XiaoMi-AI文件搜索系统
World File Search Systemmodels
耦合水文和微气候模型，以模拟城市绿色区域的蒸散量和区域规模的空气温度
TimothéRobineau，Auline Rodler，Benjamin Morille，David Ramier，JérémieSage等。与水文和小气候模型耦合，以模拟从城市绿色区域和空气温度的蒸散量。城市气候，2022，44，pp.101179。10.1016/j.uclim.2022.101179。hal-04524035
基于标准化流量的上下文运动模型
抽象运动模型可以随着时间的推移预测玩家（或对象）的位置，因此对于分析时空数据是至关重要的，因为它经常在运动分析中使用。现有运动模型要么是根据物理原理设计的，要么完全由数据驱动。然而，前者遭受过多的简化，无法实现可行和可解释的模型，而从当前的角度来看，后者依赖于计算上的昂贵，非参数密度估计并需要多个估计器，每个估计值都负责不同类型的运动（例如，例如不同的速度）。在本文中，我们提出了一个基于归一化流量的统一上下文概率运动模型。我们的方法通过直接优化可能性来了解所需的密度，并仅维护一个可以在辅助变量上进行条件的单个模型。对所有观察到的运动类型同时进行训练，从而导致有效而有效的运动模型。我们对专业足球的时空数据进行经验评估我们的方法。我们的发现表明，我们的方法的表现超过了最高的状态，而相对于汇编时间和内存要求，数量级的效率更高。
宏观金融模型的机器学习投影方法
绑定，设置b n t + 1 = m n，并找到消费和休闲的相关值。在一个多键模型中，这是具有挑战性的，因为在设置b n t + 1 =`m n之后，需要检查其他约束是否不在重新计算的解决方案中绑定，如果它们这样做，则执行并重新计算解决方案，然后再重新计算解决方案。要克服这一挑战，我们将Lagrange乘数与以下函数相结合：如果B I t + 1 m i，其中φ控制约束的相对重要性。在我们的实习中，我们设置φ=90。我们还发现，包括这些乘数在培训集中
钓鱼捕获：评估具有进化和机器学习的基因模型
。cc-by-nc-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，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。它是制作
深层生成模型用于功能蛋白的分析和工程
蛋白质是通过各种功能，从结构支持到催化生化反应的不同功能来维持生命的重要生物分子。它们的催化效率使它们对于工业应用来说是无价的，在这些应用中，它们通常需要优化才能在特定条件下运行。虽然实验和计算方法在蛋白质工程方面取得了进展，但由于蛋白质结构和功能的复杂性，不存在通用方法。机器学习的最新进展通过利用大量蛋白质序列数据提供了新的可能性。然而，仍然存在关键挑战，包括描述酶活性和热稳定性等基本特性的高质量标签的有限可用性和不均匀分布。解决这些问题对于开发能够精确特征选择的模型至关重要。我的工作重点介绍了蛋白质工程的两个关键步骤：多样化和选择。为了改善选择，使用转移学习，数据增强和蛋白质语言模型（PLM）开发了深度学习模型，以预测物理和功能特性，例如熔化温度，酶温，蛋白质丰度和体外活性。这些模型不仅可以实现精确的性状选择，而且还提供了有关序列，热适应性和构象稳定性之间关系的见解。为了多样化，创建了一个深层生成模型，以捕获自然序列多样性并扩展其以生成跨蛋白质家族的新型变体库。这种方法优先考虑功能序列，并允许具有增强特性的蛋白质的靶向工程。超越了一般序列的生成，开发了一个框架来创建针对特定性状优化的变体池，例如增加的热稳定性。通过整合这些进步，我们从各种野生型序列中设计了功能性蛋白质变体，达到熔化温度的36°C升高。这项工作突出了生成机器学习的潜力，以完善和加速蛋白质工程周期，为更高效，更可扩展的生物技术应用铺平了道路。
对于抗体序列生成建模，混合模型可能是您需要的
抽象的抗体治疗候选者不仅必须与其目标表现出紧密的结合，而且还必须表现出良好的发展性能，尤其是免疫原性的风险。在这项工作中，我们将一种简单的生成型Sam拟合到600万人重和七千万人类轻型连锁店。我们表明，由模型计算出的序列的概率与其他物种在各种基准数据集上与其他模型中的任何其他模型相同或更高的精度区分了具有相同或更高准确性的序列，比文献中的任何其他模型都超过了大型语言模型（LLMS）。SAM可以人性化序列，生成新的序列和人类的得分序列。它既快速又完全可解释。我们的结果强调了使用简单模型作为蛋白质工程任务的基准的重要性。我们还引入了一种用于编号抗体序列的新工具，该工具比文献中现有工具更快。这两个工具均可在https://github.com/wang-lab-ucsd/antpack上获得。
开发体内和体外模型的痤疮逆转
基础层的另一个关键成分是黑色素，它会产生黑色素，保护人体免受紫外线的侵害，并给皮肤和/或其附属物（头发，羽毛，鳞片）的色素沉着。在人类中，黑素细胞位于基础层的干细胞之间，它们通常小于基础干细胞，但具有广泛的细胞质树突，延伸到颗粒层。每平方英尺的皮肤有大约1500个黑素细胞，与基础层干细胞的比例为1:10。人们可能认为皮肤色素沉着与黑素密度有关，但实际上与黑素细胞活性有关4,5。黑色素细胞的主要作用是黑色素或黑色素发生的产生，黑色素生成是eumelanin是人类中最丰富成员的色素蛋白家族。黑色素发生发生在黑色素体中，黑色素细胞的高度专业细胞器具有酸性内部。它始于氨基酸酪氨酸，该氨基酸酪氨酸被黑素细胞特异性酶转化为多季季酮：酪氨酸酶6。一旦Eumelanin成熟，它就会包装在黑色素体内。它们通过黑色素细胞细胞质扩展向上传播，直到它们被颗粒层7的角质形成细胞释放并占据。
使用潜在的Dirichlet分配评估CMIP6模型的大气循环
气候模型旨在尽可能紧密地表示气候组件的统计特性，包括极端的事件，这些事件可能较少可用。这是由于人为强迫而导致的动态变化的基本要求。为了评估模型如何匹配观测值，我们需要能够选择，处理和评估气候组件的相关动力学特征的算法。必须对大型数据集有效地重申这一点，例如耦合模型对比项目6（CMIP6）发行的数据集。在这项工作中，我们使用潜在的Dirichlet分配（LDA），这是一种最初设计用于自然语言处理的统计软聚类方法，从海平面压力数据中提取天气模式，并评估CMIP6气候模型的动力学与ERA的动力学的近距离，无论是在总体情况下以及在极端温度事件的情况下，均与ERA 5 rean分析。
识别涉及混合性能和杂种群体互补性的QTL：应用于阶乘和混合拨号玉米玉米混合动力面板的新GWAS模型
抽象密钥消息提出了一个原始的GWAS模型，该模型集成了等位基因的祖先，并允许探测背景特定的添加剂和优势QTL，涉及异性群互补性和混合性能。抽象的玉米遗传多样性被构造成彼此选择和改善的遗传群体。此过程会随着时间的流逝而增加组的互补性和分化，并确保由小组间杂交产生的杂种表现出较高的表现和异性症。为了确定与混合性能和杂种群体互补涉及的基因座，我们引入了一个原始的关联研究模型，该模型将等位基因的异性群的起源与异性构成群体分离，并将其与常规的添加剂/优势模型进行了比较。这个新模型应用于凹痕和弗林特线之间的阶乘，以及具有两种不同分析层的凹痕混合线之间的拨号线：在每个环境中和多种环境中。我们确定了所有特征的几个强大的添加剂QTL，包括一些用于开花时间的众所周知的加性QTL（在染色体8上的VGT1/2区域）。屈服特征在拨号面板中显示出显着的非加性效果。大多数检测到的产量QTL表现出过度势力或更有可能的伪过分效应。在这些QTL上明显过度污染，导致了遗传组互补性的一部分。环境之间的比较显示，添加QTL效应的稳定性高于非添加效应。我们还揭示了显示遗传群起源作用的大型染色体区域。根据局部杂种群的起源，几个QTL显示出效应的变化。总的来说，我们的结果说明了混合面板如何与专用的GWAS建模相结合，允许识别新的QTL，这些QTL无法通过通过传统建模分析的经典混合面板无法揭示的新QTL。
比较医学概念表示和患者轨迹预测的神经语言模型
医学概念的有效表示对于电子健康记录的次要分析至关重要。神经语言模型在自动从临床数据中得出医学概念表示方面已显示出希望。但是，尚未对不同语言模型的比较性能，用于创建这些经验表示形式及其编码医学语义的程度，尚未得到广泛的研究。本研究旨在通过评估三种流行语言模型的有效性 - word2vec，fastText和手套 - 在创建捕获其语义含义的医学概念嵌入中的有效性。通过使用大量的数字健康记录数据集，我们创建了患者轨迹，并用它们来训练语言模型。然后，我们通过与生物医学术语进行明确比较来评估学到的嵌入式编码语义的能力，并通过预测具有不同级别可用信息的患者结果和轨迹来隐含。我们的定性分析表明，FastText学到的嵌入的经验簇与从生物医学术语获得的理论聚类模式表现出最高的相似性，分别在0.88、0.80和0.92的经验簇和0.92之间的诊断，过程和医疗代码分别为0.88、0.80和0.92之间。相反，为了预测，Word2Vec和Glove倾向于优于快速文本，而前者的AUROC分别高达0.78、0.62和0.85，分别用于现场长度，再入院和死亡率预测。在预测患者轨迹中的医疗法规时，手套在诊断和药物代码（分别为0.45和0.81）的最高级别上达到了语义层次结构的最高性能（AUPRC分别为0.45和0.81），而FastText优于其他模型的过程代码（AUPRC为0.66）。我们的研究表明，子词信息对于学习医学概念表示至关重要，但是全球嵌入向量更适合于更高级别的下游任务，例如轨迹预测。因此，可以利用这些模型来学习传达临床意义的表示形式，而我们的见解突出了使用机器学习技术来编码医学数据的潜力。