XiaoMi-AI文件搜索系统
World File Search System从头
来自细菌的宏观生物材料的从头基质
工程化活体材料 (ELM) 将活体细胞嵌入生物聚合物基质中，以创建具有定制功能的新型材料。虽然自下而上组装具有从头基质的宏观 ELM 可以最大程度地控制材料特性，但我们缺乏对导致集体自组织的蛋白质基质进行遗传编码的能力。我们在此报告了从显示和分泌自相互作用蛋白质的 Caulobacter crescentus 细胞中生长的 ELM。这种蛋白质形成从头基质并将细胞组装成厘米级的 ELM。设计和组装原理的发现使我们能够调整这些 ELM 的机械、催化和形态特性。这项工作提供了新颖的工具、设计和组装规则以及一个平台，用于生长可控制基质和细胞结构和功能的 ELM。
使用基于深度学习的图正则化矩阵分解从头预测细胞药物敏感性
人工智能 (AI) 在精准肿瘤学中的应用通常涉及根据之前的训练细胞样本对这些药物的反应来预测患者的癌细胞（之前 AI 模型未见过）是否会对一组现有的抗癌药物中的任何一种产生反应。为了扩大抗癌药物的范围，AI 还被用于重新利用尚未在抗癌环境中测试过的药物，即从头预测新药对以前未见过的癌细胞的抗癌作用。在这里，我们报告了一个在统一的 AI 框架中解决上述两个任务的计算模型。我们的模型称为基于深度学习的图正则化矩阵分解 (DeepGRMF)，它集成了神经网络、图模型和矩阵分解技术，利用来自药物化学结构、它们对细胞信号系统的影响和癌细胞细胞状态的各种信息来预测细胞对药物的反应。 DeepGRMF 学习药物的嵌入，以便具有相似结构和作用机制 (MOA) 的药物在嵌入空间中紧密相关。同样，DeepGRMF 还学习细胞的表示嵌入，使得具有相似细胞状态和药物反应的细胞紧密相关。在癌症药物敏感性基因组学 (GDSC) 和癌细胞系百科全书 (CCLE) 数据集上对 DeepGRMF 和竞争模型的评估显示了其在预测性能方面的优势。最后，我们表明该模型能够预测化疗方案对癌症基因组图谱 (TCGA) 数据集中肺癌患者患者结果的有效性。⇤
基于云的供应链需要从头开始重建
本地系统只能带您走得太远，并且并非旨在为您的新云ERP系统促进。GHX云解决方案专门设计，旨在通过与领先的ERP供应商（包括Infor，Oracle和Workday）的合作伙伴关系来优化您的云ERP系统。
从头算预测 L-精氨酸和 L-缬氨酸单晶的能量收集性能
生物压电材料因其作为环境友好型能量收集材料的巨大潜力而开始受到关注。特别是，简单的氨基酸和肽晶体组件在施加力的情况下表现出大的电压输出，并且在检测振动时具有高灵敏度。在这里，我们利用密度泛函理论 (DFT) 计算来定量预测两种研究不足的蛋白质氨基酸晶体的能量收集特性：L-精氨酸和 L-缬氨酸。这项工作强调了量子力学计算筛选晶体作为高性能能量收集器的能力，并展示了小生物晶体作为环境友好型压电材料的能力。预计 L-精氨酸的最大压电电压常数为 g ij 274 mV m/N，杨氏模量为 E 17.1 GPa。 L-缬氨酸的最大预测压电电压常数为g ij 62 mV m/N，计算的杨氏模量为E 19.8 GPa。
使用拉普拉斯正则化 Schatten p范数最小化从头预测药物-靶标相互作用
在制药科学中，药物发现的一个关键步骤是识别药物-靶标相互作用 (DTI)。然而，只有一小部分 DTI 经过了实验验证。此外，通过传统的生化实验来捕捉药物和靶标之间的新相互作用是一个极其费力、昂贵且耗时的过程。因此，设计用于预测潜在相互作用的计算方法来指导实验验证具有实际意义，特别是对于从头情况。在本文中，我们提出了一种新算法，即拉普拉斯正则化的 Schatten p 范数最小化 (LRSpNM)，用于预测新药物的潜在靶标蛋白和没有已知相互作用的新靶标的潜在药物。具体而言，我们首先利用药物和靶标相似性信息来动态地预填充部分未知的相互作用。然后基于相互作用矩阵低秩的假设，我们使用 Schatten p 范数最小化模型结合拉普拉斯正则化项来提高新药/新靶点案例的预测性能。最后，我们通过一种高效的交替方向乘子算法对 LRSpNM 模型进行数值求解。我们在五个数据集上评估了 LRSpNM，大量的数值实验表明 LRSpNM 比五种最先进的 DTI 预测算法具有更好、更稳健的性能。此外，我们对新药和新靶点预测进行了两个案例研究，这表明 LRSpNM 可以成功预测大多数经过实验验证的 DTI。
从头算实空间计算模拟软件包
我们介绍 SPARC：用于从头算实空间计算的模拟包。SPARC 可以在静态和动态设置中对孤立系统（例如分子）以及扩展系统（例如晶体和表面）执行 Kohn-Sham 密度泛函理论计算。它安装/使用简单，与最先进的平面波代码具有很强的竞争力，在少数处理器上表现出可比的性能，并且随着处理器数量的增加而具有越来越大的优势。值得注意的是，SPARC 将大型并行计算机上具有 O（100-500）个原子的系统的求解时间缩短到几秒钟，比平面波同类产品高出一个数量级甚至更多。© 2021 作者。由 Elsevier BV 出版 这是一篇根据 CC BY-NC-ND 许可开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
利用精准表型分析指导从头驯化
人们经常提到的一个事实是，到本世纪中叶，全球人口增长率可能会超过全球农业生产增长率。此外，全球各地的生产力差异很大，但农业的大部分负担却落在少数物种的栽培上，这些物种大多位于不同于其驯化起源地的地方，而且往往受到截然不同的环境条件的影响（ Fernie 和 Yan，2019 年）。最近的技术发展——主要是下一代测序技术的可及性和可负担性的增强——已经使我们能够鉴定出 100 多个驯化基因（ Fernie 和 Yan，2019 年）。其中许多基因，例如与碎裂性、种子大小和休眠丧失相关的基因，在我们的作物物种中都得到了保留（ Gross 和 Olsen，2010 年； Lenser 和 Theissen，2013 年）。然而，其他基因似乎只针对某些作物或作物类型，例如果实形状的改变（Xiao 等人，2008 年）或块茎的进化（Cheng 等人，2016 年；Hardigan 等人，2017 年）。确定基因后，它们可用于从头驯化，即对很少栽培或尚未驯化的物种进行遗传改良。关键是要确定表现出特定期望特性的物种，例如更高的产量和肥料利用率
与其抑制剂复合的金属蛋白酶中氨基酸残基的质子化态：从头开始分子模拟
可能有助于PDB结构中HIS224和水分子之间的氢[3]。注意到，HIS223的PKA值较低，为5.51，对周围PLN残基没有任何空间障碍，这表明HIS223可以具有HID和HIE质子化状态。因此，我们考虑了HIS223的两个质子化状态，并根据Ab Inli算FMO计算评估的总能量确定了哪些更稳定。此外，我们在这里考虑了GLU141的三种类型的质子化状态，因为该残基位于抑制剂附近，GLU141和抑制剂之间的相互作用可能会受到GLU141质子化状态的变化的显着影响。在金属蛋白酶热蛋白的先前分子模拟[7，8]中，
用于有害跨度检测的从头到尾标记框架
近年来，社交网络和微博网站的普及度不断提升，吸引了越来越多的用户。凭借庞大的用户群，社交媒体会持续发布大量的用户生成内容。随着社交媒体使用量的增加，其他不良现象和行为也随之出现。社交媒体用户经常滥用这种自由来传播辱骂性或仇恨性的帖子或评论。在许多情况下，用户生成的内容是攻击性的或主动的，用户可能不得不应对网络攻击或网络欺凌等威胁以及其他不良行为（Warner and Hirschberg 2012）。因此，检测并尽可能限制有害帖子的传播变得越来越重要。尽管已经发布了几个毒性或辱骂性语言检测数据集（Wulczyn 等人，2016 年；Borkan 等人，2019 年）和模型（Borkan 等人，2019 年；Pavlopoulos 等人，2017 年；Zampieri 等人，2019 年），但其中大多数对整个评论或文档进行分类，并没有识别出使文本有毒的跨度。但突出显示这些有毒跨度可以