XiaoMi-AI文件搜索系统
World File Search Systempredict
TarDict：基于 RandomForestClassifier 的软件预测药物-目标相互作用
根据已确定药物的数据预测未知或/和正在研究的药物的靶标不仅对于理解各种药物和分子相互作用过程非常重要，而且对于开发新药也非常重要。这里我们介绍 TarDict，一种基于 RandomForestClassifier 的软件，它基于化学物质的 SMILES 预测靶标通路或蛋白质。TarDict 接收 SMILES 并返回可能类似药物的列表，然后向用户导出药物所起作用的靶标列表。20442 个条目的训练数据集和测试显示准确率为 %95。
使用机器学习算法来预测学生...
根据机器学习技术在学生的表现中的应用，根据他们的背景和期限的表现，已被证明是预见到各种教育中贫困和良好表现的有用工具。对学生表现的早期预测有助于采取改善学习成果的早期行动。对学生的学习成绩的预测很重要，因为它通过适当的指导学生，指导大学学术政策的变化，为教学实践提供了信息，检查学习效率和学习效率，为教师和学习者提供有意义的反馈，并修改学习环境，从而有助于提高毕业率。学生表现的高预测准确性有助于确定在学习过程开始时低表现学生。但是，为了实现这些目标，必须使用各种机器学习模型对大量学生数据进行分析和预测。此外，目前尚不清楚哪种模型最适合预测性能以及哪种机器学习模型适合改善学生的学习。通过密集文献综述，论文试图在预测学生的绩效和适当的机器学习模型中确定最佳的机器学习模型，以改善学习。经验审查表明了机器学习模型上有争议的结果，可以最好地预测学生的表现。此外，在各种机器学习算法中尚不清楚，这些算法在改善学习成果的同时，在预测学生的表现方面是最佳方法。各种机器学习模型的不同预测水平可能是由于社会经济差异的结果。也可能要注意，学生的学术表现受许多因素的影响，例如家庭收入，父母
RETT综合征的心脏：心脏复极化的定量分析
抽象背景尽管癌症护理和检测方面取得了进步，但> 65％的头颈部鳞状细胞癌（HNSCC）患者将患上复发性和/或转移性疾病。这些患者的预后较差，总体生存率为39％。免疫疗法的最新治疗进展，包括pembrolizumab和nivolumab等免疫检查点抑制剂，已在一部分患者中获得临床益处。急需临床需要确定从这些反编程细胞死亡蛋白1（抗PD-1）免疫检查点抑制剂中受益的患者。在这里，我们报告了一项多中心观察性研究的发现，可通过分析在美国17个美国医疗保健系统中进行的治疗前肿瘤活检（Predapt）的分析来预测免疫疗法疗效。旨在验证Oncoprism-HNSCC，这是一种临床生物标志物测定，可预测用抗PD-1免疫检查点抑制剂作为单一药物（单一疗法）以及与化学疗法（化学治疗疗法）相结合的复发或转移性HNSCC患者的疾病控制。该测试使用RNA测序数据和机器学习模型来评分每个患者，并将其分为低，中或高的组。结果，单药疗法队列（n = 62，p = 0.004）和化学免疫疗法队列（n = 50，p = 0.01）的肿瘤hnscc预测与疾病控制均与疾病控制显着相关。Oncoprism-HNSCC还显着预测了两个队列中无进展的生存（分别为p = 0.015和p = 0.037）。uncoprism-HNSCC的特异性比编程的死亡配体1高三倍以上，比肿瘤突变负担比预测疾病控制的肿瘤突变负担高近四倍。
人工智能能预测新冠肺炎死亡率吗？
摘要。– 目的：COVID-19 感染迅速蔓延至全球并演变为大流行。人工智能 (AI) 已用于预测病毒传播以及诊断和治疗疾病。在本研究中，我们旨在预测因 COVID-19 感染而入住重症监护病房 (ICU) 的患者是否会导致死亡。患者和方法：每 589 名 ICU 患者使用 90 个参数。确定了对死亡率影响最大的 9 个参数。使用这 9 个参数训练 AI，共使用 471 名患者。使用 118 名患者数据对 AI 进行了测试。结果：AI 估计死亡率的敏感性为 83%，特异性为 84%，准确率为 84%，F1 得分为 0.81。因此，曲线下面积计算为 0.91。结果表明，可以根据第一天的实验室参数预测入住 ICU 的 COVID-19 患者的死亡率。结论：这些发现强调了在管理流行病方面利用 AI 的潜在好处。
预测性维护 4.0 - 预测不可预测的事件 - 普华永道
我们成功实施 PdM 4.0 的方法 本报告的后半部分重点介绍了我们实施 PdM 4.0 的方法，该方法考虑了技术和组织方面。我们提供了一个框架，用于逐步实施 PdM 4.0 模型中的技术组件，以支持业务战略。我们的方法还涵盖了维持 PdM 4.0 所需的技术基础设施 - 数据分析平台、物联网基础设施。如果 PdM 4.0 要取得成功，组织方面也很重要。我们专注于两个方面：培养 PdM 4.0 所需的技能和能力，以及建立数字文化。仅仅吸引和培养可靠性工程和数据科学人才是不够的。公司还必须创造环境，让这些人才能够蓬勃发展，相互挑战和补充，从而为改善维护和资产管理提供有价值且可操作的新见解。
BERT 模型微调以准确预测药物……
摘要：在药物发现过程中，确定最佳候选药物非常重要。生物学和计算科学领域的研究人员一直试图利用机器学习 (ML) 来有效预测药物-靶标相互作用 (DTI)。近年来，根据预训练模型在自然语言处理 (NLP) 中的新兴用途，人们正在为化合物和靶蛋白开发预训练模型。本研究试图使用 Transformers (BERT) 预训练模型 ChemBERTa 来改进化合物的 DTI 预测模型。预训练的特点是使用简化的分子输入线路输入系统 (SMILES)。我们还使用预训练的 ProBERT 来预测靶蛋白（预训练使用氨基酸序列）。BIOSNAP、DAVIS 和 BindingDB 数据库 (DB) 被用于（单独或一起）学习。最终模型由 ChemBERTa 和 ProtBert 以及集成的 DB 共同教授，与之前的模型相比，根据受试者工作特征曲线下面积 (AUC) 和精确召回率-AUC 值，提供了迄今为止最佳的 DTI 预测性能。使用对 13 对底物和代谢酶细胞色素 P450 (CYP) 的特定案例研究验证了最终模型的性能。最终模型提供了出色的 DTI 预测。由于药物和靶蛋白之间的现实世界相互作用预计会表现出特定的模式，因此使用 ChemBERTa 和 ProtBert 进行预训练可以教授此类模式。如果学习采用涵盖药物和靶蛋白之间所有关系的大型、均衡的数据集，学习此类相互作用的模式将提高 DTI 准确性。
量子电路学习作为一种预测的潜在算法......
图 1 量子电路的数学和视觉表达。初始状态的向上向量（数学上为 (1,0, … ,0) 𝑇 ）通过 𝑉(𝒙) 的编码门进行旋转。图中显示了一个简单的情况，其中第 i 个量子位与 𝑥 𝑖 的角度一起旋转。然后，量子位通过 𝑈(𝜽) 的门进行交互。最后，使用概率分布观察到第一个量子位的向上或向下向量。𝑉(𝒙) 和 𝑈(𝜽) 的变换与初始状态向量成线性关系。最后的观察是一个非线性步骤。
核酸代谢酶水平预测...
对于淋巴结转移的结肠直肠癌 (CRC)，术后辅助化疗已被证实可抑制复发，IDEA 研究表明，氟嘧啶类抗癌药物联合奥沙利铂 6 个月是标准疗法 (Shi et al., 2017)。此前，对氟尿嘧啶联合亚叶酸钙 (5FULV2) 疗法的疗效进行了评估，IMPACT 研究表明，与未治疗组相比，复发率被抑制了 18% (国际结肠癌试验 (IMPACT) 联合研究的研究人员，1995)，口服尿嘧啶/替加氟/Yuzel 与卡培他滨也显示出等效性 (Twelves et al., 2005)。因此，预测氟嘧啶酶的作用具有重要的临床意义，并且已经开展了各种研究。另一方面，目前尚无临床研究证明 5-氟尿嘧啶 (5-FU)/亚叶酸钙联合伊立替康 (FOLFIRI) 与分子靶向疗法 (Allegra 等，2011；Alberts 等，2012) 或 FOLFIRI 作为辅助化疗 (Saltz
结构可以预测人脑中的功能
请参阅正在更新的节点，然后是其更新的值。改编自Battaglia等人。（2018）。（c和d）描述边缘预测模型（C）和中心性预测模型（D）中的步骤，其中表示fcn更新的fcn更新功能，而边缘和2个连接的节点表示为输入，代表了fcn更新功能，用于以节点为单位和相互连接的edge的fcn更新功能，并代表输入和代表Edde exgentions grotection exgents grotection。改编自Battaglia等人。（2018）。