XiaoMi-AI文件搜索系统
World File Search Systempredict
是大型语言模型，您需要预测综合性和
图1。（a）140,120结构的T-SNE可视化以及晶体系统和元素数量的统计数据。（b）合成性LLM的训练过程。使用PU学习模型构建平衡的数据集，将批次转换为材料字符串，然后用Lora进行微调。（c）1,401,562结构的CLSCORE分布和用于滤除非混合结构的CLSCORE范围。（d）前体和方法LLM的培训过程。37,654个化学公式及其前体和合成方法的数据对是从文献中收集的，并用洛拉进行了微调。（e）使用LLM预测合成性和建议前体的总体工作流程。首先将晶体结构转换为材料字符串。然后由合成性LLM预测其合成性。基于化学公式，llms的前体和方法提供了一批潜在的前体及其反应能。
大脑皮层和皮层下网络预测当前心率
摘要 静息心率可能会增加患心血管疾病 (CVD) 和其他不良心血管事件的风险。虽然脑干对心率的自主控制已得到充分证实，但人们对高级皮质和皮质下大脑区域的调节作用知之甚少，尤其是在人类中。这项研究试图描述预测健康成年人普遍心率变化的大脑网络。我们使用专为复杂、高维数据集设计的机器学习方法，从 fMRI 测量的全脑血流动力学信号中预测瞬时心动周期 (心跳间隔) 的变化。基于任务和静息状态的 fMRI 以及外周生理记录取自两个包含个体内大量重复测量的数据组。我们的模型能够可靠地从个体内和个体间的全脑 fMRI 数据中预测瞬时心动周期，在参与者内部测量时预测准确率最高。我们发现，皮层和皮层下脑区网络（其中许多与内脏运动和内脏感觉过程相关）是心动周期变化的可靠预测因素。这为脑-心相互作用提供了更多证据，并朝着开发临床适用的脑对心血管疾病风险贡献的生物标记物迈出了一步。
使用椭圆机开发亚极量测试以预测 VO2MAX
这篇硕士论文-开放获取由西密歇根大学 ScholarWorks 研究生院免费提供给您，供您开放获取。它已被西密歇根大学 ScholarWorks 的授权管理员接受，并被纳入硕士论文。有关更多信息，请联系 wmu-scholarworks@wmich.edu 。
热力学循环预测进化酶的竞争性抑制结果
在分子水平上理解竞争性抑制对于揭示酶-抑制剂相互作用的动力学和预测抗性突变的进化结果至关重要。在本研究中，我们提出了一个框架，将竞争性抑制与炼金术自由能扰动 (FEP) 计算联系起来，重点关注大肠杆菌二氢叶酸还原酶 (DHFR) 及其被甲氧苄啶 (TMP) 抑制的情况。使用热力学循环，我们将实验测得的结合常数 (K i 和 K m ) 与野生型和突变型 DHFR 相关的自由能差异联系起来，平均误差为 0.9 kcal/mol，从而深入了解 TMP 抗性的分子基础。我们的研究结果强调了局部构象动力学在竞争性抑制中的重要性。DHFR 突变对底物和抑制剂结合亲和力的影响不同，从而影响 TMP 选择压力下的适应度景观。我们的 FEP 模拟表明，抗性突变通过特定的结构和/或动力学效应稳定抑制剂结合或底物结合状态。这些效应的相互作用在某些情况下显示出显著的上位性。单独评估底物和抑制剂结合的能力提供了有价值的见解，从而可以更精确地解释突变效应和上位性相互作用。此外，我们确定了 FEP 模拟中的关键挑战，包括由电荷改变突变和长距离变构效应引起的收敛问题。通过整合计算和实验数据，我们提供了一种有效的方法来预测抗性突变的功能影响及其对进化适应度景观的贡献。这些见解为构建强大的突变扫描方案和设计更有效的抗耐药细菌菌株治疗策略铺平了道路。
人工智能的利用来预测苹果公司的股票价格
仅使用统计分析的摘要预测股票价格仍然是一个巨大的挑战，这是由于有效的市场假设，该假设断言价格体现了所有可访问的信息。尽管如此，精选的投资者和资金始终通过利用复杂的策略来超越美国股票市场。大多数财务研究人员持怀疑态度，即AI孤立地表现不断优于标准普尔500指数基金，但算法提供了广泛数据集的深刻见解，以帮助投资组合经理做出更明智的选择。这项研究努力确定输入功能和机器学习模型的最佳合并，以准确预测Apple Inc.股票的开放价格。AI算法仅利用技术投资分析进行预测，因为该研究的重点是使用仅从投资网站中获得可获得的值获得最高的测试精度。精心评估了五个不同的机器学习模型，从最简单的线性回归模型到最复杂的神经网络回归器。我们的假设认为，由于其复杂性，神经网络和随机森林模型将比所有其他算法更准确，并且使用更受限制的技术指标将通过避免复杂性和过度拟合的陷阱来产生卓越的准确性。虽然预测精度可能无法达到专业投资标准的梯队，但剖析了各种模型和投资价值，以展示制定股票预测计划的过程。
大脑网络动力学预测惊喜动态-CCN 2024
惊喜是一种基本的人类经验。，我们会惊讶于电影中的情节扭曲，或者在体育比赛中取得了弱者队的胜利。我们生活中有多少令人惊讶的时刻有什么共同点？是否有令人惊讶的大脑签名？我们确定了一个大脑网络模型，即基于惊喜边缘 - 基于 - 基于 - 基于功能性磁共振成像（fMRI）测量的区域交互动力学，预测了在自适应学习任务中的惊喜。相同的模型被推广，以预测惊喜，因为单独的个人观看了悬疑的篮球比赛和违反心理期望的视频。我们的结果表明，共同的神经认知过程是跨环境中惊喜的基础，并且可以将不同的经验转化为大脑动力学的共同空间。
dtsyn：一个基于双转化器的神经网络，可预测协同药物组合
抽象的药物组合疗法在解决肿瘤异质性问题时在许多方面都优于单一治疗癌症治疗。对于湿lab实验，由于可能的药物对搜索空间，筛选新型的协同药对具有挑战性。因此，已经开发了计算方法来预测具有潜在协同功能的药物对。尽管当前模型取得了成功，但对其他数据集的概括的力量以及了解化学化学相互作用或化学样本相互作用机制的理解是缺乏研究，从而阻碍了实际应用的当前算法。在本文中，我们提出了一种基于多头注意力机制的DTSYN（药物对协同预测的双变压器模型）的深神经模型，以鉴定新的药物组合。我们设计了一种细粒状变压器，用于捕获化学下结构基因和基因 - 基因关联以及一种用于提取化学化学化学和化学细胞线相互作用的粗粒状变压器。dtsyn在曲线（ROC AUC）下达到了最高的接收器工作特征区域，为0.73，0.78。0.82和0.81在四个不同的交叉验证任务上，表现优于所有竞争方法。此外，DTSYN在五个独立数据集中实现了最佳的真实正率（TPR）。消融研究表明，两个变压器块都导致了DTSYN的性能。此外，DTSYN可以在化学物质和细胞系之间提取相互作用，这可能代表了药物作用的机制。因此，我们设想模型是通过使用化学物质和转录组数据来确定协同药物对优先级的有价值工具。
青少年大脑的结构差异可以预测酒精滥用
1 柏林夏里特医学院（柏林自由大学、柏林洪堡大学和柏林卫生研究所的企业成员），精神病学和心理治疗系，伯恩斯坦计算神经科学中心，德国柏林；2 柏林工业大学 IV 学院 - 电气工程和计算机科学，德国柏林；3 柏林自由大学教育与心理学系，德国柏林；4 智力科学，卓越研究集群，德国柏林；5 社会与预防医学，体育与健康科学系，院内单位“认知科学”，人文科学学院，勃兰登堡健康科学学院，服务研究和电子健康研究领域，波茨坦大学，德国波茨坦； 6 德国曼海姆海德堡大学医学院中央精神卫生研究所儿童和青少年精神病学和心理治疗系；7 爱尔兰都柏林都柏林圣三一学院医学院和圣三一学院神经科学研究所精神病学学科；8 英国伦敦国王学院精神病学研究所、心理学神经科学 SGDP 中心人口神经科学和精准医学中心 (PONS)；9 德国海德堡大学医学院中央精神卫生研究所认知和临床神经科学研究所；10 德国曼海姆曼海姆大学社会科学学院心理学系；11 法国巴黎巴黎萨克雷大学 CEA NeuroSpin；12 美国伯灵顿佛蒙特大学精神病学和心理学系； 13 诺丁汉大学彼得·曼斯菲尔德爵士成像中心物理与天文学学院，英国诺丁汉； 14 联邦物理技术研究所，柏林，德国； 15 国家健康与医学研究所、INSERM U A10“Trajectoires développementales en psychiatrie”巴黎-萨克莱大学、巴黎-萨克莱高等师范学院、法国国家科学研究中心、法国伊维特河畔吉夫博雷利中心； 16 AP-HP 索邦大学，儿童和青少年精神病学系，Pitié-Salpêtrière 医院，法国巴黎； 17 法国埃唐普 EPS Barthélémy Durand 精神病学系； 18 德国柏林洪堡大学 Charite Mitte 校区精神病学和心理治疗系 PONS 研究小组； 19 疾病神经退行性疾病研究所，UMR 5293，CNRS，CEA，波尔多大学，波尔多，法国； 20 蒙特利尔大学医学院和圣贾斯汀大学中心医院精神病学系，蒙特利尔，
接触事件可以预测人类的动作分割和行为
认识到他人的行为取决于对有意义的事件的细分。在该领域进行了数十年的研究后，仍不清楚人类是如何做到这一点的以及哪些大脑区域支持基本过程的。在这里我们表明，基于计算机的接触和不触摸事件的模型可以预测人类的行为，以高精度地分割对象操纵动作。使用此计算模型和功能磁共振成像（fMRI），我们在隐式动作观察任务中指出了这种分割行为的基础神经网络。分割是通过在接触事件中大大增加视觉活动，随后是额叶，海马和绝缘区域的参与，在随后的不变事件中发出了预期的信号。大脑活动和行为表明，触摸未接触的图案是识别包括对象操作在内的动作的关键要素的关键特征。
青少年大脑的结构差异可以预测酒精滥用
青少年时期酗酒 (AAM) 与大脑结构发育破坏和酒精使用障碍有关。使用机器学习 (ML)，我们分析了 IMAGEN 数据集 (n ∼ 1182) 中 14、19 和 22 岁时 AAM 表型与青少年大脑结构 (T1 加权成像和 DTI) 之间的联系。ML 根据大脑结构预测了 22 岁时的 AAM，在独立测试数据的平衡准确度为 78%。因此，青少年大脑的结构差异可以显著地预测 AAM。使用 14 岁和 19 岁时的大脑结构，ML 预测了 22 岁时的 AAM，平衡准确度分别为 73% 和 75%。这些结果表明，在数据集中，结构差异先于酒精滥用行为。 10 最具信息量的特征位于胼胝体和 11 内囊、脑干和脑室脑脊液的白质束中。在皮质中，它们分布在 12 枕叶、额叶和颞叶以及扣带皮层中。我们的研究还表明 13 在分析 AAM 等效应大小较弱的精神疾病的探索性 ML 研究中，AAM 表型的选择、ML 方法和混杂校正技术 14 都是至关重要的决定。16