XiaoMi-AI文件搜索系统
World File Search Systempredict
通过几何深度学习提高MHC-I结合肽预测的概括性
肽与主要组织相容性复合物（MHC）分子之间的相互作用在自身免疫，病原体识别和肿瘤免疫方面是关键的。癌症免疫疗法的最新进展需求需要更准确的MHC结合肽计算预测。我们解决了与MHC结合的肽预测的普遍性挑战，从而揭示了当前基于序列的方法的局限性。我们利用几何深度学习（GDL）的基于结构的方法表明，在看不见的MHC等位基因的普遍性方面有望提高。此外，我们通过在结构（3D-SSL）上引入一种自我监督的学习方法来解决数据效率。在不暴露于任何绑定亲和力数据的情况下，我们的3D-SSL优于基于序列的方法，该方法在〜90倍的数据点上训练。最后，我们证明了基于结构的GDL方法对乙型肝炎病毒疫苗免疫肽疗法案例研究的结合数据的偏见。这项概念验证研究强调了基于结构的方法增强通用性和数据效率的潜力，对数据密集型领域（如T细胞受体特异性预测预测）具有重要意义，为增强对免疫反应的理解和操纵铺平了道路。
开发和验证胃癌和食管癌患者VTE风险的预测模型
方法：这项研究是一项现实研究，旨在预测GC/EC患者的VTE。数据是从2018年1月1日至2023年6月31日之间在四川省人民医院诊断为GC/EC的住院医师收集的。使用九种监督学习算法，基于56个可用变量开发了576个预测模型。随后，使用最佳性能模型的前12个特征变量采用了简化的建模方法。评估模型预测性能的主要度量是ROC曲线下的面积（AUC）。此外，还采用了用于构建本研究最佳模型的培训数据，以外部验证几种现有的评估模型，包括Padua，Caprini，Khorana和Compass-Cat分数。
基于基因表达的表型预测深神经网络的生物学解释
摘要背景：使用预测基因标志来协助临床决策变得越来越重要。深度学习在基因表达谱的表型预测中具有巨大的潜力。但是，神经网络被视为黑匣子，在没有任何解释的情况下，提供了准确的预测。这些模型变得可解释的要求正在增加，尤其是在医学领域。结果：我们专注于解释由基因表达数据构建的深神经网络模型的预测。影响预测的最重要的神经元和基因被鉴定出来并与生物学知识有关。我们对CAN-CER预测的实验表明：（1）深度学习方法优于大型训练集的经典机器学习方法； （2）我们的方法产生的解释与生物学比最先进的方法更连贯； （3）我们可以对生物学家和医生的预测提供全面的解释。结论：我们提出了一种原始方法，用于从基因表达数据中对表型预测深度学习模型的生物学解释。由于模型可以找到表型和基因表达之间的关系，因此我们可以假设已鉴定的基因与表型之间存在联系。因此，解释可以导致生物学家研究新的生物学假设。
预测精密医学时代的房颤
房颤（AF）是最普遍的心律不齐，可能导致严重的并发症，例如中风。人工智能（AI）已成为预测和检测AF的重要工具，机器学习（ML）模型在心电图（ECG）数据（ECG）数据中现在能够识别高危患者或预测AF的即将出现。精确医学旨在根据使用大型基因组数据集对最有可能受益的患者的特定子群来量身定制医疗干预措施。遗传研究已经确定了与AF相关的许多基因座，但是将这些知识转化为临床实践仍然具有挑战性。本文探讨了AI在Precision Medicine中对AF的潜力，并研究了其优势，尤其是与基因组学合并或比较时。AI驱动的ECG分析为早期检测和个性化治疗提供了一种实用且具有成本效益的方法，并补充了基因组方法。基于AI的AF诊断允许几乎确定的预测，从而有效地减轻了此任务的心脏病专家。在预防性识别的背景下，AI在使用ML时将预测模型的准确性从75％提高到85％。在预测AF的确切发作（实际上是不存在的）时，AI的精度率达到了74％，具有显着的附加值。利用ECG而不是基因组数据的主要优点在于它们捕获患者心脏活动中终生变化的能力。对ECG的AI驱动分析可实现动态风险评估和对治疗策略的个性化适应，从而优化患者的预后。基因组学可以为每个患者提供个性化护理。通过将AI与心电图和基因组数据集成在一起，真正的个性化护理可以实现，超过了“普通患者”模型的局限性。
...
©作者2025。Open Access本文是根据Creative Commons Attribution 4.0 International许可获得许可的，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您对原始作者和来源提供适当的信誉，请提供与创意共享许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问h t p p：//c r e a t i v e c o m m o ns。or g/l i c e n s e s/b y/4。0/。
个性化的，自我监督的深度学习血糖预测
当前监测糖尿病患者血糖水平的标准是连续的葡萄糖监测（CGM）设备，这些设备昂贵且具有并发症的风险，例如用于将CGM传感器连接到皮肤的粘合剂的过敏反应或皮肤刺激。CGM设备也很明显，因此可以作为糖尿病患者的不适疾病标记。为了减轻这些问题，我们开发并测试了一种新颖的深度学习方法，该方法仅通过使用个性化和自我监视学习，能够使用非侵入性预测变量预测血糖水平，而目标变量的数量很少。每周仅使用两次血糖测量，我们的方法（4925.47葡萄糖特异性MSE）的表现优于传统的深度学习，该深度学习用小时测量（5137.80葡萄糖特异性MSE）。在六个实验中，血糖测量相距超过四个小时，我们的方法在没有例外的情况下优于传统的深度学习。我们的发现表明，自我监督，个性化的深度学习可以为CGM设备提供替代方案的途径，而CGM设备的成本较小，无创，因此更容易访问。
使用重生方法的方法，用于在结核分枝杆菌中对全基因胺抗性的全基因组测序预测的改进目录。
。CC-BY 4.0国际许可证。根据作者/资助人提供了预印本（未经同行评审的认证）提供的，他已授予Biorxiv的许可证，以在2025年2月25日发布的此版本中在版权所有者中显示预印本。 https://doi.org/10.1101/2025.01.30.635633 doi：biorxiv preprint
使用卫星图像预测贫困
摘要：贫困是一个复杂的社会经济问题，影响了全世界数百万的人。分配和导致贫困的因素对于有效的决策，资源分配和有针对性的干预措施至关重要。卫星成像技术和深度学习技术的出现在该领域开辟了新的可能性。本研究旨在探索使用深度学习和卫星图像来预测地区贫困水平的潜力。这项研究的主要重点是培训RNN模型，以学习卫星图像与财富指数之间的复杂关系。该系统成功证明了利用卫星图像来预测各个地区城市财富指数的能力。数据可用性和质量，计算资源和监管约束仔细管理，以确保系统的可靠性和有效性。这项研究证明了利用卫星图像和深度学习技术的可行性和有效性。它有助于数据驱动的贫困分析领域，并为在区域和全球规模上理解和解决贫困提供了有价值的工具。
