XiaoMi-AI文件搜索系统
World File Search Systemexplain
广泛的突变靶点解释了快速的表型进化速度
摘要 生物体某一分支中某一性状的快速进化可以用自然选择的持续作用或高突变方差（即在自发突变下发生变化的倾向）来解释。高突变方差的原因仍然难以捉摸。在某些情况下，快速进化取决于一个或几个具有短串联重复序列的基因座的高突变率。在这里，我们报告了隐杆线虫外阴前体细胞中进化最快的细胞命运，即 P3.p。我们识别并验证了 P3.p 高突变方差的因果突变。我们发现这些位置不表现出任何高突变率的特征，分散在整个基因组中，相应的基因属于不同的生物途径。我们的数据表明，广泛的突变靶标大小是高突变方差和相应的快速表型进化率的原因。
社区水平的植物功能策略解释了热带海拔梯度的生态系统碳存储
。cc-by-nc 4.0国际许可（未获得同行评审证明），他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。它是此预印本版本的版权持有人，该版本发布于2025年2月8日。 https://doi.org/10.1101/2025.02.08.637226 doi：biorxiv preprint
使用集成知识图谱嵌入对 COVID-19 进行分子评估和可解释的药物再利用
由于目前尚无具有临床疗效的药物，因此寻找针对 COVID-19 的有效药物仍然迫在眉睫。近年来，寻找已获批准或正在研究的药物的新用途（即药物再利用）变得越来越流行。我们在此提出了一种基于知识图谱 (KG) 嵌入的 COVID-19 药物再利用新方法。我们的方法在以 COVID-19 为中心的 KG 中学习实体和关系的“集成嵌入”，以便获得图元素的更好的潜在表示。随后，集成 KG 嵌入用于训练深度神经网络以发现 COVID-19 的潜在药物。与相关研究相比，我们在排名靠前的预测中检索到了更多试验中药物，从而对试验外药物的预测更有信心。据我们所知，这是第一次使用分子对接来评估使用 KG 嵌入进行药物再利用获得的预测。我们表明福辛普利是 SARS-CoV-2 nsp13 靶标的潜在配体。我们还通过从 KG 中提取的规则以及 KG 衍生的解释路径来解释我们的预测。分子评估和解释路径为我们的结果带来了可靠性，并构成了评估基于 KG 的药物再利用的新的互补且可重复使用的方法。
如何解释DNA双链断裂的敏感性屈服至125i位置？
hal是一个多学科的开放访问档案，用于存款和传播科学研究文件，无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
使用限制光谱成像检测临床意义前列腺癌
保留所有权利。未经许可就不允许重复使用。永久性。预印本（未经同行评审证明）是作者/资助者，他已授予Medrxiv的许可证，以在2025年2月6日发布的此版本中在版权所有者中显示预印本。 https://doi.org/10.1101/2025.02.03.25321592 doi：medrxiv preprint
在CMIP6模型的不同SSP方案下，印度的热浪及其未来预测
摘要。我们提出了可解释的深度学习技术，用于重建南亚palaeomonsoon雨 - 在过去的500年中，降落了，利用了南部和东亚的长期仪器降水记录和长期的乐器降水记录和古环境数据集以建立两种类型的模型：密集的Neu-neu-neu-ral网络（“区域模型”）和卷积神经网络（“区域模型”和Neural neveral newursal nevental alsal neveral alsal and anns（Cnns）。该区域模型是在七个区域降雨数据集上进行的，虽然它们具有衰落的阶级变异性和显着的干旱，但它们低估了年际变化。CNN旨在说明预测因子和目标中的空间关系，在重建降雨表和产生强大的时空重建方面表现出更高的技能。19世纪和20世纪的特征是季风的年间变异性明显，但较早的时期的特征是衰老到百年纪念的振荡。多年代干旱发生在17世纪中叶和19世纪中期，而18世纪的大部分时间（尤其是本世纪初）的特征是季风降水高于平均水平。极端的干旱往往集中在印度南部和西部，并且经常与记录的饥荒共同进行。大型体积喷发后的几年通常以明显弱的季风标记，但与ElNiño-Southern振荡（ENSO）的关系的符号和强度在百年纪念时间尺度上有所不同。通过应用解释性技术，我们表明模型同时利用了局部氢气候和天气尺度的动力学关系。我们对印度夏季季风的历史变化的发现，并强调了古气候重建中深度学习技术的潜力。
大型语言模型如何解释用户所感知的业务流程？ ⋆
大型语言模型（LLM）接受了大量文本培训，以解释和生成类似人类的文本内容。他们正在成为实现自动企业愿景的重要工具，如今组织积极采用LLM来自动化其运营的许多方面。llms可能在未来的A-AVEN-AFMENT ADMENT业务流程管理系统（ABPMS）餐饮功能中发挥着重要作用。这样一个系统的功能是情况感知的解释性（SAX），它与生成因果关系且人性化解释的解释有关，这些解释考虑了发生的过程上下文。在本文中，我们介绍了为生成SAX解释而开发的SAX4BPM框架。SAX4BPM套件由一组服务和一个中央知识存储库组成。这些服务的功能是引起萨克斯解释的各种知识成分。这些成分之间的关键创新组件是因果关系执行视图。在这项工作中，我们将框架与LLM集成在一起，以利用其功能来合成各种输入成分，以改善SAX的解释。由于将LLM用于SAX，还伴随着一定程度的疑问，与其充分实现SAX的能力以及其幻觉的趋势以及缺乏固有的推理能力有关，我们对生成解释的感知质量进行方法论评估。为了实现这一目标，我们开发了指定的量表并进行了严格的用户研究。我们的发现表明，呈现给LLMS的输入有助于其性能的后卫，从而产生了萨克斯的解释，具有更好的忠诚度。对信任和好奇心的感知来调节这种改进。更重要的是，这种改进是以解释的可解释性为代价。
深度学习和可解释的土豆叶疾病分类的AI
马铃薯叶疾病的准确分类在确保作物的健康和生产力方面起着关键作用。本研究通过利用可解释的AI（XAI）和在深度学习框架内转移学习的力量来解决这一挑战的统一方法。在这项研究中，我们提出了一种基于转移学习的深度学习模型，该模型是针对马铃薯叶疾病分类而定制的。转移学习使该模型能够受益于经过训练的神经网络架构和权重，从而增强了其从有限标记的数据中学习有意义表示的能力。此外，将可解释的AI技术集成到模型中，以提供对其决策过程的可解释见解，从而有助于其透明度和可用性。我们使用公开可用的马铃薯叶病数据集训练该模型。获得的验证精度为97％，测试精度为98％。本研究应用梯度加权类激活映射（Grad-CAM）来增强模型的解释性。这种可解释性对于提高预测绩效，促进信任和确保无缝融合到农业实践至关重要。
环境与能源行政命令：初步见解和我们所关注的内容 作者：Carrie Jenks 和 Sara Dewey 2025 年 1 月 在本解释中，我们
环境和能源行政命令：初步见解和我们正在关注的内容 作者：Carrie Jenks 和 Sara Dewey 2025 年 1 月 在本解释中，我们提供了对特朗普政府环境和能源行政命令的初步见解。 这些命令指示的大多数行动不会立即产生效果，而是指示联邦机构采取措施实施它们。 在执行总统的指示时，机构必须遵守《行政程序法》和其他适用法律。 特朗普政府涉及公务员制度和监管程序的其他行政命令和最近采取的行动可能会对环境法产生重大影响。 我们将在未来的分析中讨论这些命令和行动。 2025 年 1 月 20 日，特朗普总统签署了一系列行政命令（EO 或命令），其中包括几项与环境和能源有关的命令。 直接针对环境和能源政策的五项 EO 明确表明，正如预期的那样，政府专注于促进国内化石能源生产并撤销政府认为与该目标不一致的法规，包括气候规则。