XiaoMi-AI文件搜索系统
World File Search Systemuate
临界COVID-19，Victivallaceae丰度和腹腔疾病：介导门德尔随机研究
腹腔疾病在2019年冠状病毒疾病患者中表现出更高的患病率。然而，共同-19对乳糜泻的潜在影响仍然不确定。考虑了肠道微生物群改变，Covid-19和乳糜泻之间的显着关联，采用了两步的孟德尔随机方法来研究Covid-19和腹腔疾病之间的遗传因果关系，以及肠道菌群作为潜在的介体。我们采用了全基因组关联研究来选择与暴露有关的遗传仪器变量。随后，这些变量被用来评估Covid-19对腹腔疾病风险及其对肠道菌群的潜在影响的影响。采用两步的孟德尔随机方法实现了潜在因果关系的检查，包括：1）COVID-19感染，住院COVID-19和关键的Covid-19对腹腔疾病风险的影响； 2）肠道菌群对乳糜泻的影响； 3）肠道微生物群在covid-19和腹腔疾病风险之间的介导影响。我们的发现表明，临界值得联盟-19和腹腔疾病的风险升高（反向差异加权[IVW]：p = 0.035）之间存在显着关联。此外，我们观察到批评-19与victivallaceae的丰度之间存在逆相关性（IVW：p = 0.045）。值得注意的是，增加的维多拉曲科的丰度对腹腔疾病的风险具有保护作用（IVW：p = 0.016）。总而言之，我们的分析提供了支持关键covid-19和降低维多拉曲科的因果关系的遗传证据，从而增加了腹腔疾病的风险。
深度学习和流量标志的多模式LLM ...
自动驾驶汽车（AVS）需要可靠的交通标志识别和健壮的车道检测功能，以确保在复杂和动态的环境中实现安全的导航。本文介绍了一种综合方法，结合了先进的深度学习技术和多模式大型语言模型（MLLMS），以实现全面的道路。对于交通标志识别，我们系统地评估了Resnet-50，Yolov8和RT-Det，在Resnet-50中以99.8％的状态效果达到99.8％，Yolov8的精度为98.0％，尽管具有较高的计算机复杂性，但在RT-DECT上的精度达到了96.6％的精度。对于车道检测，我们提出了一种基于CNN的分割方法，通过多项式曲线拟合增强了，该方法在有利条件下肝脏高精度。更重要的是，我们引入了一个轻巧的，多模式的，基于LLM的框架，该框架直接进行了调整的指令，以调整您的小而多样化的数据集，从而消除了对Intial预处理的需求。该框架有效地处理了各种车道类型，复杂的交叉点和合并区域，可以通过不利条件下的推理来提高车道检测可靠性。尽管有限制可用的培训资源，但我们的多模式方法表明了高级推理能力，达到了53.87％的所有准确性（FRM），这一问题总体上是82.83％的总体确保（QNS），在清晰的条件下，泳道的检测准确性为99.6％，在夜间和93.0％的情况下为93.0％的雨水，以及8.0％的雨水，以及8.8的范围。道路退化（95.6％）。拟议的综合框架显着增强了AV感知的可观性，从而极大地促进了在各种和充满挑战的道路方案中更安全的自主驾驶。
rlCoder：存储库级代码完成的加固学习
摘要 - 重定位级代码完成旨在在指定存储库的上下文中为未完成的代码段生成代码。现有方法主要依赖于检索增强的生成策略，这是由于输入序列长度的限制。然而，BM25（例如BM25）努力捕获代码语义的传统基于词汇的检索方法，而基于模型的检索方法由于缺乏标记的培训数据而面临挑战。因此，我们提出了一种新颖的增强学习框架RLCoder，它可以使得猎犬能够学习检索有用的内容以完成代码完成，而无需标记数据。具体来说，当将检索到的内容作为附加上下文提供时，我们根据目标代码的困惑迭代评估了检索内容的有用性，并提供了反馈以更新回收者参数。这个迭代过程使得猎犬能够从其成功和失败中学习，从而逐渐提高其检索相关和高质量内容的能力。考虑到并非所有情况都需要超出代码文件的信息，并且并非所有检索到上下文都对生成有所帮助，我们还引入了停止信号机制，从而允许检索员决定何时检索以及哪些候选者自动保留。广泛的实验结果表明，RLCODER始终优于交叉码头和reboeval的最先进方法，比以前的方法实现了12.2％的EM改进。此外，实验表明，我们的框架可以跨越不同的编程语言概括，并进一步改善了诸如RecoCoder之类的先前方法。索引术语 - 固定级代码完成，增强学习，困惑，停止信号机制
使用具有逻辑反馈的 LLM 生成药物发现的新线索
大型语言模型 (LLM) 可用作生物和化学信息库，以生成药理学先导化合物。然而，要使 LLM 专注于特定的药物靶点，通常需要使用逐步更精细的提示进行实验。因此，结果不仅取决于对靶点的了解，还取决于对提示工程的了解。在本文中，我们将提示分为可以以标准逻辑形式编写的领域约束和简单的基于文本的查询。我们研究是否可以引导 LLM，不是通过手动优化提示，而是通过自动优化逻辑组件，保持查询不变。我们描述了一个迭代过程 LMLF（“具有逻辑反馈的语言模型”），其中使用逻辑泛化概念逐步优化约束。在任何迭代中，都会根据约束验证新生成的实例，为下一次迭代对约束的优化提供“逻辑反馈”。我们使用两个众所周知的靶点（Janus 激酶 2 和多巴胺受体 D2 的抑制）和两个不同的 LLM（GPT-3 和 PaLM）来评估 LMLF。我们表明，从相同的逻辑约束和查询文本开始，LMLF 可以引导两个 LLM 生成潜在线索。我们发现：(a) LMLF 生成的分子的结合亲和力比现有基线的结合亲和力更偏向更高的结合亲和力；(b) LMLF 生成的分子比没有逻辑反馈的分子更偏向更高的结合亲和力；(c) 计算化学家的评估表明 LMLF 生成的化合物可能是新型抑制剂。这些发现表明，具有逻辑反馈的 LLM 可能提供一种生成新线索的机制，而无需领域专家获得复杂的快速工程技能。
用于蛋白质理解的大语言模型的微调数据集和基准测试
蛋白质序列与自然语言之间的高相似性，特别是在其顺序数据结构中，在两个领域的深度学习模型中都取得了平行的进步。在自然语言处理（NLP）中，大型语言模型（LLMS）在文本，翻译和对话代理等任务中取得了巨大的成功，因为它们对各种数据集进行了广泛的培训，使他们能够捕获复杂的语言模式并具有类似人类的文本。受这些进步的启发，研究人员试图通过将蛋白质序列编码器与诸如LLAVA之类的设计之类的设计来适应蛋白质理解。但是，这种适应提出了一个基本问题：“最初是为NLP设计的LLM可以有效地将蛋白质序列理解为一种语言形式吗？”由于蛋白质序列和相应的文本描述之间缺乏直接相关性，目前的数据集在解决这个问题方面缺乏，从而限制了训练和评估LLM的能力，无法有效地了解蛋白质的理解。为了弥合这一差距，我们引入了proteinlmdataset，该数据集是专门设计的，专门针对LLMS的进一步自我监管的预处理和监督微调（SFT），以增强其对蛋白质序列理解的能力。具体来说，蛋白质质量包括174.6亿个代币，用于训练预处理和SFT的893K指令。此外，我们提出了蛋白质一个基准数据集，该数据集由944个手动验证的多项选择问题组成，用于评估LLMS的蛋白质理解。Proteinlmbench以多种语言结合了与蛋白质相关的细节和序列，建立了评估LLMS蛋白质理解能力的新标准。大语模型interlm2-7b在蛋白质质量上预处理并进行了微调，在蛋白质Lmbench上的表现优于gpt-4，获得了最高的精度得分。数据集和基准可在https://huggingface.co/datasets/tsynbio/proteinlmdataset/和https://huggingface.co/datasets/tsynbio/tsynbio/proteinlmbench中获得。代码可在https://github.com/tsynbio/proteinlmdataset/上获得。
基于LPS去除的钩端螺旋体疫苗开发新策略
钩端螺旋体属的致病螺旋体是钩端螺旋体病的病原体。针对钩端螺旋体感染的细胞疫苗通常主要引起针对制剂中存在的血清型的 LPS 抗原的反应。没有合适的蛋白质候选物能够替代全细胞疫苗，因此需要新的疫苗开发方法来改善钩端螺旋体病的预防。我们的目标是开发一种基于 LPS 去除和蛋白质抗原暴露保护的独立于血清型的全细胞疫苗，以评估单价或双价疫苗对仓鼠同源和异源毒性钩端螺旋体的保护能力。钩端螺旋体经过热灭活，或用丁醇进行 LPS 提取，在某些情况下用甲醛进一步灭活。用同源或异源强毒血清型对仓鼠进行免疫和攻击，从幸存者身上采集血液和器官进行细菌定量、趋化因子评估，并通过蛋白质印迹分析血清抗体反应性和交叉反应性。用血清型 Copenhageni 或 Canicola 的热疫苗或低 LPS 疫苗免疫可使受到同源强毒细菌攻击的动物获得 100% 的保护。值得注意的是，与全细胞疫苗不同，用血清型 Canicola 生产的低 LPS 疫苗在受到强毒 Copenhageni 血清型的异源攻击时仅提供部分保护。用二价制剂免疫可使受到强毒血清型 Canicola 攻击的免疫动物获得 100% 的保护。生产的所有疫苗都能够消除受到攻击动物肾脏中的细菌。所有疫苗均能产生能够识别疫苗制剂中不存在的血清型抗原的抗体。所有免疫动物的 IFN γ、CXCL16、CCL5、CXCL10、CXCR6 和 CCR5 转录本均增加。结论：我们的结果表明，降低 LPS 的二价疫苗可能是一种针对异源性强毒血清型的有趣保护策略。除了理想的多价保护外，低 LPS 疫苗由于预期较低的致病性而特别有前景。
wcms_243961.pdf - 国际劳工组织
自 2008 年金融危机爆发以来，全球政策辩论主要集中在发达经济体及其应对危机影响的能力上。在此期间，发展中国家的政策发生了重大转变，但这一转变往往被忽视。值得注意的是，面对对发达经济体出口放缓的情况，发展中国家面临着重新平衡经济、寻找新的经济增长点和就业来源的需要。本报告总结了从这一政策转变中可以吸取的诸多教训。首先，报告展示了所审查的 140 多个新兴经济体和低收入国家中存在的大量政策创新。这些措施包括就业保障计划、弱势群体现金福利和促进正规企业的政策。其中一些措施正在整个发展中国家得到复制，甚至对一些受金融危机影响最严重的发达经济体也具有一定的吸引力。其次，报告得出的一项重要结论是，高质量的就业对发展至关重要。尽管长期以来人们一直认为发展中国家应集中精力进行贸易和投资自由化以及基础设施建设，并在必要时获得外部援助，但报告中提供的证据表明，除非同时采取专门措施促进就业，否则这些政策不会带来发展。
结合惯性传感和预测模型进行特定物料处理工作中的生物力学暴露评估
最重要的是，我要向我的导师 Clive D'Souza 博士表示最深切的谢意，感谢他一路以来的建议、支持和耐心。如果没有他的支持，这项工作就不可能完成。他的卓越和对研究的热情帮助我培养了对研究的兴趣，并让我决定从事人体工程学研究。最重要的是，他一直相信我和我作为研究人员的潜力，这激励我在困难时期也能专注于研究。我还要感谢我的论文委员会成员 Thomas Armstrong 博士、Judy Jin 博士和 Albert Shih 博士在整个过程中对我的支持，以及提供他们的时间、专业知识和建设性反馈来改进这篇论文。我还要感谢 Bernard Martin 博士、Sheryl Ulin 博士、Nadine Sarter 博士和 Paul Green 博士的指导和支持。我还要感谢工业与运营工程系 (IOE) 和人体工程学中心的优秀员工和管理人员。我感谢 Eyvind Claxton、Charles Wolley、Christopher Konrad、Olof (Mint) Minto 和 Rodney Capps 在我的研究项目各个阶段提供的慷慨技术援助，还要感谢 Teresa Maldonado 的慷慨支持。我要感谢在我研究生学习期间一直支持我的朋友和同事。首先，我的午餐伙伴 Justin Haney 博士，感谢他过去四年来一直坚持陪伴我。我很自豪我们能够同时顺利完成学业。我还要感谢人体工程学中心大家庭 - 刘柯博士、万玉芝博士、罗岳、Yadrianna Acosta-Sojo、陆一都、Albert Fu、杜娜、Kevin Lieberman、李一帆、Kamolnat Tabattanon 和我所有的学生 - 感谢他们的支持和鼓励。这项工作由美国国家职业安全与健康研究所、疾病控制与预防中心（培训拨款 T42-OH008455）和美国国家残疾、独立生活与康复研究所（拨款 90IF0094-01-00）以及 Rackham 研究生研究拨款资助。最后，也是我最想感谢的，我要感谢我的父母和家人对我无条件的爱和支持。与我的小爱人 Jason Lee 一起完成我的论文有点困难。在父母和丈夫 Sang Won Lee 的帮助下，我能够在整个过程中保持微笑。我特别感谢 Sang，他一直是我最好的朋友和导师。