XiaoMi-AI文件搜索系统
World File Search Systemworkflow
puretarget：无扩增的工作流程，用于短串联重复扩展的遗传和表观遗传分析
本文档中的错误或遗漏。某些通知，条款，条件和/或使用限制可能与您使用PACBIO产品和/或第三方产品有关。请参阅适用的PACBIO销售条款和条件以及PACB.com/license的适用许可条款。太平洋生物科学，PACBIO徽标，PACBIO，Circulomics，Omniome，Smrt，Smrtbell，Iso-Seq，Secel，Sequel，Nanobind，sbb，Revio，Revio，Onso，Apton，Apton，Kinnex和Puretarget是Pacbio的商标。
推荐PDEC会议工作流程以支持2023年秋季2024年指南准备就绪
与连续学习过程中的项目有关，与2023指南有关的非协商和/或最佳实践有关。。即：单点专栏，观察的频率和类型，高利用目标，形式的发展等。
基于多目标增强学习算法，用于云计算中的动态工作流程计划
必须将工作流的基础设施视为一个关键的研究领域，即使是轻微的优化也可以显着影响基础架构效率和提供给用户的服务。由于云基础架构的动态工作负载和不同的资源，使用启发式方法的传统工作流程调度方法可能不会有效。此外，任何给定时间的资源具有不同的状态，在工作流程计划期间必须考虑这些状态。人工智能的出现使得在工作流程管理过程中可以解决云计算的动态和多样化资源。特别是，强化学习可以通过演员和评论家的方法在运行时理解环境，以做出明智的决定。我们的论文介绍了一种称为多目标增强学习的算法（基于多目标增强的工作流程计划）（MORL-WS）。我们使用各种工作流程的实证研究表明，所提出的基于基于学习的多物体增强方法的方法优于许多现有的调度方法，尤其是关于MakePAN和能源效率。与安排1000个任务相比，蒙太奇工作流程的提议方法表现出较高的性能，达到709.26的最小化型，最少的能源消耗为72.11瓦。这表明所提出的方法适用于实时工作流程计划应用程序。
使用人工智能对胸部 X 光检查工作列表进行优先级排序：临床工作流程模拟
摘要 目的 旨在评估人工智能 (AI) 的智能工作列表优先级排序是否能够优化放射学工作流程并减少胸部 X 光片 (CXR) 中关键发现的报告周转时间 (RTAT)。此外，我们研究了一种方法以抵消 AI 的假阴性预测的影响——由于 CXR 被排在工作列表的末尾，这会导致 RTAT 非常长且危险。 方法 我们开发了一个模拟框架，通过结合医院特定的 CXR 生成率和报告率以及病理分布来模拟大学医院的当前工作流程。利用这个框架，我们模拟了标准工作列表处理“先进先出”(FIFO)，并将其与基于紧急程度的工作列表优先级排序进行了比较。检查优先级排序由 AI 执行，将八种不同的病理发现按紧急程度降序排列：气胸、胸腔积液、浸润、充血、肺不张、心脏扩大、肿块和异物。此外，我们引入了最长等待时间的上限，超过此上限后，将为检查分配最高紧急程度。结果与 FIFO 模拟相比，所有优先级模拟中所有关键发现的平均 RTAT 均显着减少（例如，气胸：35.6 分钟 vs. 80.1 分钟；p < 0.0001），而大多数发现的最大 RTAT 同时增加（例如，气胸：1293 分钟 vs. 890 分钟；p < 0.0001）。我们的“上限”大大降低了所有类别的最大 RTAT（例如，气胸：979 分钟 vs. 1293 分钟/1178 分钟；p < 0.0001）。结论我们的模拟表明，AI 的智能工作列表优先级排序可以降低 CXR 中关键发现的平均 RTAT，同时保持较小的 FIFO 最大 RTAT。要点 • 基于医院经验数据开发逼真的临床工作流程模拟器，可使用人工智能精确评估智能工作列表优先级。 • 使用没有最大等待时间阈值的智能工作列表优先级可能会产生人工智能的假阴性预测风险，从而大大增加报告周转时间。 • 使用最先进的卷积神经网络可以将平均报告周转时间缩短到几乎完美分类算法的上限（例如，气胸：35.6 分钟 vs. 30.4 分钟）。
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。
BSAseq：一种基于网络的交互式集成工作流程，用于识别大量 F2 群体中的因果突变
摘要摘要：随着新一代测序 (NGS) 技术的进步和这些技术成本的降低，批量分离分析 (BSA) 不仅成为绘制数量性状基因座 (QTL) 的有力工具，而且成为识别感兴趣表型的因果基因突变的有效方法。然而，由于存在背景突变和测序、基因分型和参考组装中的错误，通常很难区分真正的因果突变和背景突变。在本研究中，我们开发了 BSAseq 工作流程，其中包括一个自动化生物信息学分析流程，带有用于估计分离区域的概率模型和用于可视化结果的交互式 Shiny Web 应用程序。我们对雄性不育亲本系 (ms8) 进行了深度测序，以捕获批量 F2 数据中的大多数背景突变。我们将该工作流程应用于 11 个批量 F2 种群，并确定了每个种群中的真正因果突变。该工作流程直观而直接，方便没有生物信息学分析技能的用户采用。我们预计 BSAseq 将广泛应用于识别许多感兴趣的表型的因果突变。可用性：BSAseq 可在 https://www.sciapps.org/page/bsa 免费获取联系人：liya.wang@cshl.edu、ware@cshl.edu、zhanguo.xin@ars.usda.gov
NF核/AIRRFLOW：一种自适应免疫受体库库分析工作流，采用了或要的框架
1耶鲁大学耶鲁医学院，纽黑文，康涅狄格州纽黑文，美国2个定量生物学中心，埃伯哈德 - 卡尔斯大学，图宾根，图宾根，德国，德国，3耶鲁大学研究计算中心，纽黑文，美国康涅狄格州，美国4 Boehringer Ingelheim biologion and Computication Bibion and Compuconigation and Compunical Biber and Co. kgmbh＆co。耶鲁大学，纽黑文，美国纽黑文，美国，6 Onko-Innate Pty Ltd 6，墨尔本，墨尔本，澳大利亚维多利亚州，澳大利亚，澳大利亚维多利亚州，第7款计算机科学系，埃伯哈德 - 卡尔斯大学，图宾根，德国图宾根，德国，8平方米研究中心，8平方米研究中心，大学医院，tubingen foraan，ganny foraan，gan raman fore ram ram at ram ram toker ram ram rame rame rame rame rame rame rame rame rame rame nignering ofernecry ofernecr，埃伯哈德·卡尔斯大学神经病学中心神经病学和中风系德国，耶鲁大学医学院免疫生物学系13，美国纽黑文，美国纽黑文
AI驱动的化身在沉浸式3D环境中，用于教育工作流程和德马特神庙的案例研究，希腊
摘要：生成人工智能（AI）和虚拟现实（VR）技术正在改变教育，并为人们如何与环境互动提供新的机会。技术范围降低了创建虚拟环境的障碍；但是，仍然存在挑战，尤其是在创建真实地方的现实虚拟环境时。现实主义很重要，因为虚拟环境的忠诚会影响用户体验。此外，还需要简化用户体验的方法和技术可以促进与这些环境进行交互的方法。做到这一点的一种有希望的方法是将AI驱动的化身纳入现实的场景，使用户可以使用自然语言沉浸式学习经验，这些学习经验着重于可持续性教育，这些体验融合了现实的场景，以与景观进行互动和学习。为此，我们为设计场景和与AI头像的自然互动开发了工作流程。这项研究创建了来自摄影测量法的点云数字3D模型，并将其纳入虚幻引擎5。然后，我们将生成的AI头像集成到环境中，从而实现了用户与AI导师之间的自然语言互动。集成有助于互动参与，并实现了物理环境的高精度数字复制。小说提出的工作流程是通过案例研究提出的，用于在希腊纳索斯的虚拟学习经验，利用AI驱动的导师来教育该岛的历史方面。该项目提供了出国留学经验的有益学习经验，而没有向学生派遣野外游览的经济和环境成本。我们建议使用现实世界中的环境和自然的AI驱动对话来建立沉浸式教育经验，并展示其革命性的社会互动，历史遗产保护和可持续的教学法的潜力。
评估数字病理学和人工智能对病理实验室诊断准确性和工作流程效率的影响。
作为病理实验室的一部分，数字病理学和人工智能解决方案和服务被认为是新的变革，因为它们提高了诊断和工作技术。数字病理学意味着通过对整个载玻片进行成像来数字化载玻片，并制作可重复使用的数字文件，这些文件可以轻松共享以进行远程咨询或综合数据管理 [1]。这种方法不仅可以更轻松地向患者和公众提供信息，还可以促进复杂诊断设备的开发和合作 [2]。机器学习方法，包括人工智能或 AI 和深度学习，都在诊断过程中得到更频繁的使用。这些技术旨在识别数字病理图像中的特定模式，并支持随后以更高的准确度确定疾病的分类 [3]。AI 也适用于病理学，
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。