XiaoMi-AI文件搜索系统
World File Search System保真
SuperFi-Cas9表现出极高的保真度，但哺乳动物细胞的活性降低
。cc-by-nc-nd 4.0国际许可证未通过同行评审获得证明）是作者/资助者，他已授予Biorxiv授予Biorxiv的许可，以永久显示预印本。它是制作
点吸收波的中保真模型验证......
摘要 — 在波浪能转换器 (WEC) 的初步设计阶段，研究人员需要快速可靠的模拟工具。通常采用高精度数值模型来研究波浪与结构的相互作用，但计算成本很高。作为替代方案，中等精度模型可以提供实时级别的模拟。在本研究中，我们在相对温和的海况下操作乌普萨拉大学的 WEC，并使用 WEC-Sim 对其进行建模。该模型基于 OpenFOAM 模拟进行验证。为了分析中等精度模型捕捉 WEC 动力学的能力，我们分别研究了具有 1、2 和 3 个自由度的系统。我们研究了粘性现象的贡献，并研究了 WEC-Sim 提供的线性和弱非线性解。我们的结果表明，在起伏和纵摇运动中可以忽略粘性效应，但对于纵摇则不能。我们还发现，弱非线性 WEC-Sim 解与计算流体动力学成功一致，而线性解可能会产生误导性结果。
工程化的环状 ADAR 募集 RNA 可提高体内和体外 RNA 编辑的效率和保真度
基因组编辑工具，如锌指核酸酶、转录激活因子样效应核酸酶、CRISPR-Cas 系统和 CRISPR-Cas 衍生物（胞嘧啶和腺苷碱基编辑器），已广泛应用于基因组操作，并显示出它们的治疗潜力。除了基因组编辑技术之外，RNA 碱基编辑技术也得到了开发 1 。由于 RNA 编辑是可逆的、可调控的，并且不会导致基因组的永久性改变，因此它在治疗应用中可能具有一定的优势。对于腺苷的 RNA 编辑，作用于 RNA 的腺苷脱氨酶 (ADAR) 家族的成员，如 ADAR1（异构体 p110 和 p150）和 ADAR2（参考文献 2、3），已被设计用于将腺苷 (A) 精确转化为肌苷 (I) 1 。 ADAR1/2 的催化底物是双链 RNA，ADAR1/2 的脱氨酶结构域负责 A 到 I 的 RNA 编辑 4、5。肌苷被识别为鸟苷 (G)，并在随后的细胞翻译过程中与胞苷 (C) 配对 3。为了实现靶向 RNA 编辑，ADAR 蛋白（或其脱氨酶结构域 ADAR DD）已与多种 RNA 靶向模块融合，例如 λ N 肽 6 – 8、SNAP 标签 9 – 13 和 Cas13 蛋白 14。此外，可以利用带有 R/G 基序的工程向导 RNA 与异位表达的 ADAR1 或 ADAR2 蛋白偶联来实现靶向 RNA 编辑 15 – 18。然而，外源编辑酶的异位表达与几个问题有关，包括基因组和/或 RNA 转录物的大量全局脱靶编辑 19 – 23 、免疫原性 24 – 27 、致癌性 28 – 30 和递送障碍 24 。 Stafforst 团队和我们自己报告的两种 RNA 编辑技术 RESTORE 31 和 LEAPER 32 利用内源性 ADAR 对 RNA 进行可编程编辑，而无需引入
液晶弹性体的数字编程以实现高保真表面变形
可变形表面有可能实现新型自适应系统，但现有的制造方法在实现高分辨率变形为任意指定形状的能力方面有限。这项工作提出了一个平台和用于生成刀具路径的算法，以实现能够进行高分辨率表面变形的自由曲面结构。变形表面由液晶弹性体 (LCE) 组成，向列相域使用能够施加可调压力和剪切速度的刮擦柱进行对齐，能够局部调整驱动应变，从而将曲率半径从 1.8 毫米调整到 14.4 毫米。使用两种替代算法生成了多层结构的图案化刀具路径，并使用能够从平板变形为圆顶的示例结构和人脸模型对结果进行了比较。与原始模型相比，此过程产生的变形人脸形状结构相似度高达 84.5%，证明了这种方法在制造复杂可变形 LCE 结构方面的高保真度和可重构性。
基于误差校正阈值的不同错误机制下的Qubit保真度
量子误差校正是实现大规模通用量子计算的关键步骤，实现量子误差校正的条件是，每个操作步骤的误差概率必须低于某个阈值。这要求Qubits的质量和量子门的精度可以通过实验达到一定水平。我们首先讨论量子误差的机制：量子门的精度对应于单一操作员误差，量子量的质量归因于腐蚀性。然后，根据表面代码误差校正的阈值，我们证明了量子门限制的最小值不应在误差概率p的情况下小于1 -p，并发现可以用于误差校正的量子量的自然脱谐度时间。这为Qubits准备和实验性执行量子操作提供了某种理论支持。
激光定向能量沉积中基于多保真度替代的不确定性量化过程映射
摘要：涉及高斯过程 (GP) 的多保真度 (MF) 替代物用于设计激光定向能量沉积 (L-DED) 增材制造 (AM) 中的时间过程图。过程图用于建立熔池特性（例如熔池深度）与工艺参数（例如激光功率和扫描速度）之间的关系。MFGP 替代物涉及高保真度 (HF) 和低保真度 (LF) 模型。选择 Autodesk Netfabb ® 有限元模型 (FEM) 作为 HF 模型，而选择 Eagar-Tsai 开发的分析模型作为 LF 模型。结果表明，MFGP 替代物能够成功地融合不同保真度模型中存在的信息，以设计时间前向过程图（例如，给定一组真实深度未知的工艺参数，熔池深度是多少？）。为了扩展新开发的建立时间逆过程图的公式（例如，为了实现所需的熔池深度，但不知道真实工艺参数，那么作为时间函数的工艺参数的最佳预测是什么？），在计算预算约束下，通过将 MFGP 代理与贝叶斯优化 (BO) 相结合来进行案例研究。结果表明，与单精度 (SF) GP-BO 相比，MFGP-BO 可以显著提高优化解决方案的质量，同时降低计算预算。与仅限于开发稳态正向过程图的现有方法相比，当前的工作成功地展示了在 L-DED 中实现结合不确定性量化 (UQ) 的时间正向和逆过程图。
机器学习策略识别：高保真度决策策略发现的范例
摘要 我们提出了一种新方法，称为机器学习策略识别 (MLSI)，以发现隐藏的决策策略。在这种方法中，我们首先根据一组被指示使用特定策略的参与者的选择和过程数据训练机器学习模型，然后使用训练后的模型识别一组新参与者所采用的策略。与大多数需要多次试验才能识别参与者策略的建模方法不同，MLSI 可以逐个试验区分策略。我们在三个实验中检查了 MLSI 的表现。在实验一中，我们在配对比较决策任务中向参与者传授三种不同的策略。最好的机器学习模型识别出参与者使用的策略，准确率超过 90%。在实验二中，我们将 MLSI 与多重测量最大似然 (MM-ML) 方法进行了比较，后者也能够在策略识别中整合多种类型的数据，结果发现 MLSI 的识别准确率高于 MM-ML。在实验三中，我们向在有利于非补偿策略（取其优）的任务环境中自由做出决策的参与者提供反馈。 MLSI 的逐次试验结果表明，在实验过程中，大多数参与者一开始会探索多种策略，但最终学会使用“选择最佳”策略。总体而言，我们的研究结果表明，MLSI 可以逐次识别隐藏策略，并且准确率很高，可与需要多次试验才能识别策略的其他方法相媲美。