XiaoMi-AI文件搜索系统
World File Search Systemfolding
自动识别特定局部皮质折叠模式
对局部皮质折叠模式的研究表明，其与精神疾病以及认知功能存在关联。尽管目前已有可视化 3D 皮质折叠的工具，但手动分类局部脑沟模式仍然是一项耗时且繁琐的任务。事实上，折叠的 3D 可视化有助于专家识别不同的脑沟模式，但折叠变异性非常高，以至于区分这些模式有时需要定义复杂的标准，这使得手动分类变得困难且不可靠。但是，评估这些模式对皮质功能组织的影响可能会受益于对大型数据库的研究，尤其是在研究罕见模式时。本文提出了几种自动分类折叠模式的算法，以便扩展和确认此类大型数据库上的形态学研究。提出了三种方法，第一种方法基于支持向量机 (SVM) 分类器，第二种方法基于非局部图像块估计器评分 (SNIPE) 方法，第三种方法基于 3D 卷积神经网络 (CNN)。这些方法足够通用，适用于各种折叠模式。它们在两种目前没有自动识别方法的模式上进行了测试：前扣带皮层 (ACC) 模式和电源按钮标志 (PBS)。这两种 ACC 模式几乎同样存在，而 PBS 在一般人群中是一种特别罕见的模式。提出的三种模型在 ACC 模式分类中实现了大约 80% 的平衡准确率，在 PBS 分类中实现了大约 60% 的平衡准确率。基于 CNN 的模型由于其执行速度快，更适合 ACC 模式分类。然而，基于 SVM 和 SNIPE 的模型在管理 PBS 识别等不平衡问题方面更有效。
建模蛋白质折叠机可以如何工作
蛋白质在体内稳健且可重复地折叠，但许多人不能在体外与细胞成分分离折叠。在体外或体内，蛋白质本地构象的途径仍然很大未知。硅质中概括蛋白质折叠途径的缓慢进展可能表明我们对折叠的理解在自然界中的理解中的基本缺陷。在这里，我们认为活细胞中的蛋白质折叠可能仅由Gibbs自由能的减少驱动，并提出应将蛋白质折叠在体内建模为活性能量依赖性过程。这种蛋白质折叠机的作用机理可能包括直接操纵肽主链。为了显示蛋白质折叠机的可行性，我们进行了分子动力学模拟，通过使用机械力来旋转C-末端氨基酸，同时限制了N末端氨基酸运动，从而增强了分子动力学模拟。值得注意的是，将这种简单的肽骨架对标准分子动力学模拟的简单操纵的引入确实促进了五种不同α-螺旋肽的天然结构的形成。这种效果可能在体内的共同翻译蛋白折叠期间起作用：考虑到核糖体的肽基转移酶中心tRNA 3'-end的旋转运动，这种运动可能会引入新的肽，并以类似于我们的模拟方式以类似的方式影响肽的折叠路径。
通过介观模拟阐明的DNA折纸折叠的机制
许多实验和计算工作试图了解DNA折叠的折叠，但是此过程的时间和长度尺寸构成了显着的挑战。在这里，我们提出了一种使用可切换力场的介观模型来捕获单链和双链DNA基序的行为以及它们之间的过渡，从而使我们能够模拟DNA折纸的折叠，最多可达几个千千目标。对小结构的布朗动力学模拟揭示了一个层次折叠过程，涉及将其拉入的折叠前体，然后结晶成最终结构。我们阐明了各种设计选择对折叠顺序和动力学的影响。较大的结构显示出异质的主食掺入动力学，并且在亚稳态状态中频繁捕获，而不是表现出第一阶动力学和实际上无缺陷的折叠的更容易接近的结构。该模型开辟了一条途径，以更好地理解和设计DNA纳米结构，以提高产量和折叠性能。
通过缩小通道的确定性滚动和折叠膜
平坦的膜无处不在地变成自然界和人造世界中神秘的复杂形状。在复杂性背后，已连续发现清晰的确定性变形模式是基本应用规则，但仍未实现。在这里，我们破译了薄膜的两种元素变形模式，随着通过缩小的通道的流动滚动和折叠。我们验证这两种模式将厚度范围从微米到原子量表的宽度范围的膜变形。它们的出现和确定性折叠数与föppl -vonKármán数量和收缩比定量相关。揭露的确定性变形模式可以指导二维纸的可折叠设计器微型机器人和精致的结构，并提供了生物形态遗传决定论之外的另一种机械原理。
了解蛋白质折叠和错误折叠：对疾病和治疗剂的影响。
蛋白质错误折叠发生，通常是由于遗传突变，环境因素或合成过程中的误差所致。错误折叠的蛋白质可以汇总成不溶性原纤维或斑块，这些蛋白与各种神经退行性疾病有关。这些聚集体破坏了细胞功能，并有助于疾病病理。例如，阿尔茨海默氏病中的淀粉样蛋白斑块和帕金森氏病中的α-核蛋白聚集体是误折叠相关病理学的经典例子[4]。
优化皮质折叠模式检测的对比度学习
人体大脑皮层具有许多颠簸和凹槽，称为Gyri和Sulci。即使主要的皮质褶皱具有高个性的一致性，当我们检查折叠模式的确切形状和细节时，情况并非如此。由于这种复杂性，表征了皮质折叠的变异性并将其与受试者的行为特征或病理相关联仍然是一个开放的科学问题。经典方法包括基于几何距离手动或半自动的几种特定模式，但是最近数以千计的受试者的MRI图像数据集可用于现代深度学习技术，使现代深度学习技术变得特别有吸引力。在这里，我们构建了一个自制的深度学习模型，以检测扣带回区域的折叠模式。我们在人类Connectome项目（1101个受试者）和UKBiobank（21070受试者）数据集上培训了一个对比对比的自我监管模型（SIMCLR），并具有基于拓扑的骨骼骨骼上的增强，这些数据集对拓扑对象进行了基于拓扑的增强，它们是捕获折叠形状的拓扑对象。我们为SIMCLR探索了几个骨干架构（卷积网络，densenet和Pointnet）。进行评估和测试，我们在手动标记的数据库上执行线性分类任务，该任务在扣带回区域中存在“双重并行”折叠模式，这与精神分裂症特征有关。最佳模型，测试AUC为0.76，是一个卷积网络，具有6层，一个10维潜在空间，线性投影头以及使用分支分支的增强。这是第一次将自制的深度学习模型应用于如此大的数据集上的皮质骨骼并进行了定量评估。我们现在可以设想下一步：将其应用于其他大脑区域以检测其他生物标志物。GITHUB存储库可在https://github.com/neurospin-projects/2022 JCHAVAS CATINGULATE抑制控制上公开获得。
学习有效的面料折叠而没有专家演示
抽象的自主织物操纵是一项艰巨的任务，这是由于复杂的动态和织物处理过程中的潜在自我封锁。首先，一种直观的织物折叠操作方法涉及在折叠过程开始之前获得光滑而展开的织物配置。然而，诸如拾音器和地点之类的准静态动作与动态动作（如流动）的结合证明在有效地展开长袖T恤上，袖子大多在服装内部塞满了袖子。为了解决此限制，本文介绍了一种称为Pick＆Drag的增强的准静态动作，该动作专门设计用于处理这种类型的织物配置。此外，本文设计了一个有效的双臂操纵系统，该系统结合了准静态（包括拾取和位置和拾取和拖动）和动态动作，以使织物脱颖而出地将织物操纵为未折叠和平滑的构造。随后，一旦确定织物可以很好地展开并检测到所有织物关键点，则使用基于密钥的启发式折叠算法用于织物折叠过程。为了解决真实织物的公开可用关键点检测数据集的稀缺性，我们收集了各种织物配置和类型的图像，以创建用于织物折叠的综合关键点数据集。此数据集旨在提高按键点检测的成功率。此外，我们在现实世界中评估了我们提出的系统的效果，在现实世界中，它始终可靠地展开并折叠了各种类型的织物，包括具有挑战性的情境，例如长期扎根的T恤，包括大部分袖子都在衣服内部藏起来。特别是，我们的方法达到的覆盖率为0.822，长袖T恤折叠的成功率为0.88。补充材料和数据集可在我们的项目网页上找到，网址为https://sites.google.com/view/fabricfolding。
从游戏到前沿生物学：人工智能与蛋白质折叠问题
理论上，氨基酸链可以折叠成大量的三级结构：对于含有 100 个氨基酸的蛋白质，估计有 10 300 个（即 10 后面跟着 299 个零！）可能的结构。自然界中，蛋白质通常折叠成最稳定的结构。这种最小能量结构可以计算出来，但是，比较所有可能的结构需要大量的计算能力。解决“折叠问题”的努力包括分布式计算项目 Folding@home [6]，它通过借用志愿者的计算能力，已成为世界上最快的计算系统之一。您可以通过将计算机、智能手机或 PlayStation3 上未使用的 CPU 贡献给蛋白质折叠来参与并帮助科学家！
脑脊液压力对脑折叠影响的数值研究
在过去的几十年中，层状材料的屈曲不稳定性一直是分析、实验和数值研究的主题。这些系统传统上被认为是无应力表面，而表面压力的影响研究不足。在这项研究中，我们开发了一个双层压缩的有限元模型，发现它在表面压力下的表现不同。我们研究了双层系统在两种压缩模式（外部施加和内部生长产生的）下的屈曲开始、初始波长和后屈曲行为。在各种刚度比（1 < μ f / μ s < 100）中，我们观察到在存在表面压力的情况下稳定性会降低，尤其是在低刚度对比度状态（μ f / μ s < 10）下。我们的结果表明压力边界条件对于双层系统稳定性分析的重要性，尤其是在软物质和生物物质物理学中，例如在脑脊液压力下大脑皮层的折叠，其中压力可能会影响形态发生和屈曲模式。[DOI：10.1115 / 1.4057020]
脑脊液压力对脑折叠影响的数值研究
在过去的几十年中，层状材料的屈曲不稳定性一直是分析、实验和数值研究的主题。这些系统传统上被认为是无应力表面，而表面压力的影响研究不足。在这项研究中，我们开发了一个双层压缩的有限元模型，发现它在表面压力下的表现不同。我们研究了双层系统在两种压缩模式（外部施加和内部生长产生的）下的屈曲开始、初始波长和后屈曲行为。在各种刚度比（1 < μ f / μ s < 100）中，我们观察到在存在表面压力的情况下稳定性会降低，尤其是在低刚度对比度状态（μ f / μ s < 10）下。我们的结果表明压力边界条件对于双层系统稳定性分析的重要性，尤其是在软物质和生物物质物理学中，例如在脑脊液压力下大脑皮层的折叠，其中压力可能会影响形态发生和屈曲模式。[DOI：10.1115 / 1.4057020]