XiaoMi-AI文件搜索系统
World File Search System亲和力
通过特征处理方案优化药物 - 目标亲和力预测方法
结果：在这项研究中，为了获得具有高精度和强大可解释性的模型，我们利用了各种传统和尖端的特征选择和降低维度降低技术来处理自我相关特征和相邻的相关特征。然后将这些优化的特征送入学习排名以实现有效的DTA预测。在两个常用数据集上进行的广泛实验结果表明，在各种特征优化方法中，基于回归树的特征选择方法对于构建具有良好性能和稳健性的模型是最有益的。然后，通过利用Shapley添加说明值和增量功能选择AP-PRACH，我们可以获得高质量的功能子集由前150D特征组成，而Top 20D功能对DTA预测产生了突破性的影响。总而言之，我们的研究彻底验证了DTA预测中特征优化的重要性，并作为构建高性能和高解释模型的灵感。
基于元学习的药物-靶标结合亲和力预测
在药物研发的早期阶段，准确预测靶蛋白与药物的结合行为对于发现具有良好效力和选择性的候选分子至关重要 (Hughes et al., 2011)。药物-靶标结合亲和力 (DTA) 预测是一个回归问题，旨在预测实验测量的结合亲和力值，这有助于对化合物进行排序和优化。尽管它通常比药物-靶标相互作用 (DTI) 预测问题更困难，后者是对活性/非活性化合物的二元分类，但 DTA 预测已根据深度学习的最新进展得到积极解决 (Ragoza 等人，2017 年；Stepniewska-Dziubinska 等人，2018 年；Jim´enez 等人，2018 年；Zhang 等人，2019 年；Jones 等人，2021 年；Abbasi 等人，2020 年；¨ Ozt¨urk 等人，2018 年；Abbasi 等人，2020 年；Nguyen 等人，2020b；2021)。
使用 GAN 预测药物-靶标结合亲和力
药物与靶标之间相互作用的计算预测是药物发现领域的长期挑战。最先进的药物-靶标相互作用预测方法主要基于具有已知标签信息的监督机器学习。然而，在生物医学中，获取标记的训练数据是一个昂贵且费力的过程。本文提出了一种基于半监督生成对抗网络 (GAN) 的方法来预测结合亲和力。我们的方法包括两部分，两个用于特征提取的 GAN 和一个用于预测的回归网络。半监督机制使我们的模型能够学习标记和未标记数据的蛋白质药物特征。我们使用多个公共数据集评估我们方法的性能。实验结果表明，我们的方法在利用免费提供的未标记数据时实现了具有竞争力的性能。我们的结果表明，利用这种未标记数据可以大大帮助提高各种生物医学关系提取过程的性能，例如药物-靶标相互作用和蛋白质-蛋白质相互作用，特别是在这些任务中只有有限的标记数据可用时。据我们所知，这是第一个基于半监督 GAN 的预测结合亲和力的方法。
主题标签#CharlaSeducativas作为Twitter上的教师亲和力空间
摘要Twitter将自己定位为教师最使用的社交网络之一，为他们创造了教师亲和力空间以共享和协作。这项研究分析了#CharlaSeducativas主题标签，以探索它是否代表了该社交网络上的教学亲和力空间。这是一个与西班牙创建的教育项目相关的主题标签，并以交叉切割方式与所有教育阶段有关。使用混合方法研究，分析了2020年1月至2022年7月在2020年1月至7月之间发表的6073条带有#CharlaSeducativas标签的推文，其中包括总共761个Twitter配置文件。使用软件MAXQDA，开发了类别系统来对交互中最常见的主题进行分类并研究话语的音调。社交网络分析软件GraphExt用于对参与最高的配置文件进行深入分析。已经确认，满足了亲和力空间的特征（协作，水平自然，社区的创建，层次结构的存在和非正式学习的来源）。与此主题标签相关的互动是积极的，友好的，并且具有紧密而放松的语气，这有利于群体的感觉，促进非正式学习。此外，该空间具有强大的层次结构，并带有领导角色，可以使信息流动并连续提供。
通过特征处理方案优化药物 - 目标亲和力预测方法
结果：在这项研究中，为了获得具有高精度和强大可解释性的模型，我们利用了各种传统和尖端的特征选择和降低维度降低技术来处理自我相关特征和相邻的相关特征。然后将这些优化的特征送入学习排名以实现有效的DTA预测。在两个常用数据集上进行的广泛实验结果表明，在各种特征优化方法中，基于回归树的特征选择方法对于构建具有良好性能和稳健性的模型是最有益的。然后，通过利用Shapley添加说明值和增量功能选择AP-PRACH，我们可以获得高质量的功能子集由前150D特征组成，而Top 20D功能对DTA预测产生了突破性的影响。总而言之，我们的研究彻底验证了DTA预测中特征优化的重要性，并作为构建高性能和高解释模型的灵感。
高亲和力PAN-PI3K结合模块支持PI3Kα
PIK3CA基因座经常在各种肿瘤范围内突变，编码可药的激酶P110 a。尽管这一目标显然有希望，但针对该目标的药物开发一直具有挑战性。大多数p110 A抑制剂都因缺乏同工型特异性城市而受到阻碍。即使是Alpelisib（例如Alpelisib），也显示了代谢不良的作用，尤其是高血糖和高胰岛素血症，其中2主要是由于pan-PI3K抑制作用抑制葡萄糖进口，这反过来促使胰岛素分泌。这种反活性反应不仅破坏了药物的效果，甚至会促进肿瘤的生长。3，如果抑制剂具有完全同种型的选择性，则这些代谢不良效应将得到缓解，因为相关PI3KS之间具有显着的功能冗余。最近的一份报告4表明，p110 a的高官能接合可以导致蛋白质降解在有限数量的表达突变p110 A的细胞系中，同时保留了野生型。while
使用 Transformer 进行药物靶标结合亲和力预测
摘要 — 药物发现通常很困难、昂贵且成功率低。药物发现和药物再利用的早期阶段的重要步骤之一是确定药物-靶标相互作用。结合亲和力表示药物-靶标对相互作用的强度。在这方面，已经开发了几种计算方法来预测药物-靶标结合亲和力，并且这些模型的输入表示已被证明在提高准确性方面非常有效。虽然最近的模型比第一个模型更准确地预测结合亲和力，但它们需要靶蛋白的结构。尽管人们对蛋白质结构有浓厚的兴趣，但已知序列和实验确定的结构之间存在巨大差距。因此，找到合适的药物和蛋白质序列表示对于药物-靶标结合亲和力预测至关重要。在本文中，我们的主要目标是评估药物和蛋白质序列表示以改进药物-靶标结合亲和力预测。
面对人造：理解亲和力、可信度和对更现实的偏好
近年来，各公司一直在为由人工智能 (AI) 控制的数字虚拟代理开发更逼真的人脸。但用户对与此类虚拟代理互动有何感受？我们使用了一项受控实验室实验来检查用户对通过视频（即 Skype）以及非常逼真的虚拟形象出现的真实人类旅行代理的感知可信度、亲和力和偏好；一半的参与者（被误导性地）被告知虚拟形象是由人工智能控制的虚拟代理，而另一半则被告知虚拟形象由同一个人类旅行代理控制。结果表明，参与者认为视频人类代理更值得信赖，对他更有亲和力，并且比两个虚拟形象版本都更喜欢他。相信虚拟形象是由人工智能控制的虚拟代理的用户对代理的亲和力、可信度和偏好程度与相信虚拟形象由人类控制的用户相同。因此，使用逼真的数字化身会降低亲和力、可信度和偏好，但虚拟形象如何控制（由人还是机器）则没有影响。结论是，仅提高视觉保真度就能带来显著的积极变化，用户并不反对先进的人工智能模拟人类的存在，有些人甚至可能期待这样先进的技术。1. 简介
药物亲和力响应靶标稳定性揭示了细丝蛋白作为……
Artemetin 是一种有价值的 5-羟基-3,6,7,3 ' ,4 ' -五甲氧基黄酮，存在于多种不同的药用植物中，具有非常好的口服生物利用度和药物相似性，这归功于其多种生物活性，例如抗炎和抗癌。在这里，我们制定并实施了一项多学科计划，用于识别 artemetin 靶标以检查其作用机制，该计划基于药物亲和力响应靶标稳定性和靶向有限蛋白水解。这两种方法都表明，在 HeLa 细胞裂解物中，flamins A 和 B 是 artemetin 的直接靶标，同时也提供了有关配体/蛋白质结合位点的详细信息。有趣的是，8-异戊烯基-青蒿素（青蒿素更具渗透性的半合成类似物）也直接与纤丝蛋白 A 和 B 相互作用。这两种化合物都会改变活体 HeLa 细胞中的纤丝蛋白构象，影响细胞骨架的分解和 F- 肌动蛋白丝的解体。天然化合物及其衍生物均能够阻止细胞迁移，有望对肿瘤转移的发生和发展产生作用。
iClamp方法：肌苷化学标记和亲和力分子纯化
■Intellectual property rights: Japanese application 2023-175606 (application 2023-10-10) Name of the invention: Methods for labeling inosine bases, detection methods for detecting inosine bases, sequencing methods for sequencing nucleic acids containing inosine bases, inosine base labeling agents, and kits JST Patent application support system (PC T): S2023-0543-N0 Name of the invention: A Novel Technique to Explore Adenosine Deamination via Inosine Chemical Labeling and Affinity Molecular Purification ■Name of public funding projects utilized: AMED Bridge Research Promotion Project Seeds A (Main) 2022基础研究B（总统）（总裁）2022-2024基础研究B（总统）（总统）2019-2021支持研究活动开始（总统）2018年挑战研究（开发）（共享）（共享）2024-2026