XiaoMi-AI文件搜索系统
World File Search Systemembeddings
预测使用单词嵌入心力衰竭患者的30天医院再入院
队列（n = 21031）总负性性别女性9971 8120 1851男性11060 8978 2082总计21031 17098 3933＃招生2.07（2.88）1.98（2.44）1.98（2.44）2.52（4.28）住宿时间7.83（8.57）7.53（8.04）9.11（10.48）索引入院时年龄73.36（13.55）73.39（13.55）73.2（13.56）
关于量子退火器的高质量嵌入的讨论
人们已经尝试过多种方法来设计有效的方法来寻找 QA 中 Ising 问题的映射。这些尝试可以分为两类。第一种方法是寻找具有近乎最优嵌入的完全图的嵌入，同时考虑目标图的结构。第一项工作是由 V. Choi [3] 提出的，它提供了三角布局上完全图的最佳嵌入（TRIAD 方案）。这项初步工作由 C. Klymko 等人完成。[6]，他们提出了一种次要嵌入方法，专门用于在由定期分派的完全连通二分子图组成的格子上查找团嵌入。该方法考虑不可操作的量子位（目标图通常包含一些禁用的量子位），并生成从初始近乎最优的团嵌入派生的有效嵌入。第二种方法考虑在部分已知或未知的目标图上嵌入未知结构化输入图的算法。[2] 中提出了一种初始的通用启发式方法，并在 [4] 中实现。该算法由两步组成：第一步是为每个逻辑量子位找到一个允许重叠的初始映射（即，顶点 v ∈ V t 可能映射 V s 中的多个顶点 ϕ ( v )。第二步是细化，通过删除顶点映射 ϕ ( v ) 并寻找该顶点的更好映射来迭代改进映射，从而最小化物理顶点的总数。顶点映射的质量用成本函数计算。没有任何重叠的输出图被认为是有效的。当在特定次数的尝试期间没有取得任何改进时，细化阶段结束。其他几种启发式算法一直在重复使用这种算法
与UMAP嵌入和基于密度的聚类
1美国杜克大学医学院，美国北卡罗来纳州达勒姆大学医学院，美国2杜克大学血液学典型科学系高维细胞多摩学数据对于理解生物控制的各个层次至关重要。单一的'Omic方法提供了重要的见解，但在处理基因，蛋白质，代谢产物以及其他方面的复杂关系方面常常缺乏。在这里，我们提出了一种称为Gaudi的新颖，非线性和无监督的方法（通过UMAP数据集成进行组聚集），该方法利用独立的UMAP嵌入来进行多种数据类型的并发分析。Gaudi比几种最先进的方法更好地发现不同的OMIC数据之间的非线性关系。这种方法不仅通过它们的多摩尼克曲线群簇样本，而且还识别了每个OMICS数据集的潜在因素，从而促进对每个群集有助于的基本特征的解释。因此，Gaudi促进了更直观，可解释的可视化，从而从广泛的实验设计中识别出新颖的见解和潜在的生物标志物。引言多摩变分析整合了各种数据类型，例如基因组学，蛋白质组学和代谢组学。组合多种OMICS模式比单独分析每种数据类型时，有可能发现新颖的见解和生物标志物（1，2）。高通量技术的增长促使OMICS数据呈指数增加，这突显了对新的集成方法的迫切需求。传统的多摩学集成方法主要集中在降低尺寸技术上。例如，在RGCCA（3）中使用了基于规范相关分析（CCA）的方法，而MCIA中使用了共惯性分析（4）。同样，贝叶斯因子分析基于MOFA+（5）等方法，负基质分解对于Intnmf（6），主成分分析（7）和独立组件分析是TICA（8）的基础。尽管这些方法已在各种OMICS数据集和生物环境中应用，但它们的有效性和局限性各不相同，强调了在其应用中需要仔细考虑的需求（9）。这些方法共享的中心限制是它们对线性假设的依赖。虽然在某些情况下合适，但这种假设可能不足以准确捕获复合物，通常是非线性的相互作用（10，11）。此外，它们的计算强度构成了挑战，尤其是对于大型数据集。应对这些挑战，最近的进步已转向非线性整合方法（9，10）。均匀的歧管近似和投影（UMAP）是一种降低技术，可以揭示复杂数据集中的基础结构（12）。通过将流形学习与拓扑数据分析相结合，它可以有效地可视化较低空间中的高维数据。UMAP通过有效地从PCA和T-SNE等其他方法中脱颖而出
激活评分：从化学蛋白质组学数据和蛋白质语言模型（PLM）嵌入中预测半胱氨酸反应性
图2：用硫酰基反应性烷基化碘乙酰氨酰胺（IAA）以7个不同的浓度（范围为0至1,000 µM）处理八种癌细胞系，以阻断肽映射的抑制半胱氨酸残基。IAA与半胱氨酸结合Desthiobiotin iodoacetamide（DBIA）化学探针之间的竞争反应使DBIA标记的肽以剂量反应的方式富集。样品进行准备并在质谱仪（MS）上运行，其中肽信号的损失表明成功的IAA竞争。我们将四参数对数模型模型拟合到每个半胱氨酸的剂量响应数据。当模型在溶液上收敛（有剂量反应）时，我们将半胱氨酸标记为反应性，当没有剂量反应时，我们将其标记为无反应性。
使用结构图嵌入的快速蛋白质结构搜索
考虑到局部几何形状[5]，坐标对齐[6]和3D Zernike的描述符[7，8]，已经开发了多种方法来比较，对齐和搜索[1] [1] [1] [2，3，4]。由于蛋白质结构比序列[9]更保守[9]，这些方法已被证明在远程同源性检测[10]，蛋白质分类[11]中有用[11]，从结构[12]推断功能[12]，聚类大数据库[13，14]并评估结构预测的准确性。最高的精度方法倾向于根据DALI等坐标[3]进行仔细的比较，但是搜索大型结构数据库，例如Alphafold蛋白结构数据库[15，16]或ESM宏基因组图[17] [17]使用这些方法很慢。最近，foldseek [18]通过将一级序列转换为一系列学到的局部特长基序来解决了这个问题。然后，它使用生物信息学中快速序列搜索的丰富历史记录大大减少查询的成对比较时间与数据库的每个成员。为了进一步减少搜索时间，应更快地将成对比较步骤进行。
敏感的远程同源性搜索通过局部对齐蛋白质语言模型的小位置嵌入
。cc-by 4.0国际许可（未经Peer Review尚未获得认证）是作者/资助者，他已授予Biorxiv的许可证，以永久显示预印本。这是该版本的版权所有，该版本发布于2024年2月12日。 https://doi.org/10.1101/2023.07.26.550718 doi：biorxiv Preprint
Deep-STP：一种基于深度学习的方法，用于通过使用单词嵌入
蛇毒含有许多有毒蛋白，可破坏循环系统或神经猎物的神经系统。研究发现，这些蛇毒蛋白具有治疗心血管和神经系统疾病的潜力。因此，蛇毒蛋白的研究有利于相关药物的开发。基于传统生物化学的研究技术可以准确地识别这些蛋白质，但是实验成本很高，时间很长。人工智能技术从计算的角度从大规模筛选蛇毒蛋白提供了一种新的手段和策略。在本文中，我们开发了一种基于序列的计算方法来识别蛇毒素蛋白。特别是，我们利用了三个不同的特征描述符，即G-GAP，天然矢量和Word 2载体，编码蛇毒素蛋白序列。方差分析（ANOVA），梯度提高决策树算法（GBDT）与增量特征选择（IFS）相结合（IFS）来优化特征，然后将优化的特征输入了用于模型训练的深度学习模型中。结果表明，我们的模型可以在10倍的交叉验证中以82.00％的精度实现预测性能。该模型在独立数据上得到了进一步验证，精度率达到81.14％，这表明我们的模型具有出色的预测性能和鲁棒性。
揭示大脑连接：用于脑电图表征学习的图嵌入以及结构和功能连接的比较分析
本研究采用深度学习技术，提出了一种通过图嵌入对 EEG 运动意象分类中的大脑连接进行建模的引人注目的方法。本研究引人注目的地方在于它结合了图嵌入、深度学习和不同的大脑连接类型，不仅提高了分类准确性，而且丰富了对大脑功能的理解。该方法具有很高的准确性，为了解大脑连接提供了宝贵的见解，并在理解神经系统疾病方面具有潜在的应用价值。所提出的模型由两个不同的基于图的卷积神经网络组成，每个模型都利用不同类型的大脑连接来提高分类性能并更深入地了解大脑连接。第一个模型是基于邻接的卷积神经网络模型 (Adj-CNNM)，它利用基于结构性大脑连接的图形表示来嵌入空间信息，使其有别于以前依赖于受试者和任务的空间过滤方法。在基准数据集 IV-2a 上进行的大量测试表明，Adj-CNNM 的准确率达到 72.77%，超越了基线和最先进的方法。第二个模型是锁相值卷积神经网络模型（PLV-CNNM），它结合功能连接来克服结构连接限制，并识别不同大脑区域之间的连接。PLV-CNNM 在 1-51 Hz 频率范围内的总体准确率达到 75.10%。在以运动图像数据分类（包括 α 、µ 和 β 波）而闻名的 8-30 Hz 频带中，α 、µ 和 β 的个体准确率分别达到 91.9%、90.2% 和 85.8%。此外，当考虑整个 8-30 Hz 频带时，该模型的表现令人钦佩，准确率达到 84.3%。值得注意的是，PLV-CNNM 揭示了运动想象任务期间不同大脑区域之间的稳健连接，包括额叶和中央皮质以及中央和顶叶皮质。这些发现为大脑连接模式提供了宝贵的见解，丰富了对大脑功能的理解。此外，该研究还对各种大脑连接建模方法进行了全面的比较分析。
揭示大脑连接性：用于脑电图表示和功能连接性的比较分析
这项研究采用深度学习技术来提出一种令人信服的方法，用于通过图形嵌入来建模EEG运动成像分类中的大脑连接性。这项研究的引人入胜的方面在于其图形嵌入，深度学习和不同大脑连接性类型的结合，这不仅增强了分类精度，而且还丰富了对大脑功能的理解。该方法具有很高的精度，为大脑连接提供了宝贵的见解，并在理解神经系统状况方面具有潜在的应用。所提出的模型由两个不同的基于图的卷积神经网络组成，每种都利用不同类型的脑连接性，以增强分类性能并获得对大脑连接的更深入的了解。基于邻接的卷积神经网络模型（ADJ-CNNM），基于结构性大脑连接到嵌入空间信息，将其与先前的空间过滤方法区分开来，利用图表表示图表。在基准数据集-IV-2A上进行的广泛测试表明，ADJ-CNNM可以实现72.77％的精度，超过基线和最新方法。第二个模型是相位锁定值卷积神经网络模型（PLV-CNNM），它结合了功能连接性，以克服结构连通性限制，并确定不同大脑区域之间的连接。PLV-CNNM在1-51 Hz频率范围内达到75.10％的总体精度。此外，在考虑整个8-30 Hz频段时，该模型的精度为84.3％。在首选的8–30 Hz频带中，分别以α，µ和β为α，90.2％和85.8％的个人精度，为91.9％，90.2％和85.8％的单个精确度，分别为91.9％，90.2％和85.8％。值得注意的是，PLV-CNNM在运动成像任务期间揭示了不同的大脑区域之间的牢固连接，包括额叶和中央皮层以及中央和顶叶皮层。这些发现为大脑连接模式提供了宝贵的见解，从而丰富了对大脑功能的理解。此外，该研究还对各种大脑连通性建模方法进行了全面的比较分析。