XiaoMi-AI文件搜索系统
World File Search Systemnota
通过涂鸦注释
镜像检测对于避免在计算机视觉任务中对反射对象的虚假识别具有重要意义。iSting镜像检测框架通常遵循超级视为的设置，这在很大程度上取决于高质量的标签，并且概括不良。为了解决这个问题，我们改为提出了第一个弱监督的镜像检测框架 - 还提供了第一个基于涂鸦的镜像数据集。具体来说，我们重新标记10,158张图像，其中大多数标记的像素比小于0.01，仅需大约8秒即可标记。考虑到镜像区域通常显示出很大的尺度变化，并且也不规则且被阻塞，从而导致不完整或过度检测的问题，因此我们提供了局部全球特征增强（LGFE）模块，以充分捕获上下文和细节。此外，很难使用涂鸦注释获得基本的镜像结构，并且未强调前景（镜像）和背景（镜子）和背景（非摩尔）特征之间的区别。因此，我们提出了一个前景感知的面具（FAMA），将镜面边缘和语义效果整合起来，以完成镜像区域并抑制背景的影响。最后，为了提高网络的鲁棒性，我们提出了原型对比度损失（PCL），以学习跨图像的更通用的前景特征。实验实验表明，我们的网络表现优于相关的最新监督方法，甚至超过一些完全监督的方法。数据集和代码可在https://github.com/winter-flow/wsmd上找到。
分段通知 - 基因组 - 核苷酸 -
基础模型在几个领域取得了巨大的成功，例如自然语言处理，计算机视觉和最近的生物学。DNA粉底模型尤其是作为基因组学有前途的方法而出现的。然而，到目前为止，尚无模型在广泛的基因组和调节元素上提供颗粒状的核苷酸水平预测，从而限制了其实际实用性。在本文中，我们基于以前在核苷酸变压器（NT）上的工作，以开发一个分割模型，即分割，该模型在单核苷酸分辨率下处理输入DNA序列的输入DNA序列，以预测14个基因组学元素的14种基因组学元素。通过利用NT的预训练权重，分段超过了几种消融模型的性能，包括具有单热编码的核苷酸序列和从SCRATCH训练的模型的卷积网络。分段可以处理多个序列的多个序列长度，以零拍概括，以达到50kbp的序列。我们在整个基因组的剪接位点检测中显示出改善的性能，并表现出强核苷酸水平的精度。因为它同时评估了所有基因元素，因此分段可以预测序列变体对剪接位点变化的影响，而且还可以预测转录本同工型中外显子和内含子重排的影响。最后，我们表明，对人类基因组学元素进行训练的分段模型可以推广到不同物种的元素，并且训练有素的多种属性分段模型可以实现对不见物物种的所有基质元素的更强的一般性。总而言之，分段表明DNA粉底模型可以在单核苷酸分辨率下处理基因组学中复杂的颗粒状任务。分段很容易扩展到其他基因组学元素和物种，因此代表了我们分析和解释DNA的新范式。我们使我们的jax的github存储库中可在pytorch的jax和huggingface空间上提供分段-30kb的人类和多物种模型。
用增强的基因组注释来解开鸡T细胞库
T细胞受体（TCR）曲目测序已成为理解宿主免疫系统中T细胞多样性和功能的强大工具。然而，尽管鸡在农业中的重要性和作为免疫学模型，但由于对TCR基因群的不完整基因组注释，鸡肉TCR曲目仍然很少理解。在这里，我们通过使用5'互补DNA末端（5'种族）TCR曲目测序的5'快速放大来解决这个关键问题。同时，我们增强了TCR变量（V）的基因组注释，多样性（D，仅存在于B和D基因座中），并在鸡基因组中加入（J）基因。为提高TCR注释的效率，我们开发了VJ-Gene-Finder，这是一种算法，旨在从脱氧核糖核酸（DNA）序列中提取VJ基因候选物。使用此工具，我们完成了所有已知鸡TCR基因座的全面注释，包括染色体上的A / D基因座。< / div>。进化分析表明，每个基因座通过长长同源单元的重复分别演变。为了定义健康鸡的基线TCR多样性并证明了该方法的可行性，我们表征了脾脏A / B / G / D TCR库。对曲目的分析揭示了在所有链中特异性V和J组合的优先用法，而总体特征是无偏曲线的特征。但是，B和D曲目主要是每只鸟的独特之处。我们观察到了A和G链曲目内的单个鸟类中的中等水平的共享互补性区域3（CDR3）clonotypes，包括最常见的clonotypes。总的来说，我们的TCR曲目分析使我们能够破译鸡T细胞的组成，多样性和功能。这项工作不仅代表了理解禽类T细胞生物学的重要一步，而且还将阐明宿主病原体相互作用，疫苗发育和鸟类免疫学的进化史。
ursapgx：使用分阶段全基因组测序数据
药物基因组学（PGX）有益药物管理（Gharani等，2013; Dunnenberger等，2015; Relling and Evans，2015; Zhang et al。，2015; Bush等，2016; Relling et al。但是，药物遗传学注释通常很复杂（补充图S1）。功能性PGX注释和相应的临床PGX建议依赖于Star（*）等位基因注释（Caudle等，2014； Kalman等，2016）；恒星等位基因通常由多种遗传变异定义（Gaedigk等，2018; Gaedigk等，2020; Gaedigk等，2021）;当恒星等位基因定义变体是杂合的，需要分阶单倍型信息来解决注释。此外，随着新变体的特征并纳入临床PGX建议，注释可能会随着时间而变化。许多资源和现成工具可用于支持对PGX注释感兴趣的研究人员和临床医生。Several tools are well-suited for the PGx annotation of unphased data (e.g., StellarPGx and Stargazer ( Lee et al., 2019 ; Twesigomwe et al., 2021 )), and tools such as PharmCAT, while not computationally streamlined for multi-sample annotation, go a step further to incorporate clinical recommendations into the software output ( Sangkuhl et al., 2020 ）。新的长阅读测序技术提供了生成可靠PGX注释的高构度分阶段全基因组测序（WGS）数据的机会。在这里，我们描述了URSAPGX，该软件包旨在补充现有工具，以利用分阶段的全基因组测序数据进行PGX注释。ursapgx旨在使用多样本，分阶段的WGS VCFFILES在典型的笔记本电脑上运行，并为PharmVar注释的选定药物基因生成剂提供了Star等位基因注释的输出表。
braker3：使用RNA的完全自动基因组注释...
图1：Braker3管道的示意图。所需的输入是基因组序列，简短读取RNA-seq数据和蛋白质数据库。RNA-Seq数据可以以三种不同的形式提供：在序列读取存档中可用的库的ID（Leinonen等，2010），未对齐的读取或对齐的读取。如果给出了库ID，则Braker3使用SRA工具包（https://trace.ncbi.nlm.nih.gov/traces/traces/sra/sra/sra/sra.cgi?view=software）下载RAW RNA-SEQ，并使用HisAT2（Kim等，2019，2019年）与基因组对齐。使用多个库时也可以使用这些格式的组合。
通过局部单倍体人类多能干细胞对 BRCA2 基因变体进行功能注释
BRCA2 基因突变与散发性和家族性癌症有关，可导致基因组不稳定并使癌细胞对聚（ADP-核糖）聚合酶 (PARP) 抑制敏感。本文表明，删除一个 BRCA2 拷贝的人类多能干细胞 (hPSC) 可用于注释此基因的变体并测试其对 PARP 抑制的敏感性。通过使用 Cas9 编辑局部单倍体 hPSC 和从其分化的成纤维细胞中的功能性 BRCA2 等位基因，我们鉴定了该基因中的必需区域以识别允许突变和功能丧失突变。我们还使用 Cas9 直接测试单个氨基酸的功能，包括由意义不明确的临床 BRCA2 变体编码的氨基酸，并鉴定了对用作 BRCA2 缺陷型癌症治疗标准的 PARP 抑制剂敏感的等位基因。局部单倍体人类多能干细胞可以促进基因的详细结构功能分析以及临床观察到的突变的快速功能评估。
多中心胎儿脑组织注释 (FeTA) ...
摘要 — 分割是分析发育中的人类胎儿大脑的关键步骤。过去几年，自动分割方法有了很大的改进，胎儿脑组织注释 (FeTA) 挑战赛 2021 帮助建立了胎儿脑分割的优秀标准。然而，FeTA 2021 是一项单中心研究，算法在不同成像中心之间的通用性仍未解决，限制了现实世界的临床应用。多中心 FeTA 挑战赛 2022 专注于提高磁共振成像 (MRI) 胎儿脑分割算法的通用性。在 FeTA 2022 中，训练数据集包含来自两个成像中心的图像和相应的手动注释多类标签，测试数据包含来自这两个成像中心以及另外两个未见过的中心的图像。来自不同中心的数据在许多方面有所不同，包括使用的扫描仪、成像参数和应用的胎儿脑超分辨率算法。16 支队伍参加了挑战赛，评估了 17 种算法。这里提供了挑战赛结果的详细概述和分析，重点关注提交内容的普遍性。无论是在领域内还是领域外，白质和脑室的分割准确度都最高，而最具挑战性的结构仍然是大脑皮层，因为解剖学复杂性。FeTA Challenge 2022 能够成功评估和提高 MRI 多类胎儿脑组织分割算法的普遍性，并继续对新算法进行基准测试。由此产生的新方法有助于改善对子宫内大脑发育的分析。1
START：梵语教学、注释和研究工具
梵文文本中蕴含的永恒智慧让几代学者着迷。因此，尽管梵文文献已有数百年历史，但对理解这些文本感兴趣的人却不断增加。目前有几种在线计算工具可以帮助学习者理解梵文文本并提高他们的语法。书籍形式的传统评论正逐渐被电子阅读器取代。这些电子阅读器是针对诸如 Sankṣepa Rāmāyaṇam、ŚrimadBhagvad Gītā 和 Śiśupālavadham 等热门文本半自动化开发的。1 最近，人们也做出了类似的努力，将 Rāmopākhyāna 的 Kramapāṭha 阅读器转变为具有搜索功能的电子阅读器（Scharf 和 Chauhan，2023），其灵感来自其印刷版。这些电子阅读器不仅对读者有用，而且对于构建和增强 NLP 工具也很有用，因为它们为 ML 技术提供了带注释的黄金数据。Saṁsādhanī 和梵文遗产平台虽然被广泛用于学习和教授梵文，也用于为各种任务（如分割、形态分析、依赖性解析等）开发带注释的黄金数据，但人们认为有必要开发更好的用户界面和管理各种工具和资源，以满足学生、教师、印度学研究人员和计算语言学家的不同需求。随着数字技术渗透到生活的各个领域，难怪教学和学习受到的影响最大。梵文也不例外。在 COVID-19 期间，学习梵文的人数激增，这推动了几个在线教学计划的发展。梵文的在线计算工具的使用量也出现了激增，因为许多在线课程要么推荐这些工具，要么寻求在线帮助的学生发现它们是在线课程的补充。印度理工学院鲁尔基分校也与梵文 Bharati 合作开设了一门这样的课程，在教学中向学生介绍了在线梵文计算工具 Saṁsādhanī 和梵文遗产平台。虽然教师遵循传统的教学方法，但鼓励学生使用这些工具完成练习。Pāṇini 的语法对于生成单词形式、连接以下单词很有用
使用具有视觉和语言模型的人类在循环中进行道路损害检测的迭代注释
道路基础设施监测检查和诊断道路恶化是一个至关重要的挑战。由于财务限制和人员短缺，以有限成本进行这种维护的需求越来越大。计算机视觉的最新进展促进了检查和诊断的自动化，从而提高了操作效率和稳定性[1]。计算机视觉模型的开发需要手动注释标记的数据集。但是，深度学习减少人工劳动的目标与模型开发是必需的大量征收的事实之间存在矛盾。为了解决这一矛盾，正在考虑一种人类的方法。该框架大大减轻了人类注释负担，从而通过训练数据收集和参数更新的迭代过程来使模型有效地更新[2]。同时，已经发表了许多有关将计算机视觉和自然语言理解的视觉和语言模型发表的研究。具有大规模数据集的经过训练的视觉和语言模型已公开可用。这些模型通过语言特征和训练中的图像功能的结合，具有零拍的识别，使它们甚至能够理解特定类别的图像，而无需在这些类别上明确培训。此外，当在特定数据集上使用零射击识别的模型时，通过对有限的样本（几次学习）进行细化，预计可以进一步提高准确性[3-5]。
氦离子暴露对MGB $ _ {2} $和NBN检测器的单光子灵敏度的影响
摘要 - 超导纳米电视单光子探测器（SNSPDS）的可伸缩性，可重复性和操作温度一直是自设备首次提出以来的主要研究目标。最近将氦离子辐照作为SNSPD的后处理技术的创新可以使高检测效率更容易复制，但仍然知之甚少。此外，从高-T C材料中以微米范围的尺度制造探测器可以分别提高可伸缩性和工作温度。同时，在宽电线和诸如Diboride镁之类的更高T材料中制造成功的设备已被证明已被证明。在这项工作中，我们比较了硝酸氮化物和二吡啶镁探测器中的氦离子辐照，并与不同的材料堆栈进行了比较，以便更好地了解辐照的机制以及在有效剂量上封装层的实际意义。我们检查了实验有效剂量测试的效果，并将这些结果与相应材料堆栈中模拟预测的损伤进行了比较。在两种材料中，辐照都会导致计数率的提高，尽管对于硝酸盐而言，即使在测试最高的剂量为2的最高剂量下，这种增加也没有完全饱和。6×10 17离子/cm 2，而对于抗封闭的二氨基镁，即使是测试的最低剂量为1×10 15离子/cm 2的最低剂量似乎高于最佳。我们的结果证明了氦离子辐照到截然不同的设备和材料堆栈中的一般适用性，尽管具有不同的最佳剂量，并显示了这种后加工技术在显着提高SNSPD效率方面的可重复性和有效性。