.32, the performance of CBC on predictor set 4 was: Accuracy (85%), Precision (90%), Recall (78%), F1-score (84%), Sensitivity (81%), Specificity (90%), positive predictive value (92%), negative predictive value (78%), and Brier Score (0.39).结论：在这项研究中，机器学习方法在传统统计方法上实现了最佳的预测性能，从75％增加到93％。catboost分类器方法通过包括连续变量的模型达到了最佳状态。
生命周期成本和住宅太阳能的碳含义 -
*地址通信：朱莉娅·施莱茨基（Julia Schaletzky），jschaletzky@berkeley.edu，James A. Olzmann，olzmann@berkeley.edu。作者贡献J.M.H.，K.B.，J.A.O。和J.S.构思了该项目并设计了实验。J.M.H. 和J.A.O. 写了手稿。 所有作者都阅读，编辑并为手稿做出了贡献。 J.M.H. 进行了大多数实验。 J.M.H.，K.B。和E.W. 进行了小分子筛选并分析了数据。 Z.L. 进行了球体测定。 J.M.H. 和M.R. 进行了脂质过氧化测定法。 I.L.O. 有助于分析黑色素瘤系。 J.M.H. 和M.A.R. 进行了Bodipy C11实验。 S.J.D.，K.K.D.和M.L. 提供了关键的试剂和指导。 C.E.D.，J.M.H。和K.B. 纯化的蛋白质并对FSP1活性进行了体外分析。 J.D.M. 进行并分析了FSEN1药代动力学和微粒体稳定性实验。J.M.H.和J.A.O.写了手稿。所有作者都阅读，编辑并为手稿做出了贡献。J.M.H. 进行了大多数实验。 J.M.H.，K.B。和E.W. 进行了小分子筛选并分析了数据。 Z.L. 进行了球体测定。 J.M.H. 和M.R. 进行了脂质过氧化测定法。 I.L.O. 有助于分析黑色素瘤系。 J.M.H. 和M.A.R. 进行了Bodipy C11实验。 S.J.D.，K.K.D.和M.L. 提供了关键的试剂和指导。 C.E.D.，J.M.H。和K.B. 纯化的蛋白质并对FSP1活性进行了体外分析。 J.D.M. 进行并分析了FSEN1药代动力学和微粒体稳定性实验。J.M.H.进行了大多数实验。J.M.H.，K.B。和E.W. 进行了小分子筛选并分析了数据。 Z.L. 进行了球体测定。 J.M.H. 和M.R. 进行了脂质过氧化测定法。 I.L.O. 有助于分析黑色素瘤系。 J.M.H. 和M.A.R. 进行了Bodipy C11实验。 S.J.D.，K.K.D.和M.L. 提供了关键的试剂和指导。 C.E.D.，J.M.H。和K.B. 纯化的蛋白质并对FSP1活性进行了体外分析。 J.D.M. 进行并分析了FSEN1药代动力学和微粒体稳定性实验。J.M.H.，K.B。和E.W.进行了小分子筛选并分析了数据。Z.L.进行了球体测定。J.M.H. 和M.R. 进行了脂质过氧化测定法。 I.L.O. 有助于分析黑色素瘤系。 J.M.H. 和M.A.R. 进行了Bodipy C11实验。 S.J.D.，K.K.D.和M.L. 提供了关键的试剂和指导。 C.E.D.，J.M.H。和K.B. 纯化的蛋白质并对FSP1活性进行了体外分析。 J.D.M. 进行并分析了FSEN1药代动力学和微粒体稳定性实验。J.M.H.和M.R.进行了脂质过氧化测定法。I.L.O. 有助于分析黑色素瘤系。 J.M.H. 和M.A.R. 进行了Bodipy C11实验。 S.J.D.，K.K.D.和M.L. 提供了关键的试剂和指导。 C.E.D.，J.M.H。和K.B. 纯化的蛋白质并对FSP1活性进行了体外分析。 J.D.M. 进行并分析了FSEN1药代动力学和微粒体稳定性实验。I.L.O.有助于分析黑色素瘤系。J.M.H. 和M.A.R. 进行了Bodipy C11实验。 S.J.D.，K.K.D.和M.L. 提供了关键的试剂和指导。 C.E.D.，J.M.H。和K.B. 纯化的蛋白质并对FSP1活性进行了体外分析。 J.D.M. 进行并分析了FSEN1药代动力学和微粒体稳定性实验。J.M.H.和M.A.R.进行了Bodipy C11实验。S.J.D.，K.K.D.和M.L. 提供了关键的试剂和指导。 C.E.D.，J.M.H。和K.B. 纯化的蛋白质并对FSP1活性进行了体外分析。 J.D.M. 进行并分析了FSEN1药代动力学和微粒体稳定性实验。S.J.D.，K.K.D.和M.L.提供了关键的试剂和指导。C.E.D.，J.M.H。和K.B. 纯化的蛋白质并对FSP1活性进行了体外分析。 J.D.M. 进行并分析了FSEN1药代动力学和微粒体稳定性实验。C.E.D.，J.M.H。和K.B.纯化的蛋白质并对FSP1活性进行了体外分析。J.D.M. 进行并分析了FSEN1药代动力学和微粒体稳定性实验。J.D.M.进行并分析了FSEN1药代动力学和微粒体稳定性实验。
使用多种神经网络
准确预测锂离子电池（LIB）的剩余使用寿命（RUL）对于提高LIBSPAINTION应用程序的运营效率和安全性至关重要。它还促进了细胞设计程序的改进和快速充电方法的演变，从而最大程度地减少了周期测试时间。虽然人工神经网络（ANN）已成为该任务的有前途的工具，但识别跨不同数据集的最佳体系结构，而优化策略并非乏味。为了应对这一挑战，开发了一个机器学习框架，以系统地评估不同的ANN体系结构。仅利用从各种充电策略循环的124个锂离子电池中使用的训练数据集的30％，在此框架内进行了HyperParam-Eter优化。这确保以最佳配置对每个模型进行评估，从而促进了RUL预测任务的平衡比较。此外，该研究还研究了各种循环窗口对模型功效的影响。采用分层分区方法强调了统一数据集在不同子集之间表示的重要性。值得注意的是，最佳模型使用仅40个周期的循环特征，达到了平均绝对范围误差为10.7％。
代谢多样化的微生物在动态水力发电水库中硝酸盐还原条件下介导甲基汞的形成
布朗利水库是一个受汞 (Hg) 污染的水力发电水库，具有动态水文和地球化学条件，位于美国爱达荷州的赫尔斯峡谷综合体内。鱼类中的甲基汞 (MeHg) 污染是该水库令人担忧的问题。虽然甲基汞的产生历来被归因于硫酸盐还原菌和产甲烷古菌，但携带 hgcA 基因的微生物在分类学和代谢上是多样的，驱动汞 (Hg) 甲基化的主要生物地球化学循环尚不清楚。在本研究中，在连续四年 (2016-2019) 的分层时期测量了整个布朗利水库的汞形态和氧化还原活性化合物，以确定甲基汞产生的地点和氧化还原条件。对一组样本进行了宏基因组测序，以表征具有 hgcA 的微生物群落，并确定生物地球化学循环与甲基汞产生之间的可能联系。生物地球化学概况表明，原位水柱汞甲基化是甲基汞的主要来源。这些概况与以携带 hgcA 的微生物为重点的基因组解析宏基因组学相结合，表明该系统中的甲基汞生成发生在硝酸盐或锰还原条件下，而这些条件以前被认为可以阻止汞甲基化。利用这种多学科方法，我们确定了水文年际变化对氧化还原状态、微生物代谢策略、汞甲基化剂的丰度和代谢多样性以及最终对整个水库的甲基汞浓度的连锁效应。这项工作扩展了已知的有利于产生甲基汞的条件，并表明在某些地方通过硝酸盐或锰修正来缓解汞甲基化的努力可能会失败。
16S rRNA基因的基于不同鸟类粪便的微生物群在很大程度上独立于DNA保存和提取方法
鸟类肠道菌群一直是最近关注的主题，对诸如家禽行业，微生物生态学和保护等各种领域的潜在影响。粪便微生物群经常用作肠道菌群的非侵入性代理，但是从鸟类粪便中提取高质量的微生物DNA经常被证明具有挑战性。在这里，我们旨在评估两种DNA保存方法（95％乙醇和rnalater）和五种提取方法（Indispin病原体试剂盒，Qiaamp PowerFecal ProFecal Pro DNA Kit，Microgem Prepgem Prepgem细菌试剂盒，Zymbobiommics DNA Miniprep Kit和In Bane In In Base AVA AVA）用于研究。对这些方法对来自最初三种禽类（鸡，鸵鸟和无飞行parrotkākāpō）的粪便样品的功效的系统测试发现，提取的DNA的质量，数量和完整性在提取的DNA的质量，数量和完整性上存在实质性差异，但对16S rRNA Gene基于基于基于的RRNA Gene Microbobiota profiles的质量，数量和完整性却微不足道。随后在10种系统发育和生态上多样化的鸟类物种上选择了保存和提取方法的选定组合，重申了所选方法的疗效，细菌群落结构通过技术复制的特定禽类强烈聚集。我们发现，提取功效的明显差异似乎不会影响16S基因基因的细菌群体概况，为正在进行的对鸟类肠道微生物群的研究奠定了重要的基础。
探索“留守”城镇的多元经济
规划旨在改善地方，不仅是物质层面，还包括当地居民的体验。这必然涉及当地经济活动，因此规划和当地经济发展 (LED) 齐头并进。但目前关于如何使用规划系统促进 LED 的想法是有限的，无论是目标如何制定，还是对 LED 的构成和经济活动如何产生的普遍理解。人们倾向于关注较大的城市地区、被视为经济前沿变化的地区以及促进发展中地区更高价值的用途。这种方法对许多较小的定居点（例如小城镇）或增长压力有限或不存在的地区几乎没有用处。这里需要一种不同的方法，本文通过对英格兰达勒姆郡希尔登的案例研究对此进行了探讨，希尔登是一个前铁路小镇，经历了去工业化，被视为“落后”。分析借鉴了关于“多元化经济”和基础经济的思想，以考虑当地规划在这样一个小镇中的作用。它分析了现有的规划实践，包括房地产主导的商业推广、通过住房开发和文化主导的复兴来追求社会变革，强调了实现 LED 和社区福祉的潜力和制约因素。因此，该分析为规划许多较小的定居点提供了见解，这些定居点是国际上城市结构的重要组成部分（Mayer & Lazzeroni，2023 年）。它提出了通过当地规划重点可以实现的目标，同时认识到需要支持性的区域和国家框架。地方规划是
探索文化和语言多样的健康状况（...
请注意：此报告的开发是为了为循证卫生服务计划和交付提供信息。不应将其解释为提到的社区的绩效指标。这些发现为进一步讨论和探索提供了一个机会，以解开社区和系统级别的潜在问题。
多个利益相关者在医疗保健中推动了机器学习的多种可解释性要求
机器学习的应用在医学和健康中变得越来越普遍，从而实现了更准确的预测模型。但是，这通常以相互可预性为代价，从而限制了机器学习方法的临床影响。要意识到医疗保健中机器学习的潜力，从多个利益相关者和各个角度的透明度中理解此类模型至关重要，需要不同类型的解释。从这个角度来看，我们激励和探索了五种根本不同类型的事后机器学习解释性。我们强调了它们提供的不同信息，并描述了每个信息何时有用。我们研究了医疗保健领域的各种利益相关者，探讨了他们的特定目标，要求和目标。我们讨论当前的可解释性概念如何帮助满足这些概念以及每个利益相关者使机器学习模式在临床上产生影响的要求。最后，为了促进采用，我们发布了一个开源可解释性库（https://github.com/vanderschaarlab/interpretability），其中包含不同类型的可解释性的实现，包括可视化和探索解释的工具。