XiaoMi-AI文件搜索系统
World File Search Systemperforms
PCNA 的靶向降解优于化学计量抑制，导致程序性细胞死亡
靶向蛋白质降解已成为一种强大的技术 - 既是一种生物学工具，也可用于拓宽治疗性蛋白质组。作为探索这种方法对历史上难以攻克的靶标的工具，我们之前已经开发了“生物降解剂” - 靶向降解融合构建体，由与修饰的 E3 连接酶受体连接的微型蛋白质/肽组成。在此，我们通过对 Con1-SPOP 的详细研究深入了解了生物降解剂的效用和潜力，Con1-SPOP 是一种可快速降解潜在癌症靶标增殖细胞核抗原 (PCNA) 的生物降解剂。在各种环境中，活性生物降解剂 (Con1-SPOP) 在药理学上优于其化学计量（非降解）抑制剂等效物 (Con1-SPOP mut)。具体而言，除了在 2D 细胞培养和 3D 球体中具有更强的抗增殖作用外，PCNA 降解还独特地诱导了 DNA 损伤、细胞凋亡和坏死。在强力霉素 (Dox) 诱导下表达 Con1-SPOP 的稳定细胞系的整体蛋白质组学分析表明，有丝分裂受损和线粒体功能障碍是 PCNA 降解的直接后果，而化学计量抑制剂蛋白则未观察到这种影响。为了评估生物降解剂的治疗潜力，我们表明 Dox 诱导的 Con1-SPOP 在异种移植模型中实现了完全的肿瘤生长抑制。为了探索生物降解剂作为一种新型治疗方式的应用，合成了编码 Con1-SPOP 的修饰 mRNA 并将其封装到脂质纳米颗粒 (LNP) 中。该方法成功地在体外递送了 mRNA，以在应用后数小时内以纳摩尔效力耗尽内源性 PCNA。总体而言，我们的结果证明了生物降解剂作为生物工具的效用，并强调靶向降解是一种比化学计量抑制更有效的方法。最后，一旦体内递送和表达得到优化，生物降解剂就可能成为一种令人兴奋的治疗方式。
澳大利亚堪培拉，2020 年 12 月 1 日至 4 日 方法至关重要：没有智能的交易代理通常比基于人工智能的交易者表现更好
摘要 — 使用计算智能（即人工智能 (AI) 和机器学习 (ML) 的方法）来自动发现、实施和微调金融市场中自主自适应自动交易的策略的研究由来已久，有关该主题的一系列研究论文已在 IJCAI 等主要 AI 会议和《人工智能》等著名期刊上发表：我们在此展示的证据是，这一研究领域存在许多方法上的失误，实际上，一些据称表现最佳的公共领域 AI/ML 交易策略通常会被完全不涉及 AI 或 ML 的极其简单的交易策略所超越。我们在此强调的结果很容易在十多年前相关关键论文发表时就被揭示，但这些论文发表时公认的方法涉及一种对交易代理进行实验评估的最低限度的方法，仅根据在少数市场场景中对交易代理进行的几千次测试做出断言。在本文中，我们展示了使用并行云计算设施对广泛参数值进行详尽测试的结果，我们在其中进行了数百万次测试，从而创建了更丰富的数据，可以从中得出更可靠的结论。我们表明，已发表文献中最好的公共领域 AI/ML 交易员的表现通常不如“零以下智能”交易策略，这种策略从表面上看似乎过于简单，以至于会造成财务损失，但它与市场的互动方式在实践中比研究文献中众所周知的 AI/ML 策略更有利可图。这种简单的策略可以胜过现有的基于 AI/ML 的策略，这表明 AI/ML 交易策略可能是对错误问题的良好回答。
机器学习优于回归分析，以预测下赛季的美国职业棒球大联盟球员受伤：从性能和伤害趋势趋势的流行病学和13,982球员的验证，2000-2017
数据库回答复杂问题。ml是人工智能的一个子集，它使用了从经验中学习和改进的计算算法。4,11以其最简单的形式，这涉及使用一组现实世界数据来预测或估计结果。2,4,11这些数据集代表了机器然后能够使用模式认可来从或“学习”来研究和从“学习”中进行推论，以自己做出决定。4这样的结论与实际结果的测试集进行了比较，以量化算法的准确性。随着训练集中的数据的增长，测试重复的数量增加，类似于“体验式学习”，机器的算法变得更加准确和预测性。逻辑回归（LR）代表ML的最原始形式，并且经常在文献中应用。6,7但是，回归分析是静态的，不是预先的，这意味着它不会自动调节以从复杂的数据关系中“学习”，尤其是在添加更多数据输入时。这项研究代表了我们所知的第一次尝试在运动医学文献中应用复杂的ML算法，其中LR与不同的ML算法进行了比较。在这项研究中，从2000年到2017年的玩家志术，伤害和性能指标是最初的训练集，从这些训练集中，机器可以从该训练中学到的关系，以预测带有测试套件的类似概况的未来玩家的最可能结果。此外，可以正确预测损伤的解剖位置可以预防目标。我们假设，尽管有复杂的情况 - iOS会导致DL受伤和放置，但在历史损伤数据中接受培训的ML模型可能能够评估有效性高的MLB参与者的未来伤害风险。我们认为，在所有临床情况下，现代ML算法将比原始LR分析更具有代表性的模型。For the purpose of leveraging available analytics to permit data- driven injury prevention strategies and informed decisions, the objective of this study of MLB players was to (1) char- acterize the epidemiology of injury trends on the DL from 2000 to 2017, (2) determine the validity of an ML model in predicting the injury risk for the subsequent year and ana- tomic injury location, and (3) compare the performance of modern ML算法与LR分析。
![第 9 章 巴甫洛夫、斯金纳和其他行为主义者对人工智能的贡献 *** Witold Kosinski 和 Dominika Zaczek-Chrzanowska 波兰-日本信息技术研究所，波兰-日本计算机技术研究中心 ul. Koszykowa 86, 02-008 Warszawa wkos@pjwstk.edu.pl mado@pjwstk.edu.pl 摘要 将在真实和人工系统的背景下提供一种智能行为的定义。将简要介绍学习原理，从巴甫洛夫的经典条件作用开始，到桑代克和斯金纳的强化反应和操作性条件作用，最后到托尔曼和班杜拉的认知学习。本文将描述行为主义中最重要的人物，尤其是那些对人工智能做出贡献的人物。本文将介绍一些根据这些原理行事的人工智能工具。本文将尝试说明何时一些简单的行为修改规则可以导致复杂的智能行为。 1. 智能：描述 毫无疑问，行为主义者对人工智能的发展做出了巨大贡献。动物学习理论的证据，尤其是行为主义者发现的学习规律，多年来吸引了人工智能领域的研究人员，许多模型都以此为基础。智能是一个复杂而有争议的概念，因此很难用一个简单的定义来概括它。根据 Jordan 和 Jordan [1] 的说法，将智能视为我们用来描述具有一定质量的行为的概念是恰当的。在这方面应该使用两个标准，即速度（即代理执行需要智力的特定任务的速度）和能力（即代理可以执行的任务的难度）。另一方面，我们可以找到另一种智能定义，即执行认知过程的能力。有三个基本的认知过程：1) 抽象，2) 学习，3) 处理新颖性。该领域的杰出研究人员对智力给出了许多定义，例如，它被定义为：](/simg/6/627f48c0041fd2d34b503b6ed02bb4f19b9f3644.png)
第 9 章 巴甫洛夫、斯金纳和其他行为主义者对人工智能的贡献 *** Witold Kosinski 和 Dominika Zaczek-Chrzanowska 波兰-日本信息技术研究所，波兰-日本计算机技术研究中心 ul. Koszykowa 86, 02-008 Warszawa wkos@pjwstk.edu.pl mado@pjwstk.edu.pl 摘要 将在真实和人工系统的背景下提供一种智能行为的定义。将简要介绍学习原理，从巴甫洛夫的经典条件作用开始，到桑代克和斯金纳的强化反应和操作性条件作用，最后到托尔曼和班杜拉的认知学习。本文将描述行为主义中最重要的人物，尤其是那些对人工智能做出贡献的人物。本文将介绍一些根据这些原理行事的人工智能工具。本文将尝试说明何时一些简单的行为修改规则可以导致复杂的智能行为。 1. 智能：描述 毫无疑问，行为主义者对人工智能的发展做出了巨大贡献。动物学习理论的证据，尤其是行为主义者发现的学习规律，多年来吸引了人工智能领域的研究人员，许多模型都以此为基础。智能是一个复杂而有争议的概念，因此很难用一个简单的定义来概括它。根据 Jordan 和 Jordan [1] 的说法，将智能视为我们用来描述具有一定质量的行为的概念是恰当的。在这方面应该使用两个标准，即速度（即代理执行需要智力的特定任务的速度）和能力（即代理可以执行的任务的难度）。另一方面，我们可以找到另一种智能定义，即执行认知过程的能力。有三个基本的认知过程：1) 抽象，2) 学习，3) 处理新颖性。该领域的杰出研究人员对智力给出了许多定义，例如，它被定义为：
第 9 章 巴甫洛夫、斯金纳和其他行为主义者对人工智能的贡献 *** Witold Kosinski 和 Dominika Zaczek-Chrzanowska 波兰-日本信息技术研究所，波兰-日本计算机技术研究中心 ul. Koszykowa 86, 02-008 Warszawa wkos@pjwstk.edu.pl mado@pjwstk.edu.pl 摘要 将在真实和人工系统的背景下提供一种智能行为的定义。将简要介绍学习原理，从巴甫洛夫的经典条件作用开始，到桑代克和斯金纳的强化反应和操作性条件作用，最后到托尔曼和班杜拉的认知学习。本文将描述行为主义中最重要的人物，尤其是那些对人工智能做出贡献的人物。本文将介绍一些根据这些原理行事的人工智能工具。本文将尝试说明何时一些简单的行为修改规则可以导致复杂的智能行为。 1. 智能：描述 毫无疑问，行为主义者对人工智能的发展做出了巨大贡献。动物学习理论的证据，尤其是行为主义者发现的学习规律，多年来吸引了人工智能领域的研究人员，许多模型都以此为基础。智能是一个复杂而有争议的概念，因此很难用一个简单的定义来概括它。根据 Jordan 和 Jordan [1] 的说法，将智能视为我们用来描述具有一定质量的行为的概念是恰当的。在这方面应该使用两个标准，即速度（即代理执行需要智力的特定任务的速度）和能力（即代理可以执行的任务的难度）。另一方面，我们可以找到另一种智能定义，即执行认知过程的能力。有三个基本的认知过程：1) 抽象，2) 学习，3) 处理新颖性。该领域的杰出研究人员对智力给出了许多定义，例如，它被定义为：