XiaoMi-AI文件搜索系统
World File Search Systemencode
果蝇幼虫大脑中高度不稳定的mRNA编码了动态调节的转录因子
每种 RNA 的水平取决于其产生率和衰变率之间的平衡。尽管先前的研究已经测量了组织培养和单细胞生物中整个基因组的 RNA 衰变，但很少有实验是在完整的复杂组织和器官中进行的。因此，尚不清楚在培养细胞中发现的 RNA 衰变决定因素是否在完整组织中保留，以及它们在邻近细胞类型之间是否不同以及在发育过程中是否受到调节。为了解决这些问题，我们通过使用 4-硫尿苷对整个培养的果蝇幼虫大脑进行代谢标记，测量了全基因组的 RNA 合成和衰变率。我们的分析表明，衰变率范围超过 100 倍，并且 RNA 稳定性与基因功能有关，编码转录因子的 mRNA 比参与核心代谢功能的 mRNA 稳定性低得多。令人惊讶的是，在转录因子 mRNA 中，更广泛使用的转录因子与在发育过程中仅短暂表达的转录因子之间存在明显的界限。编码瞬时转录因子的 mRNA 是大脑中最不稳定的。这些 mRNA 的特点是大多数细胞类型中的表观遗传沉默，如其富含组蛋白修饰 H3K27me3 所示。我们的数据表明存在针对这些瞬时表达的转录因子的 mRNA 不稳定机制，从而可以快速高精度地调节它们的水平。我们的研究还展示了一种测量完整器官或组织中 mRNA 转录和衰减率的通用方法，为了解 mRNA 稳定性在调节复杂发育程序中的作用提供了见解。
用变量自动编码器作为yolo
摘要：对象检测是计算机视觉系统中的一项重要任务，包括多种应用程序，包括但不限于自动驾驶汽车导航和监视。尽管在诸如Yolo之类的对象检测模型中取得了很大的进步，但假阳性检测的问题仍然是一个令人担忧的问题，从而导致错误分类并降低这些系统的可靠性。这项研究努力提出一种创新方法，旨在通过将变量自动编码器（VAE）作为Yolo框架中的过滤机制来提高对象检测精度。这种整合旨在纠正假阳性检测的问题，最终促进了明显的检测精度增强，并增强了对象检测系统的整体可靠性。
视觉变压器带有遮盖自动编码器，用于基于大尺寸视网膜图像的引用糖尿病性视网膜病变分类
基于深度学习算法的计算机辅助诊断系统已显示出糖尿病性视网膜病快速诊断（DR）的潜在应用。由于变压器的出色表现而不是自然图像上的卷积神经网络（CNN），因此我们尝试开发一种新模型，以使用变压器使用有限数量的大型视网膜图像来对引用的DR进行分类。在本研究中应用了带有蒙版自动编码器（MAE）的视觉变压器（VIT），以提高参考DR的分类性能。我们收集了超过224×224的100,000张公共底面的视网膜图像，然后使用MAE在这些视网膜图像上进行了预训练的VIT。将预训练的VIT应用于对引用的DR进行分类，还将性能与使用ImageNet的VIT预先训练的性能进行了比较。通过使用MAE进行超过100,000个视网膜图像预先培训，模型分类性能的改善优于预先训练的Ima-Genet。本模型的精度，曲线下的面积，最高灵敏度和最高特异性分别为93.42％，0.9853、0.973和0.9539。本研究表明，MAE可以为输入图像提供更大的灵活性，并大大减少所需图像的数量。同时，这项研究中的预处理数据集量表比ImageNet小得多，并且不需要ImageNet的预训练权重。
轨迹预测的条件无气体自动编码器
摘要 - 条件变化自动编码器（CVAE）是自动驾驶轨迹预测中最广泛使用的模型之一（AD）。它将驾驶环境与其地面真理的未来之间的相互作用捕获到概率潜在空间中，并使用它来产生预测。在本文中，我们挑战了CVAE的关键组成部分。我们利用了变量自动编码器（VAE）的最新进展，即CVAE的基础，这表明采样过程的简单更改可以极大地使性能受益。我们发现，以确定性的方式从任何学习分布中绘制样本的无味抽样自然可以更适合轨迹预测，而不是潜在的随机随机抽样。我们走得更远，并提供了其他改进，包括更结构化的高斯混合物潜在空间，以及一种新颖的，可能更有表现力的方法来推断CVAE。我们通过在相互作用的预测数据集上评估模型的广泛适用性，超过了最新的状态，以及在Celeba数据集上的图像建模任务，优于基线Vanilla cvae。代码可在以下网址获得：https：//github.com/boschresearch/cuae-prediction。
VLS“新太空”编码器——适用于现代商业航天工业的坚固、高性能技术
• 高性能：VLS 编码器提供高分辨率数字或模拟输出，角度分辨率高达 21 位，精度高达 ±0.001°。• 轻巧紧凑• 坚固：VLS 电容式编码器是空心浮轴设备，没有轴承或其他接触件。它们符合 MIL-STD-810F 的振动规范，并经过了 10 毫秒内高达 100g 的冲击载荷测试。• 适合太空使用：可承受轨道辐射条件以及高 EMI、RFI 和磁场• 对温度不敏感：能够承受极端的热波动• 真空兼容：特殊涂层可将排气量降至最低，达到 10ˉ⁵ 托的真空度• 经济：由于 VLS 编码器是经过改进的 COTS 设备，因此它们的成本比传统的专用太空级编码器要合理得多。大多数系统需要多个编码器，因此这种成本差异是一个很大的优势。 • 可用：VLS 编码器基于改进的 COTS 设计，因此我们可以大批量、快速地提供它们。
实时H2O2监视的快速遗传编码传感器的结构引导的工程
A-B结构引导的OROS传感器设计假设。 大肠杆菌的调节结构域（RD）还原和氧化形式的晶体结构。 胱氨酸形金对以黄色标记。 红色指示超级传感器的荧光蛋白插入环，蓝色指示新近鉴定的OROS传感器的荧光蛋白插入位点。 b的氧化氧结构的B因子和残基到残留的距离图，用于放大的假定区域，并在氧化和还原形式的Ecoxyr之间具有高构象变化。 红色和绿色框分别表示HyperRed和Oros-G的插入位点。 针对OROS-G提出的插入位点在C199和C208之间的循环之外（灰色线）。 以最大化循环的灵活性。 OROG-G传感器变体的 C-E筛选。 在HEK293细胞上表达并筛选所有传感器变体（每个条件/变体n> 100个单元）。 c荧光变化（∆F/fo）响应细胞外H 2 O 2（300µm）刺激对CPGFP插入到新鉴定的OROS插入区域的变体上。 插入211-212，确定了具有特殊响应动力学范围的变体。 d插入211-212的最大荧光变化（∆F/fo），并响应高（300µm）和低（10µm）细胞外H 2 O 2。 e位定向诱变变体的最大荧光变化（∆F/fo）预测可减少CPGFP的水获取。 除非另有说明，否则从3个生物学重复中收集利益。A-B结构引导的OROS传感器设计假设。大肠杆菌的调节结构域（RD）还原和氧化形式的晶体结构。胱氨酸形金对以黄色标记。红色指示超级传感器的荧光蛋白插入环，蓝色指示新近鉴定的OROS传感器的荧光蛋白插入位点。b的氧化氧结构的B因子和残基到残留的距离图，用于放大的假定区域，并在氧化和还原形式的Ecoxyr之间具有高构象变化。红色和绿色框分别表示HyperRed和Oros-G的插入位点。针对OROS-G提出的插入位点在C199和C208之间的循环之外（灰色线）。以最大化循环的灵活性。OROG-G传感器变体的 C-E筛选。 在HEK293细胞上表达并筛选所有传感器变体（每个条件/变体n> 100个单元）。 c荧光变化（∆F/fo）响应细胞外H 2 O 2（300µm）刺激对CPGFP插入到新鉴定的OROS插入区域的变体上。 插入211-212，确定了具有特殊响应动力学范围的变体。 d插入211-212的最大荧光变化（∆F/fo），并响应高（300µm）和低（10µm）细胞外H 2 O 2。 e位定向诱变变体的最大荧光变化（∆F/fo）预测可减少CPGFP的水获取。 除非另有说明，否则从3个生物学重复中收集利益。C-E筛选。在HEK293细胞上表达并筛选所有传感器变体（每个条件/变体n> 100个单元）。c荧光变化（∆F/fo）响应细胞外H 2 O 2（300µm）刺激对CPGFP插入到新鉴定的OROS插入区域的变体上。插入211-212，确定了具有特殊响应动力学范围的变体。d插入211-212的最大荧光变化（∆F/fo），并响应高（300µm）和低（10µm）细胞外H 2 O 2。e位定向诱变变体的最大荧光变化（∆F/fo）预测可减少CPGFP的水获取。利益。插入211-212变体的突变E215Y导致了工程OROS-G。描述性统计：误差线和频段代表使用Seaborn（0.11.2）统计绘图套件的中心值趋势的自举置信区间（95％）。
对比掩蔽自编码器是更强大的视觉学习者
摘要 — 蒙蔽图像建模 (MIM) 在各种视觉任务上都取得了令人鼓舞的结果。然而，学习到的表征的有限辨别能力表明，在构建更强大的视觉学习器方面仍有许多工作要做。为了实现这一目标，我们提出了对比蒙蔽自编码器 (CMAE)，这是一种新的自监督预训练方法，用于学习更全面、更强大的视觉表征。通过新颖的设计精心统一对比学习 (CL) 和蒙蔽图像模型 (MIM)，CMAE 利用它们各自的优势，学习具有强大实例辨别能力和局部可感知能力的表征。具体而言，CMAE 由两个分支组成，其中在线分支是非对称编解码器，动量分支是动量更新编码器。在训练期间，在线编码器从蒙蔽图像的潜在表示重建原始图像以学习整体特征。动量编码器以完整图像为输入，通过与在线编码器进行对比学习来增强特征辨别能力。为了使 CL 与 MIM 兼容，CMAE 引入了两个新组件：用于生成可信正视图的像素移位和用于补充对比对特征的特征解码器。得益于这些新颖的设计，CMAE 相比 MIM 有效地提升了表征质量和迁移性能。CMAE 在图像分类、语义分割和目标检测等竞争激烈的基准测试中取得了最佳性能。值得注意的是，CMAE-Base 在 ImageNet 上实现了 85.3% 的 top-1 准确率，在 ADE20k 上实现了 52.5% 的 mIoU，分别比之前的最好成绩提高了 0.7% 和 1.8%。源代码可在 https://github.com/ZhichengHuang/CMAE 公开访问。
一个可扩展3D对象生成和重建的变量自动编码器级联级联对敌方网络
摘要：用于3D体积生成和重建的生成对抗网络（GAN），例如形状产生，可视化，自动化设计，实时仿真和研究范围，在各个领域都受到了更多的关注。但是，诸如有限的培训数据，高计算成本和模式崩溃问题之类的挑战持续存在。我们建议将变异自动编码器（VAE）和gan结合起来，以发现增强的3D结构，并引入一种稳定且可扩展的渐进式增长方法，以生成和重建基于体素的基于体素的3D形状。级联结构的网络涉及生成器和鉴别器，从小型体素大小开始，并逐步添加图层，同时在每个新添加的层中使用地面标签监督歧视器，以建模更广阔的体素空间。我们的方法提高了收敛速度，并通过稳定的增长来提高生成的3D模型的质量，从而促进了复杂的体素级详细信息的准确表示。通过与现有方法的比较实验，我们证明了方法在评估体素质量，变化和多样性方面的有效性。生成的模型在3D评估指标和视觉质量中表现出提高的准确性，使它们在包括虚拟现实，元评估和游戏在内的各个领域都很有价值。
vit-ae ++：改进自我视觉变压器自动编码器...
自我监督的学习吸引了越来越多的关注，因为它在没有注释的情况下从数据中学习了数据驱动的代表。基于视觉变压器的自动编码器（VIT-AE）（He等人，2021）是一种最近的自我监督的学习技术，它采用补丁掩盖策略来学习有意义的潜在空间。在本文中，我们专注于改善VIT-AE（绰号为VIT-AE ++），以更有效地表示2D和3D医疗信息。我们提出了两个新的损失功能，以增强训练阶段的表示。第一个损失术语旨在通过考虑建立依赖性并间接改善表示形式来改善自我重建。第二损失项的利用对比损失，以直接从两个随机掩盖的视图中优化表示形式。作为独立的贡献，我们将Vit-ae ++扩展到3D fash-im，以进行体积医学图像。我们在自然图像和医学图像上广泛评估VIT-AE ++，这表明对香草Vit-Ae的持续改善及其优于其他对比学习方法。我们的代码可在https://github.com/chinmay5/vit_ae_plus_plus.git关键字：表示;自学学习；蒙版视觉变压器
不同的人类干细胞亚群驱动肌肉骨骼损伤的脂肪生成和纤维化
。cc-by-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他已授予Biorxiv的许可证，以永久显示预印本。这是该版本的版权持有人，该版本发布于2024年1月5日。 https://doi.org/10.1101/2024.01.05.574427 doi：Biorxiv Preprint