XiaoMi-AI文件搜索系统
World File Search Systemtoolkit
对拟议的 FDI 质量工具包的评论 - 12 月......
经合组织企业界（BIAC）很高兴有机会为我们从一开始就关注的 FDI 质量项目的工作做出贡献，也欢迎有机会就拟议的工具包咨询文件提供书面意见。 我们赞赏经合组织在 FDI 质量项目背景下所做的广泛研究。为了进一步增强工具包的实用性，我们建议更提前地表明目标受众，例如工具包主要针对经合组织国家的政策制定者，还是也针对经合组织以外地区的政策制定者，就像投资政策框架（PFI）一样。与此相关的是，进一步强调与 PFI 的联系，并强调工具包在多大程度上建立和补充了基础工具，以及在多大程度上扩展了 PFI，可能会有所帮助。 企业界大力支持 PFI，支持建立可预测、稳定和鼓励的投资环境，包括在投资决策往往风险更大的第三市场。为此，我们认为，FDI 质量工具包（虽然针对政府）可通过强化东道国环境的区位因素（这对于使 OECD 投资者能够在第三市场竞争也很重要）和为企业界遵守的投资政策制定“良好做法”提供参考文件，从而为私营部门创造附加值。 就该工具包针对 OECD 成员国政策制定者的程度而言，重要的是要认识到，过去十年，尤其是在过去几年，流入 OECD 国家的外国直接投资 (FDI) 占总流入 FDI 的比例呈下降趋势。鉴于地缘政治紧张局势加剧，OECD 国家必须在持续的系统性竞争中确立自己的地位，并考虑如何才能继续成为广泛吸引 FDI 的目的地。为此，我们认为经合组织应发挥重要作用，加强对投资吸引和促进的关注，同时不仅要关注可持续性与外国直接投资之间的相互联系，还要关注税收因素、投资条约框架和投资审查趋势，重点是保持在全球市场的竞争力。 鉴于投资差距不断扩大，特别是在数字和医疗基础设施等关键领域，以及考虑到外国直接投资对创造就业机会的关键贡献，增加包括外国直接投资在内的私人投资变得更加重要。与此同时，我们观察到国际投资环境面临强劲阻力，虽然全球外国直接投资流量正在反弹，但初步指标显示，这种复苏仍
为癌症研究中的机器学习和人工智能构建工具：最佳实践和案例研究用于计算病理学的 PathML 工具包
成像长期以来一直是癌症研究和临床护理的基石，为了解组织形态和空间细胞间动力学提供了依据。近年来的技术进步使显微镜的规模比以往任何时候都更大，导致常用数据集的大小呈指数级增长 - 这一趋势在未来几年可能会继续加速。生物医学成像中的“大数据”可以沿着两个正交轴来概念化：样本大小和数据维数（图 1）。第一个轴（n）可以通过简单地计算数据集中的病例数来测量。这一维度的扩展主要受到高通量成像技术的进步的推动。一个显著的例子是在病理学领域，数字化工作流程的日益普及导致幻灯片扫描被例行纳入病理学家的工作流程，从而创建了大型全幻灯片图像 (WSI) 数据库。早期采用数字化病理学工作流程的人每年扫描超过 100 万张幻灯片 [1] – 比 TCGA 等当前基准数据集大几个数量级，这表明随着工作流程日益数字化，大型学术三级医院可以预期会定期生成大量数据。与此同时，数据在每张图像中捕获的信息量也在增长，我们将其称为数据维数 (d)。这主要是由空间组学（即蛋白质或 RNA 等分子标记的空间量化）和高度多路复用成像（在 [2] 中进行了综述）的新兴技术推动的。与具有三个通道（红色、绿色和蓝色）的明场图像相比，这些高维图像中的每一个可能具有超过 10,000 个通道，每个通道代表一个特定目标。体积成像通过添加深度维度进一步增加了每个样本中的信息内容，从而能够捕获三维组织形态。因此，即使病例数保持不变，数据集大小也会增长。图像数据的快速增长对癌症研究具有重要意义，尤其是与基因组学和结果等伴随元数据结合使用时。大样本量为发现和量化与临床和生物学相关特征相关的组织学模式提供了足够的能力，最近的研究表明这些方法有潜力改善临床和诊断工作流程 [3-5] 并发现基于图像的生物标志物以重现分子特征 [6, 7]。同样，高维成像数据中捕获的丰富背景信息为以前所未有的分辨率探究肿瘤微环境奠定了基础 [8, 9]。明场显微镜的普遍性使其成为基于图像的生物标志物开发的特别有吸引力的候选者，因为数字工作流程越来越多地部署在更广泛的临床环境中。然而，虽然成像数据集的规模不断扩大带来了新的研究机会和途径，但也带来了重大挑战。也就是说，这些进步只有通过利用计算图像分析方法，特别是深度学习才能实现。深度学习模型灵活而强大，在识别方面表现出显著的成功
为癌症研究构建机器学习和人工智能工具：使用计算病理学 PathML 工具包的最佳实践和案例研究
成像长期以来一直是癌症研究和临床护理的基石，为了解组织形态和空间细胞间动力学提供了依据。近年来的技术进步使显微镜的规模比以往任何时候都更大，导致常用数据集的大小呈指数级增长 - 这一趋势在未来几年可能会继续加速。生物医学成像中的“大数据”可以沿着两个正交轴概念化：样本大小和数据维数（图 1）。第一个轴（n）可以通过简单地计算数据集中的病例数来测量。这一维度的扩展主要受到高通量成像技术的进步的推动。一个显著的例子可以在病理学领域看到，该领域越来越多地采用数字化工作流程，导致幻灯片扫描被例行纳入病理学家的工作流程，从而创建大型全幻灯片图像 (WSI) 数据库。早期采用数字化病理学工作流程的人每年扫描超过 100 万张幻灯片 [1] - 比 TCGA 等当前基准数据集大几个数量级，并且表明随着工作流程日益数字化，大型学术三级医院可以预期定期生成的潜在数据量。与此同时，数据在每张图像中捕获的信息量也在增长，我们将其称为数据维数 (d)。这主要是由空间组学（即蛋白质或 RNA 等分子标记的空间量化）和高度多路复用成像（在 [2] 中进行了评论）的新兴技术推动的。与具有三个通道（红色、绿色和蓝色）的明场图像相比，这些高维图像中的每一个可能具有多达 10,000 个通道，每个通道代表一个特定目标。体积成像通过添加深度维度进一步增加了每个样本的信息内容，从而能够捕获三维组织形态。因此，即使病例数保持不变，数据集大小也会增长。图像数据的快速增长对癌症研究具有重要意义，尤其是与基因组学和结果等伴随元数据结合使用时。大样本量为发现和量化与临床和生物学相关特征相关的组织学模式提供了足够的能力，最近的研究表明这些方法有潜力改善临床和诊断工作流程 [3-5] 并发现基于图像的生物标志物以重现分子特征 [6, 7]。同样，高维成像数据中捕获的丰富背景信息为以前所未有的分辨率探究肿瘤微环境奠定了基础 [8, 9]。随着数字工作流程越来越多地部署在各种临床环境中，明场显微镜的普遍性使其成为基于图像的生物标志物开发的特别有吸引力的候选者。然而，虽然成像数据集规模的增加带来了新的研究机会和途径，但也带来了重大挑战。也就是说，这些进步只有通过利用计算图像分析方法，特别是深度学习才有可能实现。深度学习模型灵活而强大，在识别方面已显示出显著的成功
CRISPR/DCAS9工具包用于玉米基因的功能分析
确实有效。使用基于DCAS9（PDA2），DCAS9-VP64（PDA3）或DCAS9-SRDX（PDA4）载体的CRISPRA/CRISPRI原生质体系统，我们测试了前四个GRNA候选者的有效性，靶向PDS1，CHLH和TRXH和TRXH，FICE（FICE）和3和TRXH，FICE（FICE）和3（FICE）2及3次。与其他关于DCAS9活性的报道类似，我们观察到PDA2在CHLH表达上表现出一些抑制活性（图3A），尽管对于某些GRNA，PDA4的幅度较大（图3B）。用PDA3（CRISPRA构建体）测试，表明TRXH表达增加了两倍，具体取决于GRNA共转染了哪个GRNA（图3C）。这项研究中观察到的GRNA之间的有效性不同，重申了测试多个候选物的必要性。
系统发育学：一种用于处理和分析系统基因组数据
动机：生物学过程中的各种学科并分析了多个序列比对（MSA）和系统基因树，以评估其信息含量，推断进化事件和过程并预测基因功能。但是，由于缺乏统一的工具包，MSA和树木的自动处理仍然是一个挑战。为了填补这一差距，我们介绍了Phykit，这是一种使用30个处理MSA和树木的函数的工具包，包括但不限于估计突变率，序列组成偏见的评估，计算分子时钟的违规程度以及与下属的分子抗体（内部分支）（较低的支撑）。结果：为了证明Phykit的实用性，我们详细介绍了三种用例：（1）总结MSA和系统发育树中的信息内容，以诊断出序列或树数据的潜在偏见； （2）评估基因 - 基因的共同变异，以鉴定基因之间的功能关系，包括新颖的关系，以及（3）标志性的系统发育树中缺乏分辨率事件或多构象，这些事件暗示了快速辐射事件或缺乏数据。我们预计，植物会对处理，检查和得出生物学意义有用。可用性和实施：phykit在GitHub（https://github.com/jlsteenwyk/phykit），pypi（https：//pypi.org/project/phykit/）和Anaconda Cloud（https：//pro）云（https：//p：org/project/phykit/）和Anaconda Cloud（https：httpps：htttps：/带有广泛文档和用户教程的Cense（https://jlsteenwyk.com/phykit）。联系人：jacob.steenwyk@vanderbilt.edu或antonis.rokas@vanderbilt.edu补充信息：补充数据可从Bioinformatics Online获得。
药物意识到“小白色谎言” - 社区工具包
MHC还支持社区团体和组织利用当地媒体机会进一步扩大竞选活动的影响力。定制资产（例如海报，广播广告），MHC很乐意协助可行的开发。任何使用药物意识徽标或消息传递的新通信资产都需要由MHC批准。请与您的社区支持与发展计划团队代表联系以下信息，以支持及时批准。1。出版物的目的。2。目标受众。3。您打算交流的关键消息。4。在哪里/如何使用资产。5。它将用于多长时间。6。当您需要批准时。
用于基因表达的扩展合成生物学工具包......
本文档是已发表作品的已接受手稿版本，该作品最终以 ACS Synthetic Biology 的形式出现，版权归美国化学学会所有，由出版商进行同行评审和技术编辑。要访问最终编辑和出版的作品，请参阅 https://doi.org/10.1021/acssynbio.8b00168
开发有关食品生物技术的通信工具包
有关开发有关食品生物技术的通讯工具包的技术咨询会议于2020年召开。在2020年6月11日至12日举行的第一次会议上，专家们从努力中汲取了良好的实践和经验教训，以向国家和地区一级的公众传达与食品生物技术有关的信息。提出的要点将包括在工具包中，这是从沟通策略的设计阶段到生产和传播通信产品的有效通信的要素，并评估了交流工作。Following the experts' presentations, there were questions and discussions about the example materials that were drafted after the first technical consultation meetings covering the following 10 areas: i) FAO background and guidance, ii) fundamentals, iii) human health, iv) the environment, v) safety assessment of genetically modified (GM) foods, vi) regulations, vii) benefits, viii) practical uses and applications, ix) current innovations,和x）公共参与。在2020年8月26日至27日举行的第二次会议之前，专家之间散发了示例材料草稿材料。根据他们的反馈，制定了修改材料草案的计划。在会议上讨论了这一点。确定的关键要素将反映在修订的示例材料中。最终确定整个工具包的过程是离线进行，但这将在必要时与相关的粮农组织内部团队进行多次讨论。该工具包包含51种适合社交媒体的材料以及一系列指导文件，旨在使用主管当局和部委的技术级政府官员使用，这些政府官员负责对生物技术的安全评估的安全评估，以与一般公众有效沟通。
Fairlearn：评估和提高人工智能公平性的工具包
我们推出了 Fairlearn，这是一个开源工具包，它使数据科学家和开发人员能够评估和提高其 AI 系统的公平性。Fairlearn 有两个组件：交互式可视化仪表板和不公平缓解算法。这些组件旨在帮助在公平性和模型性能之间进行权衡。我们强调，在 AI 系统中优先考虑公平性是一项社会技术挑战。由于不公平的来源有很多种——有些是社会的，有些是技术的——因此不可能完全“消除”一个系统的偏见或保证公平性；目标是尽可能减轻与公平相关的危害。随着 Fairlearn 不断发展，包括更多的公平指标、不公平缓解算法和可视化功能，我们希望它能够由一个多元化的利益相关者社区塑造，从数据科学家、开发人员和业务决策者到生活可能受到 AI 系统预测影响的人们。
沟通工具包：提高学习障碍人士接种流感疫苗的几率
• 今年可以安全地接种流感疫苗。 • 尽快接种流感疫苗，以在这个冬天保持健康。 • 与您的医生、护士或药剂师讨论如何获得免费的流感疫苗。 • 流感疫苗见效快，可以保护您免于重病。 • 流感疫苗并不总能阻止您感染流感。但是，如果您感染了流感，您的症状会较轻。 • 流感疫苗是免费的，因为您需要它。如果您不接种疫苗，您可能会病得很重，不得不去医院。 • 不要让任何事情阻止您接种流感疫苗。医生、护士或药剂师会照顾您的。 • 您可以带家人或朋友一起去接种流感疫苗。 • 如果您认为自己感染了流感，请待在家里休息，直到感觉好些为止。如果您有其他健康问题或感觉非常不适，请致电 NHS 111