XiaoMi-AI文件搜索系统
World File Search System上位
推动地方政府使用人工智能和机器人流程自动化
在2018年度的调查中，“通过聊天机器人进行响应”（55例）是最常见的解决方案，但在2019年度的调查中，用于记录会议纪要的AI等“语音识别”（157例）和AI-OCR等“字符识别”（120例）位居榜首，预计将占总采用数量的一半以上。排名前三的领域（语音识别、文字识别、聊天机器人应答）正在各个规模的城市得到推广，但排名后四的领域（匹配、最优解决方案显示、图像/视频识别、数值预测）即使在都道府县级别也很少有实施。总体来看，AI引入商业工具的进程正在不断推进，但引入有助于真正提高商业效率的AI仍面临挑战。
19 号染色体上 SNP 相互作用的模拟深度学习模型，用于预测阿尔茨海默病风险和疾病进展速度
尽管脱氧核糖核酸 (DNA) 的组成简单，只有 4 个核苷酸变体，但它却存储着物种间和物种内大量变异的独特信息。遗传密码由单核苷酸多态性 (SNP) 的顺序和位置、它们之间的空间关系以及它们与其他 SNP 的上位相互作用决定 [8–10]。全基因组关联研究 (GWAS) 方法通过对痴呆症患者和认知未受损 (CU) 的个体进行组比较来识别与 AD 相关的 SNP [11–15]。然而，GWAS 不考虑上位相互作用。为了更好地解释遗传性并确定 AD 的遗传结构，开发了使用载脂蛋白 E (APOE) Ɛ 4 单倍型（最重要的散发性 AD 风险因素）以及通过 GWAS 方法和多基因风险评分 (PGRS) 确定的许多其他 AD 风险 SNP 的多元回归方法 [16–19]。然而，它们仅解释了疾病遗传性的一部分，表明缺少额外的风险 SNP 和有关相互作用的关键信息。
利用小鼠染色体置换株的新型映射策略可识别调节复杂性状的多种上位性相互作用
。CC-BY-NC-ND 4.0 国际许可（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2020 年 8 月 17 日发布。；https://doi.org/10.1101/2020.04.10.034637 doi：bioRxiv 预印本
面包小麦中镉的变异异质性全基因组映射揭示了新的基因组位点和上位性相互作用
变异异质性数量性状基因座（vQTL） (Rön- negård & Valdar, 2011)。vQTL 可通过寻找携带特定基因座替代等位基因的基因型组之间的变异差异来检测（Fors-berg & Carlborg, 2017）。一个简单的例子是具有植物高度差异的小麦基因型。一个基因型组对于某个等位基因是纯合的，表现出更大的变异性（包括较矮和较高的植物），而第二个基因型组对于替代等位基因是纯合的，其植物高度相似或一致。两个等位基因组之间植物高度的这种对比导致了遗传变异异质性。请注意，两组之间的平均差异不必不同，就会出现变异异质性（图 1）。
无人机数字式执行器自动测试系统设计...
杨涛 * ，柴立人，王刚 中国航天空气动力研究院，北京 100074 * 通讯作者 摘要：针对无人机数字作动器测试问题，该作动器是无人机的关键部件之一，其静动态性能直接影响无人机的机动性能，本文研究了一种全自动数字作动器测试系统，介绍了该系统的硬件和软件设计方案，并进行了应用演示。该系统以 TI 双核微控制器 TMS28377D 为核心，拥有 RS422、RS485、RS232、CAN Bus 等广泛应用于数字作动器的丰富通信接口。此外，测试系统还连接旋转增量式编码器，提供数字作动器的实际位置信息，以及 SD 卡用于实时记录数据。测试系统通过以太网通信与上位机通信，上位机发送命令并接收反馈。本文设计的全自动数字作动器具有可靠性高、升级方便等优点。该自动测试系统在无人机数字执行器的研制、生产和仓储中有着巨大的潜力。
主动学习辅助定向进化
摘要：定向进化 (DE) 是一种强大的工具，可用于优化蛋白质适应特定应用。然而，当突变表现出非加性或上位性行为时，DE 可能效率低下。在这里，我们介绍了主动学习辅助定向进化 (ALDE)，这是一种迭代机器学习辅助 DE 工作流程，它利用不确定性量化来比当前的 DE 方法更有效地探索蛋白质的搜索空间。我们将 ALDE 应用于对 DE 具有挑战性的工程领域：优化酶活性位点中的五个上位性残基。在三轮湿实验室实验中，我们将非天然环丙烷化反应所需产物的产量从 12% 提高到 93%。我们还对现有的蛋白质序列适应度数据集进行了计算模拟，以支持我们的论点，即 ALDE 比 DE 更有效。总体而言，ALDE 是一种实用且广泛适用的策略，可以解锁改进的蛋白质工程成果。关键词：蛋白质工程、定向进化、酶工程、原珠蛋白、卡宾、立体选择性、机器学习、贝叶斯优化、主动学习、不确定性量化
主动学习辅助定向进化
摘要：定向进化 (DE) 是一种强大的工具，可用于优化蛋白质适应特定应用。然而，当突变表现出非加性或上位性行为时，DE 可能效率低下。在这里，我们介绍了主动学习辅助定向进化 (ALDE)，这是一种迭代机器学习辅助 DE 工作流程，它利用不确定性量化来比当前的 DE 方法更有效地探索蛋白质的搜索空间。我们将 ALDE 应用于对 DE 具有挑战性的工程领域：优化酶活性位点中的五个上位性残基。在三轮湿实验室实验中，我们将非天然环丙烷化反应所需产物的产量从 12% 提高到 93%。我们还对现有的蛋白质序列适应度数据集进行了计算模拟，以支持我们的论点，即 ALDE 比 DE 更有效。总体而言，ALDE 是一种实用且广泛适用的策略，可以解锁改进的蛋白质工程成果。关键词：蛋白质工程、定向进化、酶工程、原珠蛋白、卡宾、立体选择性、机器学习、贝叶斯优化、主动学习、不确定性量化
毛果杨体外转化的全基因组关联研究和网络分析支持多种植物激素途径和串扰的关键作用
许多植物物种和基因型对转化和再生 (TR) 的适应性存在很大差异，这对基因工程在研究和育种中的应用提出了挑战。为了帮助了解这种变异的原因，我们使用 1204 棵野生黑杨树种群进行了关联作图和网络分析。为了对愈伤组织和嫩枝 TR 进行精确和高通量的表型分析，我们开发了一种计算机视觉系统，可以交叉引用互补的红、绿、蓝 (RGB) 和荧光高光谱图像。我们使用单标记和组合变异方法进行了关联作图，然后对已发表的多组学数据集进行了上位性和整合的统计检验，以确定可能的调控中心。我们报告了 409 个与编码序列 5 kb 范围内的关联有关的候选基因，上位性测试表明其中 81 个候选基因是彼此的调节因子。与蛋白质 - 蛋白质相互作用和转录调控相关的基因本体术语被过度使用。除了长期确定对 TR 至关重要的生长素和细胞分裂素通路之外，我们的结果还强调了应激和伤害通路的重要性。这些通路内和跨通路的潜在信号调节中心包括生长调节因子 1 (GRF1)、磷脂酰肌醇 4-激酶 β 1 (PI-4K β 1) 和 OBF 结合蛋白 1 (OBP1)。