XiaoMi-AI文件搜索系统
World File Search Systemworkflow
taverna：生物信息学工作流的组成和制定的工具
抽象动机：在生物信息学的计算机实验中，涉及计算工具和信息回购的协调使用。以Web服务的形式提供了越来越多的这些资源，并提供了程序化访问。生物信息学科学家将需要在工作流中协调这些网络服务，作为其分析的一部分。结果：Taverna项目开发了一种工具，用于为生命科学社区的生物信息学工作构成和制定。该工具包括一个工作台应用程序，该应用程序提供了用于工作流量组成的图形用户界面。这些工作流是用一种新语言编写的，称为简单的概念统一流量语言（SCU lof），其中在工作流程中的每个步骤都遵循一个原子任务。使用两个示例来说明在计算机实验中可以使用工作台应用程序将其表示为SCU浮动流量的便捷性。可用性：Taverna Work流量系统可作为开源可用，可以从http://taverna.sourceforge.net contact：taverna-users@lists.sourceforge.sourceforge.net
AI模型预测常见心脏病的两年风险可以轻松整合到医疗保健工作流程中
测试在现实世界中的实施和绩效，研究人员报告说，印第安纳波利斯埃斯基纳济卫生系统忙碌的医疗实践中的医生经常使用无人使用的风险预测模型发现易于使用而不是时间消费。最重要的是，参加研究的医生表明，他们认为这有助于改善患者护理。非侵入性，廉价的方法为主动筛查患者提供了一种实际选择，尤其是大量具有AFIB风险较高的个体。
Optimutu：具有优化阈值的分类学意识到OTU聚类和用于元编码数据的生物信息学工作流程
要将以环境得出的元编码数据转换为社区矩阵进行生态分析，必须首先将序列聚集到操作分类单元（OTU）中。此任务对于包括大量带有不完整参考库的数据，包括大量的分类单元。OptimoTU提供了一种具有分类学意识的OTU聚类方法。它使用一组分类学识别的参考序列来选择最佳的遗传距离阈值，以将每个祖先分类群分组为最与后代分类单元最匹配的集群。然后，查询序列根据初步分类学标识和其祖先分类群的优化阈值聚类。该过程遵循分类学层次结构，从而将所有查询序列的所有查询序列完全分类为命名的分类学组以及占位符“ Pseudotaxa”，这些序列适合无法分类为相应等级的命名分类单元的序列。Optimutu聚类算法是作为R软件包实现的，在C ++中实现了速度的计算密集步骤，并合并了成对序列对齐的开源库库。距离也可以在外部计算，并且可以从UNIX管道中读取，从而允许大型数据集聚类，在该数据集中，整个距离矩阵将不方便地存储在内存中。Optimutu生物信息学管道包括一个完整的工作流程，用于配对端的Illumina测序数据，其中包含了质量过滤，DeNoising，Wratifact删除，分类学分类以及与Optimotu的OTU集群。开发了用于高性能计算簇的OptimoTU管道，并将其缩放到每个样品和数万个样本的数据集中。
PassFlow：用于预测深部脑刺激结果的多模式工作流程
目的：深部脑刺激 (DBS) 是一种行之有效的帕金森病 (PD) 治疗方法，通常可增强运动功能。然而，DBS 后可能会出现一些不良副作用，从而降低患者的生活质量。因此，临床团队必须仔细选择要进行 DBS 的患者。在过去十年中，曾有人尝试将术前数据与 DBS 临床结果联系起来，其中大部分都集中在运动症状上。在本文中，我们提出了一种基于机器学习的方法，能够预测大量 PD 的 DBS 临床结果。方法：我们提出了一种多模式管道，称为 PassFlow，可预测 84 个临床术后临床评分。PassFlow 由一个用于压缩临床信息的人工神经网络、一种用于从 T1 成像中提取形态生物标志物的最先进的图像处理方法以及一个用于执行回归的 SVM 组成。我们在 196 名接受 DBS 的 PD 患者身上验证了 PassFlow。结果：PassFlow 的相关系数高达 0.71，能够显著预测 84 个评分中的 63 个，优于比较线性方法。还发现，利用这些术前信息预测的指标数量与可获得这些信息的患者数量相关，表明 PassFlow 方法仍在积极学习中。结论：我们提出了一种基于机器学习的新型流程，用于预测 PD 患者 DBS 术后的各种临床结果。PassFlow 考虑了来自不同数据模式的各种生物标志物，仅从术前数据中就显示出一些评分的高相关系数。这表明，DBS 的许多临床结果都可以预测，而与特定的模拟参数无关，因为 PassFlow 已在没有此类刺激相关信息的情况下得到验证。
baargin：用于自动分析细菌基因组数据的NextFlow工作流程，重点是抗菌抗性
抗菌耐药性（AMR）的出现和发展是一个全球健康问题，到2050年每年可能造成约1000万人死亡（汤普森，2022年）。对这些（多）抗性细菌菌株的基因组的研究对于理解抗性的出现和循环至关重要。在过去的几十年中，高通量测序技术已得到了认真的改进，并且一次对数百种细菌菌株的完整基因组进行测序变得更加负担得起。作为对应物，这些实验会产生大量数据，需要通过各种生物信息学方法和工具来分析重建基因组的工具，因此可以确定其特定特征以及AMR的遗传决定因素。为了自动化多种菌株的生物信息学分析，我们开发了一种名为Baargin的NextFlow（Di Tommaso等，2017）的工作流，称为Baargin（Nextflow中的细菌组装和抗菌抗性基因检测）https://github.com/ jhayer/baargin。它可以进行测序读取质量控制，基因组组装和注释，多层次序列键入和质粒鉴定以及抗菌耐药性决定因素检测以及pangenome分析。使用工作流管理系统NextFlow的使用使我们的工作流便携式，灵活并能够进行可再现的分析。
PassFlow：用于预测深部脑刺激结果的多模式工作流程
目的：深部脑刺激 (DBS) 是一种行之有效的帕金森病 (PD) 治疗方法，通常可增强运动功能。然而，DBS 后可能会出现一些不良副作用，从而降低患者的生活质量。因此，临床团队必须仔细选择要进行 DBS 的患者。在过去十年中，曾有人尝试将术前数据与 DBS 临床结果联系起来，其中大部分都集中在运动症状上。在本文中，我们提出了一种基于机器学习的方法，能够预测大量 PD 的 DBS 临床结果。方法：我们提出了一种多模式管道，称为 PassFlow，可预测 84 个临床术后临床评分。PassFlow 由一个用于压缩临床信息的人工神经网络、一种用于从 T1 成像中提取形态生物标志物的最先进的图像处理方法以及一个用于执行回归的 SVM 组成。我们在 196 名接受 DBS 的 PD 患者身上验证了 PassFlow。结果：PassFlow 的相关系数高达 0.71，能够显著预测 84 个评分中的 63 个，优于比较线性方法。还发现，利用这些术前信息预测的指标数量与可获得这些信息的患者数量相关，表明 PassFlow 方法仍在积极学习中。结论：我们提出了一种基于机器学习的新型流程，用于预测 PD 患者 DBS 术后的各种临床结果。PassFlow 考虑了来自不同数据模式的各种生物标志物，仅从术前数据中就显示出一些评分的高相关系数。这表明，DBS 的许多临床结果都可以预测，而与特定的模拟参数无关，因为 PassFlow 已在没有此类刺激相关信息的情况下得到验证。
数据驱动的工作流程用于复杂1
。CC-BY 4.0国际许可证。是根据作者/资助者提供的预印本（未经同行评审认证）提供的，他已授予Biorxiv的许可证，以在2025年1月18日发布的此版本中显示此版本的版权持有人。 https://doi.org/10.1101/2025.01.17.632662 doi：biorxiv preprint
优化的呼吸分析：定制的分析方法和增强的工作流程，以更广泛地检测VOC
抽象引入呼吸挥发性有机化合物（VOC）由于其独特的特性而成为临床目的的有希望的生物标志物。将VOC生物标志物转换为诊所的翻译取决于识别和验证：需要协作，建立良好协议和数据交叉比较的挑战。以前，我们开发了一种呼吸收集和分析方法，从而确定了148种呼吸传播VOC。目的是开发一种互补分析方法，以检测和鉴定呼吸中的其他VOC。通过将呼吸样品与应用三个指标的配对背景样本进行比较：标准偏差，配对的t检验和接收器操作 - 特征（ROC）曲线，通过比较呼吸样本与配对背景样本进行比较，以开发和实施升级，以识别确定为“呼吸”的特征。方法开发了利用PEG相GC柱的基于PEG相位GC柱的基于生物学相关的VOC的基于PEG相位GC柱的热解（GC） - 质谱法（MS）质谱法（MS）的分析方法。通过多个发展升级了多步VOC识别方法：候选VOC分组，基于离子丰度相关的基于光谱库的创建方法，混合烷烃 - fames保留索引，相对保留时间匹配以及其他质量检查。结合使用，这些更新可以在光谱和保留轴上高度准确地识别呼吸传播VOC。结果，总共有621个特征在呼吸上被统计确定为至少一个度量（标准偏差，配对t检验或ROC）。结论总共确认的呼吸voc现在是186。从与化学标准的比较中可以确定，总共有38次呼吸ov。我们提出了一种更新的方法，用于高信VOC识别，以及一组新的VOC，通常在呼吸上发现。
Blackbox.ai 使用 SambaNova Cloud 来支持代理工作流程
Blackbox 利用 SambaNova Cloud 自动化 CyberCoder 任务，包括从头开始构建应用程序、调试代码以及向现有程序添加功能。“我们每秒向 SambaNova Cloud 发送数百个请求，使用 8B 模型，我们的完成速度提高了 3 到 4 倍，我们计划在 2024 年底之前提高利用率”，Rizk 说道，“高性能和低延迟对我们来说非常重要。代理工作流程本质上更长，但这些模型具有更快的推理速度和低延迟，使我们能够优化以获得更好的用户体验。”“不仅技术非常棒，支持也非常棒”，Rizk 说道，“SambaNova 团队在测试和生产阶段对我们的响应和支持速度非常出色，这是一个真正的差异化因素。”要了解有关 SambaNova Cloud 的更多信息，请访问：cloud.sambanova.ai