XiaoMi-AI文件搜索系统
World File Search Systemlear
使用机器学习和多参数 MR/PET 区分人类胶质瘤中的 IDH 状态
方法：回顾性纳入了 62 名接受 FDOPA PET 和 MRI 检查的未接受治疗的胶质瘤患者。对比增强 T1 加权图像、T2 加权图像、液体衰减反转恢复图像、表观扩散系数图和相对脑血容量图以及 FDOPA PET 图像用于体素特征提取。使用无监督两级聚类方法，包括自组织映射和 K 均值算法，并将每个类标签应用于原始图像。将肿瘤区域内每个类的标签对数比应用于支持向量机以区分 IDH 突变状态。计算受试者工作特征曲线的曲线下面积 (AUC)、准确度和 F1-socore，并将其用作性能指标。
免疫接种、筛查和健康检查指南
计划要求接种三剂疫苗。您将在第一次预约时接种第一剂，一个月后接种第二剂，六个月后接种第三剂。根据实习日期，有些学生可能需要在第 0 天、第 7 天和第 21 天加快接种计划。第三次接种疫苗后至少四周，您需要进行血液检查，以确保您对疫苗接种有反应。在某些情况下，由于免疫水平不够，需要加强接种。有些人对疫苗接种没有反应，因此不会产生免疫力。识别这些人很重要，这样我们才能建议您在接触患者体液时该怎么做。暴露后治疗是可行的，可以帮助预防感染。
PolypharmDB 是一种基于深度学习的资源，可快速识别 COVID-19 的再利用候选药物
迫切需要发现治疗 COVID-19（由 SARS-CoV-2 病毒引起的流行病）的方法。考虑到发现、开发和临床测试的时间表，从库筛选开始的标准小分子药物发现工作流程是不切实际的。为了加快患者测试的时间，我们在此探索了在临床环境中经过一定程度测试的小分子药物（包括已批准的药物）作为 COVID-19 的可能治疗干预措施的治疗潜力。我们这个过程的动机是一个称为多药理学的概念，即可能具有治疗潜力的脱靶相互作用。在这项工作中，我们使用了深度学习药物设计平台 Ligand Design 来查询获得联邦批准或正在进行临床试验的内部小分子药物集合的多药理学概况，目的是识别预计会调节与 COVID-19 治疗相关的靶标的分子。我们努力的成果是 PolypharmDB，这是一种药物资源，以及它们在人类蛋白质组中预测的蛋白质靶标结合。挖掘 PolypharmDB 产生了预测与 COVID-19 的人类和病毒药物靶标相互作用的分子，包括与病毒进入和增殖相关的宿主蛋白以及与病毒生命周期相关的关键病毒蛋白。此外，我们收集了针对两个特定宿主靶标 TMPRSS2 和组织蛋白酶 B 的优先批准药物集合，最近显示它们的联合抑制可以阻止 SARS-CoV-2 病毒进入宿主细胞。总体而言，我们证明了我们的方法有助于快速响应，确定了 30 种优先候选药物，用于测试它们可能用作抗 COVID 药物。使用 PolypharmDB 资源，可以在一个工作日内为新发现的靶标确定重新利用的候选药物。我们正在免费向合作伙伴提供我们确定的分子的完整列表，以便合作伙伴能够对它们的功效进行体外和/或临床测试。关键词：SARS-CoV-2 病毒、COVID-19、冠状病毒、TMPRSS2、组织蛋白酶 B、宿主-靶标、多药理学、脱靶相互作用 缩写：SARS-CoV-2：严重急性呼吸综合征相关冠状病毒 COVID-19：冠状病毒病-2019 3CLpro：木瓜蛋白酶样蛋白酶 PLpro：主要蛋白酶 RdRp：非结构蛋白 ACE2：血管紧张素转换酶 2 TMPRSS2：跨膜蛋白酶丝氨酸 2
SNAP（空间核辅助动力）反应堆概述
当政府图纸、规格或其他数据用于与政府明确相关的采购无关的任何目的时，美国政府不承担任何责任或义务。政府可能已经制定或以任何方式提供上述图纸、规格或其他数据，但不应被视为
SEN 向众议院核能特别委员会提交的文件 Nov_2024_final.docx
1. 家庭屋顶太阳能是日间能源结构的决定性特征——屋顶太阳能持续增长，现在从设计角度来看，它占据了能源结构的主导地位，以至于任何补充发电都需要灵活地在白天太阳能输出高时减少，在晚上和夜间太阳能输出为零时增加。基载需求的概念以及“基载电力”（我们的网站上有对基载电力的很好解释）不再适用。大规模发电需要响应运营需求，即屋顶太阳能贡献的需求净值。核电站需要以接近稳定的输出和高容量系数运行，以优化其平准化能源成本。因此，核电无法满足与可再生能源主导的电网合作的技术和商业灵活性标准。
直接金属沉积中基于神经网络的过程模型的迁移学习
增材制造工艺在工业领域越来越重要。特别是直接金属沉积 (DMD) 是一种很有前途的制造技术，因为它可以实现广泛的应用，例如从头开始制造零件、在传统加工的原始零件上添加材料，甚至高效修复高价值零件 [1]。除了许多优点外，该工艺的可控性仍然很困难，导致内部缺陷、几何偏差或微观结构不均匀。相变、粉末-气体动力学和参数不确定性等多种物理现象会影响工艺行为并使工艺处理复杂化。因此，需要进行大量的实验活动来确定具有可接受几何和材料性能的工艺参数
视觉皮层的功能专业化是从训练平行途径中出现的
哺乳动物的视觉系统由平行的分层专业途径组成。不同的途径在使用更适合支持特定下游行为的表示形式方面是专门的。在特定的情况下，最清楚的例子是视觉皮层的腹侧（“ What what”）和背（“ Where”）途径的专业化。这两种途径分别支持与视觉识别和运动有关的行为。至今，深度神经网络主要用作腹侧识别途径的模型。但是，尚不清楚是否可以使用单个深ANN对两种途径进行建模。在这里，我们询问具有单个损失函数的单个模型是否可以捕获腹侧和背途径的特性。我们使用与其他哺乳动物一样的小鼠的数据探讨了这个问题，这些途径似乎支持识别和运动行为。我们表明，当我们使用自我监督的预测损失函数训练深层神经网络体系结构时，我们可以在拟合鼠标视觉皮层的其他模型中胜过其他模型。此外，我们可以对背侧和腹侧通路进行建模。这些结果表明，应用于平行途径体系结构的自我监督的预测学习方法可以解释哺乳动物视觉系统中看到的一些功能专业。
用于水库计算的多个读数的集成学习
储存器计算 (RC) [1, 2] 是一种循环神经网络，近年来因其训练成本低、可通过专用电路 [3, 4] 和物理 RC [5, 6] 在硬件上实现而备受关注。RC 由储存器部分和读出部分组成，储存器部分接收时间序列输入并将其非线性转换为高维空间以表示输入的时空模式，读出部分从储存器部分拾取一些模式来分析输入并生成输出。RC 的主要优势是除读出部分之外的权重连接都是固定的。因此，与深度神经网络相比，其训练所需的数据量更少，计算成本更低。因此，RC 适用于计算资源有限且无需云计算即可执行训练的边缘 AI 系统。 RC 的读出大多由线性模型（单层感知器）实现，因此，读出的适应训练数据的能力有限。为了增强 RC 的训练能力，我们提出了一个具有多个读出的 RC 模型，该模型将一个读出的训练分散，以便每个读出可以专注于特定类型的训练数据。该方法可以看作是一种集成学习，用于增强 RC 泛化性能。简单地增加读出的数量对于边缘 AI 系统来说是低效的，因为它会消耗系统中有限的内存资源。本研究引入了一种自组织函数，它能够使用
解释基于深度学习的静息状态功能连接数据表示：重点解释自闭症中的非线性模式
背景：静息态功能性磁共振成像 fMRI (rs- fMRI) 已广泛用于研究精神疾病的大脑功能，从而深入了解大脑组织。然而，rs-fMRI 数据的高维性给数据分析带来了重大挑战。变分自动编码器 (VAE) 是一种神经网络，在提取静息态功能连接 (rsFC) 模式的低维潜在表示方面发挥了重要作用，从而解决了 rs-fMRI 数据的复杂非线性结构。尽管取得了这些进展，但解释这些潜在表示仍然是一个挑战。本文旨在通过开发可解释的 VAE 模型并使用 rs-fMRI 数据在自闭症谱系障碍 (ASD) 中测试其效用来解决这一差距。