XiaoMi-AI文件搜索系统
World File Search System三维结构
医疗图像3D可视化网络平台的应用在辅助诊断和术前计划
摘要 - 医学图像数据的三维可视化可以使医生能够从更多角度和更高的维度观察图像。对于医生来说，协助诊断和术前计划具有重要意义。大多数3D可视化系统都是基于桌面应用程序，这些应用程序过于取决于硬件和操作系统。这使得很难在平台上使用并维护。基于Web的系统往往具有有限的功能。为此，我们开发了一个Web应用程序，该应用程序不仅提供了DICOM（医学中的数字成像和通信）图像浏览和注释功能，而且还提供了三维后处理功能，可用于多平台重建，体积渲染，肺实质分割和脑MRI MRI（磁性共鸣）分析。为了提高渲染速度，我们将行进立方体算法以异步方式在后台进行3D重建，并将重建的模型保存为GLTF（GL传输格式）。同时，Draco压缩算法用于优化GLTF模型以实现更有效的渲染。在性能评估后，系统重建了242片的CT（计算机断层扫描）系列，优化模型仅为6.37MB，渲染时间小于2.5s。肺实质的三维可视化清楚地显示了肺结节的体积，位置和形状。关键字-3D可视化，辅助诊断，术前计划，Web应用程序不同脑组织的分割和重建可以揭示大脑中神经胶质瘤的空间三维结构和邻近关系，在辅助诊断和术前计划中具有巨大的应用值。
探索水凝胶在现代农业中的潜力-IJRPR
水凝胶由于其独特的特性和不同的应用而成为现代农业中的一种有前途的技术。由交联的亲水性聚合物形成的这些三维结构具有高吸水能力，使其在维持植物的最佳水位中很有价值（Azeem等，2023）。水凝胶可以提高用水效率，降低灌溉成本并提高植物的养分利用率，最终导致农作物产量提高（Oladosu等，2022）。此外，它们可以充当干燥土壤中水的水库，有可能减少频繁灌溉的需求（Louf等，2021）。农业中的水凝胶的使用扩展到各种应用，例如保留土壤饮水，养分，养分和养分和农药，种子涂料，种子涂料，含量控制，甚至是patra Additives（patra and Additives），以及2022222222222222222222。这些应用突出了水凝胶在应对现代农业面临的多重挑战方面的多功能性。此外，正在基于淀粉，壳聚糖和纤维素等天然材料的水凝胶以生物兼容性，无毒性和保留水分的特性探索（Uysal，2024; Li et al。，2022）。并提高了农作物的产量（Vahabi，2023年）。水凝胶的受控释放性能使它们有效地向植物输送水和养分，从而有助于可持续的灌溉实践（Prakash等，2021）。此外，已经证明了水凝胶可节省水含量，减少养分消耗，减轻农作物中的水分压力以及控制植物病原体，展示了它们具有可持续的植物保护潜力和增强的作物产量（Elshafie＆Camele，2021年）。现代农业中水凝胶的利用提供了一系列好处，例如改善水管理，增强营养递送和提高农作物生产力。通过利用水凝胶的独特特性，农民可以优化资源利用，减轻环境影响并为农业实践的可持续性做出贡献。
CHIME：CMOS 体内微电极，用于大规模可扩展的神经元记录
哺乳动物的大脑由数千万到数千亿个神经元组成，这些神经元以毫秒级的时间尺度运行，而目前的记录技术只能捕捉到其中的一小部分。能够以高时空分辨率对神经活动进行采样的记录技术一直难以扩展。研究最深入的哺乳动物神经元网络（例如大脑皮层）呈现出分层结构，其中最佳记录技术可在大面积上进行密集采样。然而，对特定应用设计的需求以及大脑的三维结构与二维微加工技术之间的不匹配严重限制了神经生理学研究和神经假体。在这里，我们讨论了一种可扩展神经元记录的新策略，即将玻璃包覆微线束与来自高密度 CMOS 体外 MEA 系统或高速红外摄像机的大规模放大器阵列相结合。由于玻璃包覆微线中芯金属的高导电性，允许使用超薄金属芯（低至 < 1 µ m）和可忽略不计的杂散电容，因此实现了高信噪比（< 25 µ V RMS 本底噪声，SNR 高达 25）。尖端的多步电化学改性可实现超低接入阻抗和最小几何面积，这与芯直径基本无关。我们表明，可以减小微线尺寸，以几乎消除插入时对血脑屏障的损伤，并且我们证明微线阵列可以稳定地记录单个单元活动。将微线束和 CMOS 阵列相结合可以实现高度可扩展的神经元记录方法，将电神经元记录的进展与硅微加工的快速进展联系起来。系统的模块化设计允许自定义记录位置的排列。我们采用微创、高度绝缘和功能化的微线束将二维 CMOS 架构扩展到第三维，这种方法可以转化为其他 CMOS 阵列，例如电刺激设备。
朝着强大的认知3D脑启发的交叉...
尖峰神经形态系统已被引入，作为能量效能高峰神经网络（SNNS）执行的有前途的平台。SNN除了将变体时间尺度纳入其计算模型外，还结合了神经元和突触状态。由于这些网络中的每个神经元都连接到许多其他网络，因此需要高带宽。此外，由于SPIKE时间用于编码SNN中的信息，因此还需要精确的通信延迟，尽管当SNN被视为一个整体时，SNN对某些限制的尖峰延迟变化具有耐受性。提出了两维数据包切换的芯片网络网络，作为一种解决方案，以提供大规模尖峰的神经网络中可扩展的互连织物。3D-ICS也引起了很多关注，作为解决互连瓶颈的潜在解决方案。结合这两种新兴技术为IC设计提供了新的地平线，以满足新兴AI应用中低功率和小占地面积的高要求。，尽管容忍度是生物系统的自然特征，但将许多计算和记忆单元整合到神经形态芯片中遇到了可靠性问题，其中有缺陷的部分会影响整个系统的性能。本文介绍了R-NASH-A可靠的三维数字神经形态系统的设计和模拟，该系统明确地针对3D-ICS生物学大脑的三维结构，在网络中，网络中的信息以稀疏的尖峰时间和学习为基于局部上的上升式触发性依赖性依赖性依赖性 - 依赖性依赖性统计。我们的平台可实现尖峰网络的高集成密度和小尖峰延迟，并具有可扩展设计。r-nash是一种基于通过透过的VIA技术的设计，可促进基于Chip网络的聚类神经元上的尖峰神经网络实现。我们提供了与主机CPU的内存接口，可以在线培训和推断尖峰神经网络的推断。此外，R-NASH通过优雅的性能退化支持故障恢复。
CHIME：CMOS 体内微电极，用于大规模可扩展的神经元记录
哺乳动物的大脑由数千万到数千亿个神经元组成，这些神经元以毫秒级的时间尺度运行，而目前的记录技术只能捕捉到其中的一小部分。能够以高时空分辨率对神经活动进行采样的记录技术一直难以扩展。研究最深入的哺乳动物神经元网络（例如大脑皮层）呈现出分层结构，其中最佳记录技术可在大面积上进行密集采样。然而，对特定应用设计的需求以及大脑的三维结构与二维微加工技术之间的不匹配严重限制了神经生理学研究和神经假体。在这里，我们讨论了一种可扩展神经元记录的新策略，即将玻璃包覆微线束与来自高密度 CMOS 体外 MEA 系统或高速红外摄像机的大规模放大器阵列相结合。由于玻璃包覆微线中芯金属的高导电性，允许使用超薄金属芯（低至 < 1 µ m）和可忽略不计的杂散电容，因此实现了高信噪比（< 25 µ V RMS 本底噪声，SNR 高达 25）。尖端的多步电化学改性可实现超低接入阻抗和最小几何面积，这与芯直径基本无关。我们表明，可以减小微线尺寸，以几乎消除插入时对血脑屏障的损伤，并且我们证明微线阵列可以稳定地记录单个单元活动。将微线束和 CMOS 阵列相结合可以实现高度可扩展的神经元记录方法，将电神经元记录的进展与硅微加工的快速进展联系起来。系统的模块化设计允许自定义记录位置的排列。我们采用微创、高度绝缘和功能化的微线束将二维 CMOS 架构扩展到第三维，这种方法可以转化为其他 CMOS 阵列，例如电刺激设备。
使用LLMS生成具有特定任务的新蛋白质
Halima Bensmail卡塔尔计算研究所的目的：蛋白质的产生在诸如药物设计和蛋白质工程等领域具有广泛的应用前景，可以使用机器学习或深度学习，可以产生蛋白质序列。希望生成的序列具有良好的可折叠性，以便它们可以形成稳定的三维结构。此外，预期所需的蛋白质将表现出特定的功能特性，包括酶活性和抗体结合能力。大语言模型的进步和条件模型的整合已显着推动了蛋白质产生领域的进步。该模型（称为后代）将Uniprotkb关键字包含为2020年的条件标签。这些标签包括一个由各种类别组成的词汇，包括“生物过程”，“细胞成分”和“分子功能”。总共有条件的标签包含超过1,100个不同条款。在评估使用指标相似性，二级结构准确性和构象能产生的蛋白质序列时，它们表现出所需的结构特性。在2022年，受到生成变压器模型（例如GPT-X系列）的显着成就的启发，Protgpt2的发展出现了。值得注意的是，Protgpt2产生的蛋白质表现出符合天然原理的氨基酸倾向。看来Protgpt2已经获得了特定于蛋白质的语言。拟议的工作将重点介绍对这两种术语和Protgpt2的评估。涉及疾病和二级结构预测的评估表明，Protgpt2生成的蛋白质的绝大多数（88％）具有球形特征，与自然序列中的属性保持一致。在Protgpt2序列上采用AlphaFold会产生折叠的非思想结构，包括存在广泛的回路的存在以及当前结构数据库中不存在的以前看不见的拓扑结构。我们还将使用llms使用蛋白质序列作为输入来进行蛋白质功能预测，并为多种蛋白质任务（例如同源性预测）以及二级结构预测，蛋白质溶解度和蛋白质结晶微调模型，并将其与Sproberta进行比较。
发现针对肺癌的潜在抑制剂
Chtita等。/ phys。化学。res。，卷。12，编号3，579-589，2024年9月。研究人员正在积极探索新型的治疗剂，这些治疗剂专门针对与肺癌相关的分子途径。这些有针对性的疗法旨在破坏促进癌症生长和进展的特定机制，同时最大程度地减少对健康细胞的伤害[6]。但是，发现和开发这些目标疗法的过程可能耗时且昂贵。它通常涉及筛选大型化合物文库以识别潜在的候选药物，然后进行广泛的临床前和临床测试。这个过程可能需要数年的时间，并且涉及大量金融投资[7]。因此，寻找加快此过程的方法而不损害安全性和功效至关重要[8]。这是计算方法发挥作用的地方。通过利用计算工具和技术的力量，研究人员可以有效筛选大量的化合物图书馆，以鉴定具有所需特性的潜在药物以抑制肺癌。这些虚拟筛查技术采用各种算法和模型来预测化合物与肺癌涉及的特定靶蛋白的可能性[9]。一旦确定了潜在化合物，就采用分子对接技术来评估所选化合物与靶蛋白之间相互作用的强度和稳定性。计算方法还可以鉴定具有特定属性的化合物和分子对接模拟为化合物如何拟合到靶蛋白的三维结构以及它们结合的紧密结构提供了宝贵的见解。此信息可以帮助研究人员确定并选择最有希望的候选人进行进一步研究[10]。此外，分子动力学模拟用于研究所选化合蛋白相互作用随时间的动态行为。这些模拟对复合物的结构特性，灵活性和稳定性提供了详细的理解。通过在分子水平上探索复合物的行为，研究人员可以深入了解其作为治疗剂的潜在功效，并预测其如何与生物系统中其他成分相互作用[11]。在药物发现过程中，计算方法与传统实验技术的整合具有许多优势。它使研究人员可以通过缩小寻找潜在抑制剂的搜索来探索更大的化学空间，从而节省时间和资源。
AVS 表面之下 - Andrea Tononi
微电子设备的微型化要求制造技术达到原子级精度，特别是在薄膜沉积方面。原子层沉积 (ALD) 因其在控制复杂三维结构上的薄膜厚度和成分方面的精度而受到认可。本研究重点研究了钌 (Ru) 的 ALD 成核和生长机制，钌是一种对未来微电子学具有重大影响的金属。尽管具有诸多优势，但将高表面自由能材料（如 Ru）沉积在低表面自由能材料（如氧化物）上通常面临成核延迟大和生长不均匀的挑战。为了应对这些挑战，我们探索了使用三甲基铝 (TMA) 或二乙基锌 (DEZ) 进行有机金属表面预处理以增强 Ru 薄膜成核和生长的有效性。我们的研究采用了一种研究较少的 Ru 前体，环戊二烯基乙基（二羰基）钌 [RuCpEt(CO) 2 ]，它在减少成核延迟和增加薄膜连续性方面表现出良好的效果。 Ru ALD 在具有天然氧化物的硅基板上进行，使用 RuCpEt(CO) 2 和 O 2 作为共反应物。我们的研究结果表明，表面预处理显著提高了最初 60 个 ALD 循环内的成核密度和膜厚度，与未经预处理的基板相比，Ru 表面覆盖率提高了 3.2 倍。在密度泛函理论计算的支持下，我们提出，与之前研究的 Ru(Cp) 2 相比，RuCpEt(CO) 2 观察到的增强成核是由于两种关键机制：沉积过程中 CO 配体的促进去除，从而增强了前体的反应性，以及涉及 RuCpEt(CO) 2 的乙基配体和表面上的金属烷基团的氢提取反应。这项研究不仅加深了我们对 Ru ALD 工艺的理解，而且还强调了前体化学和表面处理对优化 ALD 以用于高级微电子应用的重大影响。
人工智能衍生的青蒿素药物化合物可作为对抗 SARS-CoV-2 受体的有效候选药物：一项对抗 CO 的计算机模拟研究
背景：冠状病毒在全球爆发，迫使全世界寻找药物来对抗当前的流行病。重新利用药物是一种很有前途的方法，因为它为应对新出现的 COVID-19 提供了新的机会。然而，在大数据时代，人工智能 (AI) 技术可以利用计算方法通过 In-silico 方法寻找新的候选药物。目的和目标：我们目前工作的目的和目标基本上是设计一种针对 COVID-19 受体的植物衍生化合物，该化合物可能作为有效的治疗方法，并使用深度学习程序语言 python (anaconda) 2.7 版本预测疾病的结果。方法：人工智能技术通过计算机辅助药物设计过程 (CADD) 帮助理解冠状病毒与受体的相互作用。使用 Maestro (Schrödinger) 程序准备配体-蛋白质相互作用，该程序有助于研究青蒿素化合物与 SARS-CoV-2 受体（如 7CTT、非结构蛋白 (NSP) 和 7MY3 刺突糖蛋白）的对接姿势。因此，人工智能技术使用深度学习机器算法构建的神经网络检查药物-靶标相互作用，并使用 python 程序语言预测疾病的结果。结果：青蒿素对 SARS-CoV-2 受体（如 7CTT 和 7MY3）表现出最高的抗病毒活性。从 PubChem 开放化学数据库中检索了配体和 SARS-CoV-2 受体的三维结构。配体-蛋白质相互作用是在 Maestro（Schrödinger）程序的帮助下进行的，该程序揭示了 7CTT 与抗疟化合物衍生配体相互作用的 MM/GBSA 值，例如 D95（-45.424）、青蒿素（-35.222）、MPD（-31,021）、MRD（-21.952）和 6FGC（-34.089），而 7MY3 刺突糖蛋白相互作用的 MMGBSA 值 D95（-26.304）、MPD（-18.658）、MRD（-28.03）和 6FGC（-13.47）结合亲和力遵循 Lipinski 规则 5，并进一步用随机森林决策树预测结果，使用 python 程序的准确率约为 75%。结论：通过计算机模拟方法重新利用该药物对抗 SARS-CoV-2 病毒，揭示了其抗病毒作用。对接研究方法显示了 XP 分数、滑行能量和 MMGBSA 值，这些值是使用人工智能技术构建的深度学习程序预测的。
第三次人工智能浪潮
为什么这项关键技术现在为德国和欧洲提供了历史性机遇 作者：Holger Hoos 和 Kristian Kersting 一方面，人类正面临着巨大的挑战——气候变化、流行病、地缘政治变化和人口结构变化。另一方面，也取得了巨大的进步：分子手术刀 CRISPR-Cas9 正在彻底改变精准医疗，引力波已经被探测到，更便宜、可重复使用的太空飞行器正在提供以前难以想象的太空通道。这既令人欣慰又必要，因为我们这个时代的主要问题需要远远超出目前科学和技术可行性的解决方案。人工智能 (AI) 在此背景下发挥着特殊作用，原因有二：首先，这些问题至少在一定程度上是由人类智力的自然局限性造成和加剧的。其次，作为数字化转型的下一阶段，人工智能是一种应用范围广泛的通用技术。令人担忧的是，人们对人工智能到底是什么仍然存在困惑。有时，它被用来指代展现人类智能全谱的机器，从而至少在原则上可以取代或超越人类，其后果令人担忧，这是可以理解的。另一方面，一段时间以来，人们倾向于将人工智能等同于机器学习，或者更狭义地说，等同于使用人工神经网络的所谓深度学习。这两种人工智能概念都是误导性的。所谓的转换器可以根据最少的输入添加或几乎完全编写文本。1956 年，美国计算机科学家约翰·麦卡锡 (John McCarthy) 创造了“人工智能”一词，此后，该词被定义为对能够重现智能（不一定是人类）行为的计算机程序的追求。然而，人工智能的核心问题早在 1950 年就由英国计算机先驱艾伦·图灵提出：机器能思考吗？事实上，人工智能最近取得了令人印象深刻的重要进展，特别是在机器学习领域，无论是在基础研究还是在应用方面。Deep Mind 最近开发的“AlphaFold 2.0”程序已被证明能够以实验室实验的精度预测蛋白质的三维结构，从而有助于更好地诊断和治疗疾病，或设计专门用于产生能量或分解污染物的酶。我们（幸运的是）距离实现涵盖人类智能全部范围的通用人工智能还很远。与此同时，当前的人工智能技术不仅仅涵盖机器学习。除了学习之外，逻辑和数学推理、知识建模等方法和