XiaoMi-AI文件搜索系统
World File Search Systemunderstand
使用残基相互作用网络了解蛋白质功能和进化，并为设计新蛋白质
残基相互作用网络（RINS）提供了基于图的蛋白质相互作用网络的表示，从而对驱动蛋白质结构，功能和稳定性关系的因素提供了重要的见解。存在多种工具来执行RIN分析，考虑到不同类型的相互作用，输入（晶体结构，模拟轨迹，单蛋白或跨蛋白质的比较分析）以及格式，包括独立软件，Web服务器和Web应用程序应用程序界面（API）。尤其是，使用“ metarins”对蛋白质家族进行比较RIN分析的能力提供了一种有价值的工具，可以剖析蛋白质进化。反过来，这突出了热点，以避免（或目标）体外进化研究，提供了一个强大的框架，可以利用该框架为工程师新蛋白质。
药品专利美化：一种从药物发现的角度理解专利的新方法
专利通过为发现和激励研究和开发的投资提供法律保护，在药物发现过程中起着至关重要的作用。通过确定专利数据资源中的模式，研究人员可以深入了解药物和生物技术行业的市场趋势和优先事项，并提供有关更基本方面的其他观点，例如潜在的新药目标的出现。在本文中，我们使用了专利富集工具PEMT，提取，整合和分析稀有疾病（RD）和阿尔茨海默氏病（AD）的专利文献。接下来是对基础专利景观的系统审查，以破译这些疾病的专利趋势和应用。为此，我们讨论了参与AD和RD药物发现研究的著名组织。这使我们能够从特定的组织（制药或大学）观点中了解AD和RD的重要性。接下来，我们分析了专利与个体治疗靶标的有关的历史重点，并将其与市场情景相关联，从而确定了疾病的突出靶标。最后，我们在专利的帮助下确定了两种疾病中的药物重新利用活动。这导致确定现有的重新定位药物和适用于指示区域的新型潜在治疗方法。这项研究表明，专利文件从法律发现，设计和研究的扩大适用性，因此为未来的药物发现工作提供了宝贵的资源。此外，这项研究是为了理解专利文档中基础数据的重要性，并提出了为基于机器学习的应用程序准备数据的必要性。
基本轮廓曲线识别以了解人脑网络中的电刺激效应
大脑网络可以通过在一个区域中提供电流的简短脉冲，同时测量其他区域的电压响应，从而探索大脑网络。我们提出了一个收敛范式来研究脑动力学，重点是单个大脑部位，以观察刺激许多其他大脑部位的平均效果。以这种方式观察，在相邻刺激位点出现了时间响应形状中的视觉图案。这项工作构建并说明了一种数据驱动的方法，以确定这些响应形状中特征时空结构的方法，总结了一组唯一的“基本轮廓曲线”（BPC）。每个BPC可以以自然的方式映射到潜在的解剖结构，并使用简单的指标从每个刺激位点量化投影强度。我们的技术已用于人类患者中的一系列植入脑表面电极。该框架可以直接解释单脉冲脑刺激数据，并可以一定地应用于探索构成连接组的相互作用的多样化环境。
我们可以训练机器学习模型以了解没有标签的天文学数据吗？
所有作者都在该项目中发挥了作用，并教会了我很多，我非常感谢。此外，我四年级的研究项目共同服务员塞巴斯蒂安·法布罗（Sebastien Fabbro）和迈克·哈德森（Mike Hudson）为我的演讲和报告提供了非常宝贵的指导。
使用人工神经网络和空间语法技术了解质量住房设计参数
摘要摘要质量外壳的设计是一个复杂的过程，涉及大量组件和参数的使用。数字化的影响不可避免地改变了设计领域，这导致了计算设计模型，数据结构，人工智能和算法思维方式的扩散。人工神经网络，空间语法方法论，预定义的规则将有助于塑造示意图设计过程的步骤并建立某些局限性。在这项研究的范围内，使用预定义的准则来实现大型房屋设计中的几何差异。在此过程中使用了传统和数字仪器。基于人工神经网络模型和空间语法技术的方法用于研究案例研究和开发原型。人工神经网络模型旨在了解影响质量住房设计参数的因素。根据该模型的输出确定参数的重要性百分比。此外，基于空间语法的方法论对决策过程和基于反馈的设计都产生了重大影响。在这项研究中，使用了几种数字工具来分析，例如可见性图分析，基于节点的技术和ISOVIST分析。在致力于结论的部分中，讨论了所获得的各种原型的比较，空间语法分析的发现以及模型开发的各个阶段。
标题生物医学开放知识网络利用人工智能的力量来了解深层人类生物学。
高级机器学习 (ML) 已成功应用于各种领域。然而，这种机器学习在生物医学等“语义丰富的领域”中取得的成功却少得多，因为这些领域中的知识规范比其他硬科学更抽象、更不稳定。人工智能之父之一赫伯特·西蒙认为，这些独特的领域通常缺乏机械规则，人类领域专业知识的复杂性和深度无法通过统计进行汇总 [1]。如果我们要驾驭数据革命，就必须将大数据转化为大知识，而 KR&R 代表了实现这一目标的及时且令人兴奋的途径。KR&R 是人工智能的一个领域，它包括努力通过创建语义相关概念的认知网络来模拟人类学习的工作，在这个网络中，上下文和先前的经验决定了知识的产生。 [2] 早期开发先进数据管理系统的努力包括 EBI 的 SRS 服务器 [3] 和 Kleisli[4]，在一定程度上预见了随后几年将出现的数据（和信息）洪流，并明确强调需要付出更多努力来满足这一需求。
利用 Twitter 数据了解公众对 COVID-19 相关药物的批准使用和未列入药品说明书的使用的看法
目的：了解公众对未经证实的疗法紧急使用的讨论对于监测安全使用和打击错误信息至关重要。我们开发了一个基于自然语言处理的流程，以了解公众对 Twitter 上与 2019 年冠状病毒病 (COVID-19) 相关药物的看法和立场。方法：这项回顾性研究包括 2020 年 1 月 29 日至 2021 年 11 月 30 日期间 609 189 条美国推文，这些推文涉及在 COVID-19 大流行期间引起公众广泛关注的 4 种药物：(1) 羟氯喹和伊维菌素，有轶事证据的药物疗法；(2) 莫努匹拉韦和瑞德西韦，FDA 批准的符合条件患者的治疗选择。使用时间趋势分析来了解受欢迎程度和相关事件。进行了内容和人口统计分析，以探索人们对每种药物立场的潜在理由。结果：时间趋势分析显示，羟氯喹和伊维菌素比莫尔努匹韦和瑞德西韦受到的讨论多得多，尤其是在 COVID-19 激增期间。羟氯喹和伊维菌素高度政治化，与阴谋论、传闻、名人效应等有关。美国两大政党的立场分布明显不同（P < .001）；共和党人比民主党人更有可能支持羟氯喹（+55%）和伊维菌素（+30%）。具有医疗保健背景的人比普通人群更倾向于反对羟氯喹（+7%）；相比之下，普通人群更有可能支持伊维菌素（+14%）。结论：我们的研究发现，在 COVID-19 的不同阶段，社交媒体用户对药品说明书外使用和 FDA 批准的药品使用有不同的看法和立场，这表明卫生系统、监管机构和政策制定者应设计量身定制的策略来监测和减少错误信息，以促进安全用药。我们的分析流程和立场检测模型已在 https://github.com/ningkko/COVID-drug 上公开。
回顾了关于炭疽病的潜在感染的论点，研究需要了解其在炭疽爆发中的作用
摘要：休·琼斯（Hugh-Jones）和布莱克本（Blackburn）和特恩布尔（Turnbull）的集体世界卫生组织（WHO）报告对炭疽病爆发原因的理论和基础进行了文献评论。两者都对经常提到的怀疑发表评论，即使未经证实的潜在感染也可能涉及。Hugh-Jones建议Gainer对我们目前的潜在感染知识进行更新的审查，这是Gainer在意大利巴里举行的Anthrax Conference of Althrax会议上的谈话的基础。。Hugh-Jones建议Gainer对我们目前的潜在感染知识进行更新的审查，这是Gainer在意大利巴里举行的Anthrax Conference of Althrax会议上的谈话的基础。在会议上，赢家会见了Vergnaud，他提出了炭疽基因组研究，暗示该疾病可能在三到四个世纪的短时间内在整个亚洲和从欧洲到北美散布。Vergnaud想知道潜在感染是否可能在此过程中起作用。会议上的其他几位演讲者也提到了可能表明存在潜在感染的结果。vergnaud随后研究了一些有关早期巴斯德疫苗使用情况（1800's）的相关观察，结果和讨论的古老文献，并发现了可疑的潜在感染。本文的第一部分是对休·琼斯（Hugh-Jones）和布莱克本（Blackburn）和特恩布尔（Turnbull）的评论的重点摘要和解释，这些评论特定地寻找了潜在感染的建议，还有一些其他研究略有不同的方法，以及在意大利会议上对演讲和海报的一些提及。一般而言，会议上不同领域和炭疽研究的各个方面的许多不同的研究人员发现了怀疑存在潜在感染的原因。作者得出的结论是，包括智人在内的最研究的物种提供了潜在感染和修饰宿主抗性的间接证据。审查的最后一部分探讨了证明或反驳潜在感染所需的研究。
使用脑电图状态在慢性疼痛的α神经反馈训练中了解学习
神经反馈（NFB）是一种神经调节疗法，可训练患者对其大脑活动的自愿控制（Patel等，2020）。神经反馈系统为患者提供了其脑电图（EEG）信号的实时表示（Alkoby等，2018）。这有助于对心理策略的认可和实践，从而使他们能够实现与治疗益处相关的大脑状态（Bagdasaryan和Le van Quyen，2013年）。nfb已在各种疾病中实施，从焦虑，抑郁到慢性疼痛，有多项研究报告的结果（Schoenberg和David，2014； Melo等，2019）。越来越多地探索神经反馈的领域之一是慢性疼痛。alpha功率较低（Chang等，2001; Boord等，2008; Saithong等，2012; Jensen等，2013b; Lim等，2016; Nickel等，2017）。因此，几项研究试图使用神经反馈来提高这些患者群体的α功率，以通过孤立地靶向α节奏来减轻疼痛（Elbogen等，2019; Mayaud等，2019），或与其他节奏（如beta和Theta Rhythms）结合使用，例如Beta和Theta Rhythms（Jensen and al。 Taleb等人，2019年；Vuèkoviæ等，2019）。过去十年进行的所有神经反馈研究都使用平均α功率来衡量神经生理信号的变化（Jensen等，2013a; Hassan等，2015; Al-Taleb等，2019; Elbogen et al。尽管这些研究大多数报告了神经反馈后这些个体的疼痛显着减轻，但这些研究中很少能显示出疼痛减轻与神经生理信号的变化之间的直接相关性，这是最近系统评价强调的（Patel等，2020）。这提出了一个问题，即是否通常用于评估学习成功的指数是否真正反映了神经反馈后疼痛缓解的神经生理变化。学习索引的选择确实是神经反馈领域中的一个高度争议的话题。两个广泛使用的指标包括平均α功率和比预定的α功率阈值以上的百分比（Travis等，1974； Hardt和Kamiya，1976; Lansky等，1979; Dempster and Vernon，2009）。一些研究人员认为，含义Alpha的力量是两者中最敏感的指数（Hardt和Kamiya，1976； Dempster和Vernon，2009年），但其他人则认为动态指数可能更有信息。例如，早期工作发现，高α功率的持续时间遵守了非平凡的不对称转移指数分布（Bohdaneck等，1978）。最近的一项研究（Ossadtchi等，2017）研究了神经反馈后的α纺锤体的变化，并报告说，α纺锤体的频率仅增加，而这些纺锤体的振幅没有变化。在神经反馈和慢性疼痛领域的研究并不多，这些研究采用了这种分析α节奏动态性质的方法，但如下所述，Bi-Modal Alpha振幅状态的概念正在越来越多地在其他范围内探索。
分析 2009 年至 2021 年葡萄牙制造业公司数量的演变，了解增长和下降趋势
摘要：该项目分析了 2009 年至 2021 年葡萄牙制造业的发展情况，重点关注食品、纺织和金属制品等各个子类别中活跃公司数量的变化。该分析的目的是了解每个行业内增长和收缩的动态，为公司调整市场和运营策略提供见解。主要目标包括分析公司数量的总体变化，确定具有显着变化的子类别，并对观察到的趋势和模式进行全面分析。该研究基于 PORDATA 2024 的数据，研究采用时间趋势分析、线性和二次回归以及帕累托表示来识别增长和下降的模式。通过比较年度数据，该项目揭示了增长和下降的时期，从而可以更深入地了解该行业的动态。研究结果还强调了经济危机时期和 Covid-19 大流行期间的变化，并提出了支持企业复原力和连续性的行动建议。这些结果对于分析制造业领域的公司和政策制定者来说非常有价值，可以指导战略决策以应对复杂的市场动态并确保组织的长期可持续成功。