LncRNA 是一类重要的非编码 RNA,据报道与多种人类病理状况有关。越来越多的证据表明药物可以调节 lncRNA 的表达,这使得将 lncRNA 开发为治疗靶点成为可能。因此,开发预测 lncRNA-药物关联 (LDA) 的计算机方法是开发基于 lncRNA 的疗法的关键步骤。在本研究中,我们使用基于 lncRNA 和药物相似性网络的图卷积网络 (GCN) 和图注意力网络 (GAT) 来预测 LDA。结果表明,我们提出的方法在五个数据集上取得了良好的性能(平均 AUC > 0.92)。此外,案例研究和 KEGG 功能富集分析进一步证明该模型可以有效识别新型 LDA。总体而言,本研究提供了一个基于深度学习的预测新型 LDA 的框架,这将加速针对 lncRNA 的药物开发进程。
以提高代谢稳定性和实时监测药物位置。基于多糖的纳米前药由于其成分清晰、结构准确、载药量稳定、抗肿瘤活性高而受到广泛关注。14,15壳聚糖(CS)是一种天然无毒的高分子材料,具有良好的生物降解性和生物相容性,被广泛应用于抗肿瘤药物的递送,用于癌症的诊断和治疗。16,17此外,CS具有大量的氨基(-NH 2)和羟基(-OH),是极好的功能化修饰位点。18如果将疏水性抗癌药物通过共价键直接偶联到亲水性聚合物链上,可以大大防止药物过早释放。然而,以壳聚糖为基础形成的阳离子纳米粒子不仅缺乏肿瘤靶向作用,而且易受血清蛋白介导的聚集和消除。19 透明质酸具有天然电负性,可用于包覆阳离子基纳米粒子。同时,透明质酸由于其低免疫原性,高生物相容性以及靶向肿瘤特异性表达受体(簇决定簇44,CD44)而被用于药物递送系统。20 因此,HA功能化的药物递送系统可以主动靶向癌细胞。21,22
抑郁症已成为全球流行的心理健康问题。传统抑郁诊断方法的准确性由于各种因素而面临挑战,使主要识别成为复杂的任务。因此,当务之急是开发一种符合抑郁识别的客观性和有效性标准的方法。当前的研究强调了抑郁症患者与没有的人之间的大脑活动差异。脑电图(EEG)是一种生物学反射性且易于访问的信号,被广泛用于诊断抑郁症。本文介绍了一种创新的抑郁预测策略,该策略将时频的复杂性和电极空间拓扑结合在一起,以帮助抑郁诊断。最初,提取EEG信号的时频复杂性和时间特征,以生成图形卷积网络的节点特征。随后,利用通道相关性,使用并计算了大脑网络邻接矩阵。最终的抑郁分类是通过训练和验证图形节点特征和基于通道相关的脑网络邻接矩阵来实现的。提出的策略已使用两个公开可用的EEG数据集(MODMA和PERD+CT)进行了验证,分别达到了98.30和96.51%的明显准确率。这些结果肯定了我们提出的策略在使用脑电图信号预测抑郁症方面的可靠性和效用。此外,这些发现证实了脑电图时间复杂性特征的有效性是抑郁预测的有价值的生物标志物。
摘要:本文介绍了一种针对语音情感的新型基于图形的学习技术,该技术已专门针对人形机器人内的能源有效部署而定制。我们的方法论代表了可扩展图表示的融合,该图表源于图形信号处理理论的基础原理。通过研究循环或线图的利用,作为塑造强大的图形卷积网络(GCN)构造的基本成分,我们提出了一种方法,可以允许捕获语音信号之间的关系以解码复杂的情感模式和反应。我们的方法与诸如IEMOCAP和MSP -IMPROV之类的既定数据库进行了验证和基准测试。我们的模型优于稳定的GCN和普遍的深度图体系结构,证明了与ART方法论状态相符的性能水平。值得注意的是,我们的模型在显着减少了可学习参数的数量的同时,实现了这一壮举,从而提高了计算效率并加强其对资源约束环境的适用性。这种提出的基于图形的杂种学习方法用于人形机器人内的多模式情绪识别。其提供竞争性能的能力,同时简化计算复杂性和能源效率,这代表了一种新颖的情绪识别系统的新方法,可以满足各种真实世界的应用,其中人类机器人中情绪识别的精确性是一个关键的必要条件。
我们考虑了Banerjee等人最近提出的图表搜索问题。(2023)。在此问题中,从某个顶点r开始的代理必须穿越A(可能未知的)图G以找到隐藏的目标节点G,同时最小化总距离。我们研究一个设置,在该设置中,在任何节点V中,代理都会收到从V到G的距离的嘈杂估计。我们在未知图上为此搜索任务设计算法。我们在未知的加权图上建立了第一个正式保证,并提供了下限,表明我们提出的算法对预测误差具有最佳或几乎最佳的依赖性。此外,我们执行的数值实验表明,除了对对抗误差鲁棒性外,我们的算法在误差是随机的典型情况下表现良好。最后,我们在Banerjee等人的算法上提供了更简单的性能界限。(2023)对于在已知图表上进行搜索的情况,并为此设置建立新的下限。
置换流店调度(PFSS)旨在寻找工作的最佳置换,广泛用于制造系统中。在解决大规模PFSS问题时,传统的优化算法(例如启示录)几乎无法满足解决方案准确性和计算效率的需求,因此基于学习的甲基苯酚最近引起了更多的关注。通过加强学习方法来解决问题,这些工作在培训期间遇到了缓慢的收敛问题,并且在解决方案方面仍然不够准确。为此,我们建议通过专家驱动的模仿学习来训练该模型,从而更加准确地加速收敛。此外,为了提取输入作业的更好的效率表示,我们将图形结构合并为编码器。广泛的实验表明,我们提出的模型获得了重大的促进性,并在多达1000个工作岗位的大规模问题中提供了出色的概括性。与最先进的信息学习方法相比,我们的模型网络插曲仅减少到其仅37%,而我们模型对专家解决方案的解决方案差距从平均6.8%降至1.3%。该代码可在以下网址提供:https://github.com/longkangli/pfss-il。
大型语言模型(LLMS)已彻底改变了语言处理任务,并在各个领域中证明了它们的出现功能。然而,在工作建议中,它们用于图形语义挖掘的可能性在很大程度上没有探索。本文着重于揭示大型语言模型在理解图形图表方面的能力,并利用这种理解来增强在线招聘中的建议,包括促进分布式(OOD)应用程序。我们提出了一个新颖的框架,该框架利用了大型语言模式提供的丰富上下文信息和语义表示,以分析行为图并揭示基本的作品和关系。具体来说,我们提出了一个元路径提示构造器,该构造器首次推荐LLM推荐掌握行为图的语义,并设计一个相应的路径增强模块,以减轻基于路径的序列输入引入的及时偏差。通过填充此功能,我们的框架为个人用户提供了个性化和准确的工作建议。我们评估了方法对全面的现实数据集的有效性,并证明了其提高推荐结果的相关性和质量的能力。这项研究不仅阐明了大型语言模型的未开发潜力,而且还为招聘市场中的高级推荐系统提供了宝贵的见解。这些发现有助于纳特语言处理的日益增长的领域,并为增强求职体验提供了实践含义。
摘要这项研究介绍了Drivaernet,这是3D行业标准汽车形状的大规模高保真CFD数据集,以及RegDGCNN(一种动态的图形卷积神经网络模型),均旨在通过机器学习进行空气动力的汽车设计。drivaernet,其4000个详细的3D汽车网架使用了50万个表面网状面和全面的空气动力性能数据,包括全3D压力,速度场和壁剪应力,解决了广泛的数据集以训练工程应用中深度学习模型的广泛数据的关键需求。它比以前最大的汽车公共数据集大60%,并且是唯一对车轮和车身底部进行建模的开源数据集。regdgcnn利用此大型数据集直接从3D网格中提供高精度的阻力估计,绕过传统限制,例如需要2D图像渲染或签名距离字段(SDF)。通过在几秒钟内实现快速的阻力估计,RegdGCNN便有助于快速的空气动力学评估,从而为在汽车设计中的数据驱动方法整合而实现了巨大的飞跃。一起,Drivaernet和Regdgcnn承诺将加速汽车设计过程,并有助于开发更有效的车辆。为了为未来的创新奠定基础,我们的研究中使用的数据集和代码可在https://github.com/mohamedelrefaie/drivaernet 1中公开访问。
摘要 机器学习 (ML) 在医学人工智能 (AI) 系统中的应用已从传统和统计方法转变为越来越多地使用深度学习模型。本综述介绍了多模态 ML 的当前发展情况,重点介绍了其对医学图像分析和临床决策支持系统的深远影响。本文强调了解决多模态表示、融合、翻译、对齐和共同学习方面的挑战和创新,探讨了多模态模型对临床预测的变革潜力。它还强调了对此类模型进行原则性评估和实际实施的必要性,并引起了人们对决策支持系统与医疗保健提供者和人员之间动态关系的关注。尽管取得了进展,但许多生物医学领域仍然存在数据偏见和“大数据”稀缺等挑战。最后,我们讨论了原则性创新和协作努力,以进一步实现将多模态 ML 模型无缝集成到生物医学实践中的使命。
我们考虑了Banerjee等人最近引入的预测图形搜索问题。(2023)。在此问题中,从某个顶点r开始的代理必须使用A(可能未知的)图G找到隐藏的目标节点G,同时最小化总距离。我们研究一个设置,在该设置中,在任何节点V中,代理都会收到从V到G的距离的嘈杂估计。我们在未知的图表上为此搜索任务设计算法。我们在未知的加权图上建立了第一个正式保证,并提供了下限,表明我们提出的算法对预测误差具有最佳或几乎最佳的依赖性。此外,我们进行了数值实验,证明除了对对抗性误差造成反对,我们的算法在误差是随机的典型情况下都很好地形成。最后,我们在Banerjee等人的属性上提供了更改的天然简单性能界限。(2023)对于在已知图表上进行搜索的情况,并为此设置建立新的下限。