XiaoMi-AI文件搜索系统
World File Search Systempredict
DrugSim2DR：预测药物功能与药物再利用的相似性
DrugSimscore。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 4 进行测试。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 5 我的环境。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 5 情节Druglink。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 6 图药物结构。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 7 绘制目标热图。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 7
机器学习绩效分析以基于
大脑中风是普遍死亡的第二大大量原因，在过去几年中一直是公共卫生的主要关注。借助机器学习技术，可以访问各种冲程警报的早期检测，这可以有效防止或减少中风。医学数据集在其类标签上经常不平衡，倾向于预测少数群体的趋势。在本文中，研究了中风的潜在危险因素。此外，还采用了四种独特的方法来改善中风数据集中少数群体的分类，这是合成重量投票分类器，合成的少数群体过度采样技术（SMOTE），主要组成部分分析，具有K-Means聚类（PCA-KMEANS）的主要成分分析（PCA-KMEANS），局灶性损失，与深度神经网络（COMPAL SERVANCY）（COMPAR）（DNN）（DNN）（DNN）（DNN）（DNN）（DNN）（DNN）。通过分析结果，具有DNN-局灶性损失的Smote和PCA-KMEANS最适合有限的大型严重不平衡数据集（例如，中风数据集），这是2-4倍以优于Kaggle的工作。关键字：不平衡数据集，中风预测，集合权重投票分类器，Smote，dnn的焦点损失，PCA-KMEANS
提高疫苗诱导的免疫力：基线可以预测结果吗？
通过系统免疫学捕捉“基线” 疫苗用于预防感染或疾病，是历史上最有效的救命医疗干预措施之一 [1]。过去，疫苗设计很大程度上是经验性的。然而，这种方法迄今为止大多无法治疗艾滋病毒、结核分枝杆菌 (TB) 和疟原虫 (疟疾) 等复杂感染，以及癌症和其他非传染性疾病。这种失败的原因是缺乏对疫苗诱导保护的潜在机制（即免疫规则）的深入了解 [2,3]。最近的技术进步，包括高度多路复用的免疫分析和数据驱动的计算模型，提高了在全球范围内识别这些规则的前景。系统生物学在疫苗中的应用[或“系统疫苗学”（见词汇表）]涉及以全面和公正的多组学方式（“组学”）评估疫苗接种前后免疫系统的分子和细胞状态。然后，该研究用于开发数据驱动模型，以预测疫苗接种后病原体特异性免疫反应（例如抗原特异性抗体滴度）；通过这些模型，我们的目标是确定与疫苗反应相关并可能影响疫苗反应的关键分子免疫参数。这种方法已经带来了新的见解。例如，疫苗接种后早期宿主反应与结果（例如抗体反应）之间的相关性提出了微生物组可能参与疫苗接种反应的假设。抗生素引起的微生物组变化会影响小鼠甚至人类对流感病毒疫苗接种的反应 [4-6]。这种公正的系统方法越来越多地应用于疫苗设计和测试 [7]。这也导致人们越来越认识到群体中个体之间许多免疫参数的广泛基线和反应变异性 [8]。鉴于普遍存在的群体异质性，预测哪些人会对某种疫苗产生反应是必要的。此外，了解接种疫苗前的免疫状态如何影响疫苗接种反应也很重要。最近人们认为，对于人类流感病毒、乙型肝炎病毒 (HBV) 和疟疾疫苗接种，这也是可能的 [9-14,41]。具体而言，目的是评估受试者接种疫苗前的免疫状态是否允许预测反应（即“基线预测结果”的概念）。
基于图神经网络预测 lncRNA 与药物的关联
LncRNA 是一类重要的非编码 RNA，据报道与多种人类病理状况有关。越来越多的证据表明药物可以调节 lncRNA 的表达，这使得将 lncRNA 开发为治疗靶点成为可能。因此，开发预测 lncRNA-药物关联 (LDA) 的计算机方法是开发基于 lncRNA 的疗法的关键步骤。在本研究中，我们使用基于 lncRNA 和药物相似性网络的图卷积网络 (GCN) 和图注意力网络 (GAT) 来预测 LDA。结果表明，我们提出的方法在五个数据集上取得了良好的性能（平均 AUC > 0.92）。此外，案例研究和 KEGG 功能富集分析进一步证明该模型可以有效识别新型 LDA。总体而言，本研究提供了一个基于深度学习的预测新型 LDA 的框架，这将加速针对 lncRNA 的药物开发进程。
使用AI和机器学习来预测果实产量
“目前，我们可以根据水果数量和增长率来预测树的产量，”她说。“但这还不够好。我们正在根据树上的芽数进行预测，以帮助指导修剪。芽在花朵之前很好地出现，因此它为农民提供了更多时间采取适当的行动 - 即需要多少修剪才能优化产量。，但这非常困难。我们继续以计算机视觉和机器学习模型为基础，以扩大我们的预测能力。Caain的贡献使我们能够雇用更多的人来构建更多数据集，这反过来又使我们能够在树木休眠时检测到相关因素。反过来，这将使我们能够预先预测一棵树的农作物负荷，以使果园经理可以修剪休眠的分支，以使每棵树的最佳农作物负载，从而使其更健康。”
预测心血管的10年风险的模型...
抽象背景是使用基于经验临床知识检索的风险因素建立了心血管疾病（CVD）的先前预测算法（CVD）。本研究试图在综合可变空间中识别预测因子，然后使用机器学习（ML）算法来开发新型的CVD风险预测模型。来自英国生物库的基于纵向人群的群体的方法，包括473 611 CVD的参与者，年龄在37至73岁之间。我们实施了基于ML的数据驱动管道，以从645个候选变量中识别预测变量，这些变量涵盖了一系列与健康相关的因素，并评估了多个ML分类器，以在10年事件CVD上建立风险预测模型。该模型通过剩余的中心交叉验证进行了验证。结果在12。2年的中位随访期间，31 466名参与者在基线访问后的10年内开发了CVD。建立了一种新型的UK Biobank CVD风险预测（UKCRP）模型，其中包括10个预测因子，包括年龄，性别，性别，胆固醇和血压药物，胆固醇比（总/高密度脂蛋白），收缩压血压，先前的心绞痛或心脏病或心脏病，心脏病或心脏病，药物的数量，药物的数量，cyptatin c，胸肌C，胸部疼痛和包装吸烟和吸烟。我们获得的模型满足了接收器操作特征曲线（AUC）下0.762±0.010的区分性能，该区域的表现超过了多个现有临床模型，并且在BRIER得分为0.057±0.006的情况下进行了很好的校准。此外，UKCRP可以获得心肌梗塞（AUC 0.774±0.011）和缺血性中风（AUC 0.730±0.020）的可比性，但出血性中风的性能较低（AUC 0.644±0.026）。结论基于ML的分类模型可以从潜在的高风险的CVD参与者中学习表达性表示，他们可能会从早期的临床决策中受益。
通过测量生命体征来预测月经周期的设备。
side，K.，Kilungeja，G.，Tapia，M.，Kreidl，P.，Brinkmann，B.H。，＆Nasseri，M。（2023）。使用循环统计数据分析在月经周期中使用可穿戴传感器记录的生理信号。网络生理学中的边界，3，1227228。https：//doi.org/10.3389/fnetp.2023.1227228。
分析机器学习方法以预测比特币定价
加密货币是一种使用区块链技术和密码学来保护有关数字市场交易和交换的信息的数字货币形式。像比特币这样的加密货币由一个大型网络组成，该网络有许多同行在上面工作，每个同行都有整个历史记录，其中包含所有发生的交易。比特币是最受欢迎的加密货币。比特币吸引了个人和机构投资者的很多关注。本文的目的是分析机器学习方法以预测比特币定价。机器学习及其相关领域近年来取得了显着进步。机器学习技术用于科学的不同领域，尤其是加密货币价格预测。使用此机器学习模型，我们可以预测比特币的价格方向。机器学习方法已被证明可以有效预测比特币价格。讨论了几乎没有用于预测比特币价格的机器学习模型是线性回归，逻辑回归，贝叶斯回归，支持供应商机器，随机森林，神经网络。每种机器学习方法都有其自身的优势和缺点，但是从文献分析中可以理解，人工神经网络和支持供应商机器的有效性率最高。机器学习方法比参数回归方法具有更高的预测准确性。
人工智能方法预测肝细胞癌总生存期
人工智能是指试图重现人类认知功能（如学习和解决问题）的计算机程序。机器学习最初是作为人工智能的一个分支而开发的，可以定义为创建预测模型和检测行为模式的算法。机器学习方法几乎广泛应用于医学的各个领域，现在也用于解决 HCC 知识空白领域，如致癌作用、筛查、非侵入性诊断、治疗后复发和治疗选择。提高预测 HCC 患者预后和生存的能力是巩固我们的知识和指导病例管理的重要一步。迄今为止，它在 HCC 中的研究相对不足，值得我们关注。
使用人工智能技术预测和识别教育过程
本文致力于使用模拟建模技术来预测和识别教育机构中系统主动元素在知识转移和积累过程中发生的过程。以系统分解的形式引入框图描述，以便进一步建模。对知识积累和教育质量评估过程进行了数学描述。描述了通过构建人工神经网络来扩展多代表模型的工具的使用，以提高使用该模型进行实验时的计算准确性。使用数学模型和人工智能工具进行模拟建模，可以通过分析和预测教育质量来反映知识转移和积累过程的状态和动态。本文介绍了面向学生和教师之间互动的模拟方法和软件实现，其中考虑到了知识代表的心理生理、情感和认知状态。给出了模拟结果并进行了分析。