XiaoMi-AI文件搜索系统
World File Search Systempredict
分子对接和模拟研究预测乳酰-...
研究文章 分子对接和模拟研究预测乳酰辅酶 A 是 p300 定向乳酸化的底物 Rushikesh Patel 1、Ajay Kumar 1#、Kiran Bharat Lokhande 2#、KV Swamy 2,3、Jayanta K. Pal 1、Nilesh Kumar Sharma 1 * 1 癌症和转化研究实验室，Dr. DY Patil 生物技术与生物信息学研究所，Dr. DY Patil Vidyapeeth，浦那，马哈拉施特拉邦，印度，411033。 2 生物信息学实验室，Dr. DY Patil 生物技术与生物信息学研究所，Dr. DY Patil Vidyapeeth，浦那，马哈拉施特拉邦，印度，411033。 3 生物信息学研究组，麻省理工学院生物工程科学与研究学院，麻省理工学院-ADT 大学 Pun，马哈拉施特拉邦，印度，412201。# 贡献相同，并列第二作者 *通讯作者：Nilesh Kumar Sharma 博士 癌症和转化研究实验室教授 生物技术系 Dr. DY Patil 生物技术与生物信息学研究所，浦那 Dr. D. Y Patil Vidyapeeth 浦那，浦那，MH，411033 电子邮件：nilesh.sharma@dpu.edu.in 电话：+91-7219269540 ORCID ID：Nilesh Kumar Sharma 博士 https://orcid.org/0000-0002-8774-3020 致谢：作者感谢印度政府新德里 DST-SERB（SERB/LS-1028/2013）和印度浦那 Dr. DY Patil Vidyapeeth（DPU/05/01/2016）的资金支持。本稿件已在“bioRxiv”上作为预印本发布。利益冲突 作者声明他们没有利益冲突。 道德声明：本研究不涉及任何道德问题。
机器学习技术预测自闭症谱系...
1. 引言 神经发育障碍出现在大脑过程与正常人存在某些差异的发育阶段。这些差异可能非常具体，对患者的生活没有太大影响，也可能对患者的生活（包括社交和智力）产生广泛影响。有时，神经发育障碍在孩子入学前就已出现。神经发育障碍包括多种疾病。其中一种最近广泛传播的疾病是自闭症谱系障碍，患者缺乏社交沟通技巧，行为、活动和兴趣刻板，生活方式千篇一律，无法接受改变。ASD 可能与其他精神和行为障碍有关，如焦虑症 [1]。
对 CEASIOM 软件进行基准测试以预测飞行控制...
CEASIOM，即飞机综合与综合优化方法的计算机化环境，是一个集成了特定学科概念设计工具的框架。在设计的早期阶段，能够预测飞机的飞行和操纵品质非常有用。为了对所研究的配置进行此操作，需要计算空气动力学数据库并将其与稳定性和控制工具相结合以进行分析。本文介绍了 CEASIOM 的自适应保真计算流体动力学模块如何计算飞机配置的空气动力学数据库，以及如何通过飞行控制系统设计器工具包模块分析该数据以确定飞机的飞行品质和控制规律。本文将预测的飞行品质与波音 B747 飞机的飞行测试数据进行比较，以验证整体方法的优良性。
一种预测干摩擦的机器学习策略
没有用于预测干摩擦的摩擦学模型。这项工作提议为建立代表第三体形态的有效数据库奠定基础，以了解是否可以使用机器学习来预测后者的局部摩擦系数。其使用需要构建质量数据库[1]。的确，数据库是机器学习中的关键要素之一，因为它们允许培训人工智能算法，并因此建立模型。考虑到这项研究是开发的。该研究的目的是通过对摩擦界面的定量描述（称为第三尸体）来预测摩擦干燥系数。
两种预测肺腺癌预后的表型
肺癌患者的预后是由癌症阶段的组合定义的，该癌症定义了癌症的位置和扩散。患者的表现状况，是对耐受治疗能力的间接度量；最后，更具固有的肿瘤相关特性，例如局部免疫情节和肿瘤遗传构成。后两个决定免疫疗法和靶向药物是否是治疗选择。测量预后对患者和临床医生都很重要。为了使患者计划未来，并让临床医生预测临床轨迹可能会发生什么，从而及时地参与了相关的医疗保健专业人员。了解肿瘤的分子景观可以为两种治疗策略提供信息，并预测可能的肿瘤抗性途径（1）。当前有助于预测预后的工具是不精确的，尤其是对于肺腺癌，许多患者的病理学，基因突变和疾病阶段相似，但经历了大量多样的结果。腺癌是全球肺癌最常见的亚型（2）。诊断需要证据表明腺体分化，粘蛋白产生或肺细胞标志物表达（3）。肿瘤腺形成的形态和程度可以预测患者的结果（4-6）。cribiform，固体和微毛细血管生长模式具有不良的预后意义（4，7）。局部淋巴血管，顶胸膜和胸壁入侵类似地影响生存率（7）。早期肺腺癌治愈后的生存也有所不同（8）。肿瘤细胞的转移潜力很复杂，而不仅仅是肿瘤大小增加的功能。潜在的转录组/蛋白质组与肿瘤微环境一起控制了肿瘤过渡到迁移，因此转移性表型的能力（9）。作为一个社区，我们需要更好地预测肿瘤的未来行为，以指导治疗决策和预后。为例，使用另一个器官，可以用于雌激素阳性的HER2阴性乳腺癌。该测定法量化了乳腺癌复发的风险，并用于为化学疗法治疗决定提供信息（10）。重要的是，它能够预测那些在手术后将从辅助化疗中受益的患者，因为只有15％的雌激素阳性，HER2阴性乳腺癌患者在缺乏辅助化疗的情况下在5年时经历了复发（11）。超过一半的腺癌病例是由可靶向的癌基（12，13）驱动的，但正如已经突出的那样，即使在具有相同驾驶员癌的患者中，例如EGFR突变肿瘤，分子和临床异质性存在（14-16）。 尽管共享相同的癌基因，但可以通过包括基因内突变的位置的许多因素来解释多样化的患者结局。突变发生在肿瘤进化过程中的时机；肿瘤中存在多个驱动器突变；以及肿瘤的局部免疫环境（17）。 需要生物标志物来更好地预测治疗反应和预后。EGFR突变肿瘤，分子和临床异质性存在（14-16）。尽管共享相同的癌基因，但可以通过包括基因内突变的位置的许多因素来解释多样化的患者结局。突变发生在肿瘤进化过程中的时机；肿瘤中存在多个驱动器突变；以及肿瘤的局部免疫环境（17）。需要生物标志物来更好地预测治疗反应和预后。作为一个社区，我们必须挑战肺腺癌中的单一癌基因范式，该范式鼓励我们以相同的癌基因突变，以统一的方式治疗和关注患者。该区域很可能在临床上影响在“治愈”切除案例中协助辅助治疗决策；鉴于生存率的变化，真正的未满足需求（8）。
人工神经网络语言模型预测人类
。CC-BY-NC-ND 4.0 国际许可证（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是由此预印本的版权持有者于 2023 年 9 月 19 日发布的。；https://doi.org/10.1101/2022.10.04.510681 doi：bioRxiv 预印本
混合神经网络方法预测药物靶标...
阿尔茨海默病（AD）是一种主要影响老年人的神经退行性疾病。最近研究发现，sigma-1受体（S1R）激动剂可以维持内质网应激稳态，减少神经元凋亡，增强线粒体功能和自噬，使S1R成为治疗AD的靶点。传统实验方法成本高、效率低，需开发快速准确的预测方法，而药物再利用为AD治疗提供了新的途径和选择。在本文中，我们提出了一种用于药物 - 靶标亲和力（DTA）预测的混合神经网络HNNDTA，以促进药物再利用用于AD治疗。该研究结合蛋白质-蛋白质相互作用（PPI）网络分析，HNNDTA模型和分子对接来寻找AD的潜在线索。利用13个药物编码网络和9个靶点编码网络构建HNNDTA模型，以2506个FDA批准药物作为S1R及其相关蛋白的候选药物库。利用HNNDTA模型的网络药理学和DTA预测结果，鉴定出7种潜在药物。进一步利用AutoDock Vina工具进行分子对接模拟，筛选出氟哌啶醇和溴哌啶醇作为治疗AD的先导化合物。吸收、分布、代谢、排泄和毒性（ADMET）评价结果表明，这两种化合物均具有良好的药代动力学性质，且几乎无毒。该研究提出了一种新的计算机辅助药物设计方法，该方法更快、更经济，并能提高新药化合物的命中率。本研究结果为AD治疗提供了新的先导化合物，由于其多靶点作用，可能有效。HNNDTA可在https://github.com/lizhj39/HNNDTA免费获取。
表型 (G2P) 模型用于预测谷物的复杂性状...
随着育种 4.0 的发展，需要新的基因分型和表型工具来帮助育种过程提高基因型的生产力 (Van Eeuwijk 等人，2019 年，Wallace 等人，2018 年)。这包括整合多层基因组学、高通量植物表型 (HTPP) 和大规模环境分型以改善复杂性状预测的趋势 (Crossa 等人，2021 年，Cooper 等人，2014 年)。全基因组预测，称为基因组预测 (GP) 或基因组选择 (GS)，是将这些新工具整合到育种计划中以支持高产和可持续产量品种的主要方法。GS 的主要目标是根据标记信息预测复杂性状，通过为候选者生成基因组估计育种值来提高选择的准确性。因此，GS 可能优于表型选择，因为它可以增加单位时间的遗传增益并缩短育种周期（Crossa 等人，2017 年）。最近，育种者的要求越来越多地转向将 HTPP 数据和环境信息纳入多环境试验分析（Araus 等人，2018 年）。然而，
机器学习方法预测幼儿的营养状况
摘要：营养不良是各国幼儿遇到的主要健康问题之一。根据2022年印尼营养状况调查结果，印度尼西亚五岁以下儿童的不良营养高于非洲和全球的平均营养不良。因此，需要一种方法来预测早期五岁以下儿童的营养状况，以便政府（通过地区卫生办公室）可以立即提供必要的治疗方法。这项研究旨在使用各种机器学习（ML）方法（即幼稚的贝叶斯，线性判别分析，决策树，K-Nearest邻居，随机森林，随机森林，随机森林和支持载体机器），基于年龄，体重指数（BMI），体重和身体长度来预测或分类幼儿的营养状况。根据准确性，敏感性，特异性，曲线（AUC）和Cohen的Kappa系数（CKC）评估每个ML方法的预测性能。测试结果表明，随机森林方法最建议用于以准确性，灵敏度，特异性，AUC和CKC值预测幼儿的营养状况：0.9737，0.9500，0.9500，0.9881，0.9990和0.9609。该研究的贡献是更容易获得有关幼儿营养状况的信息。
缩放定律，以预测湿度引起的水凝胶的肿胀和僵硬
水凝胶是吸收水的聚合物网络，由于它们的脱水行为，近几十年来吸引了人们的注意力。它们已被证明是从园艺1-4到软机器人或组织工程5-9的各种应用。用于软机器人技术的水凝胶依赖于由水凝胶中水量变化而导致的机械僵硬的固有变化。 在米饭或面食等日常食品中观察到这种关系（可以描述为基于淀粉的水溶液），柔软度随水含量而增加。 在过去的三十年中，有大量的研究重点是肿胀行为1,10-16或机械僵硬5,6,9,17–24,24-31。 一个值得注意的例子是Li等人的研究，该研究使用Flory-Huggins理论来开发一个可以用来将肿胀与渗透压相关联的状态方程。32。 尤其是，他们发现渗透压与交联密度无关，表明由相同基础单体组成的凝胶可以类似地处理。 他们的工作以及他人的共同工作表明，在接近完全肿胀的状态下的水凝胶肿胀和僵硬行为的强烈基本上；但是，我们对肿胀和僵硬如何依赖湿度的了解较少。 刚度的水凝胶研究通常将分析限制为完全潮湿的状态23–25,33–36。 水凝胶中的水肿也受环境环境中的相对湿度的控制。依赖于由水凝胶中水量变化而导致的机械僵硬的固有变化。在米饭或面食等日常食品中观察到这种关系（可以描述为基于淀粉的水溶液），柔软度随水含量而增加。在过去的三十年中，有大量的研究重点是肿胀行为1,10-16或机械僵硬5,6,9,17–24,24-31。一个值得注意的例子是Li等人的研究，该研究使用Flory-Huggins理论来开发一个可以用来将肿胀与渗透压相关联的状态方程。32。尤其是，他们发现渗透压与交联密度无关，表明由相同基础单体组成的凝胶可以类似地处理。他们的工作以及他人的共同工作表明，在接近完全肿胀的状态下的水凝胶肿胀和僵硬行为的强烈基本上；但是，我们对肿胀和僵硬如何依赖湿度的了解较少。刚度的水凝胶研究通常将分析限制为完全潮湿的状态23–25,33–36。水凝胶中的水肿也受环境环境中的相对湿度的控制。这种湿度引起的肿胀对于食物尤其重要