XiaoMi-AI文件搜索系统
World File Search System冯学胜
基因组洞察已灭绝的戴胜鸟（Fregilupus varius）的进化和人口历史
戴胜八哥（Fregilupus varius）是鸮科的一种已灭绝物种，原产于印度洋的留尼汪岛。该物种在 19 世纪中叶迅速消失，主要原因是人类的过度开发。我们生成了一个覆盖度约为 11 9 的基因组来重建戴胜八哥的人口历史，并将这些结果与其他八哥和八哥物种的人口历史进行了比较。我们的分析证实了戴胜八哥与 Sturnia 属、Leucopsar 属和 Sturnornis 属的近亲关系，并揭示了它在进化史上经历了严重的种群瓶颈效应，但与其他灭绝或极度濒危的鸟类相比，其有效种群规模并不特别低。
脂肪组学和代谢组学（植入）
1人类遗传学系，麦吉尔大学，蒙特利尔，QC H3A 0C7，加拿大2个基因组医学中心，京都大学研究生院，京都大学606-8507，日本3数字技术研究中心，加拿大国家研究委员会，渥太华，渥太华，K1K 4P7，加拿大4P7，Indure prantublorator and Inderipic suplorator and Indiator lip lip lip lip lip lip。渥太华的渥太华，位于加拿大的K1H 8M5，5年生物化学系，微生物学和免疫学系和渥太华系统生物学研究所，渥太华大学，渥太华大学，K1H 8M5，加拿大6 Terrence Donnelly Donnelly Donnelly Center of Cancase ot toronto，MORONTO，MORONTO，MORONTO，MORONTO，MORONTO，MOLONTO，MOLONTO，MOLONTO，MOLONTO，MORENT，MORONT，MOLONT，MORONT，MOLONTO，MORONT，MORONTICT，M5S，M5S，M5S，M5S，M5 of Toronto, Toronto, ON M5S 3E1, Canada 8 Institute of Parasitology, McGill University, Montreal, QC H9X 3V9, Canada 9 Department of Cellular and Molecular Medicine, University of Ottawa Brain and Mind Research Institute, Ottawa, ON K1H 8M5, Canada 10 Department of Chemistry and Biomolecular Sciences, Centre for Catalysis Research and Innovation, University of Ottawa,渥太华，在加拿大的K1N 6N5上，相应的作者。数字技术研究中心，国家研究委员会，渥太华蒙特利尔路1200号，加拿大K1K 4P7。电子邮件：Miroslava.cuperlovic-culf@nrc-cnrc.gc.ca（M.C.-C。）和渥太华大学生物化学，微生物学和免疫学系，451 Smyth Rd，Ottawa，Ottawa，Ottawa，Ottawa，K1H 8M5，加拿大。 电子邮件：sbennet@uottawa.ca（S.A.L.B。） †同等贡献。 副编辑：guqiang yu电子邮件：Miroslava.cuperlovic-culf@nrc-cnrc.gc.ca（M.C.-C。）和渥太华大学生物化学，微生物学和免疫学系，451 Smyth Rd，Ottawa，Ottawa，Ottawa，Ottawa，K1H 8M5，加拿大。电子邮件：sbennet@uottawa.ca（S.A.L.B。） †同等贡献。 副编辑：guqiang yu电子邮件：sbennet@uottawa.ca（S.A.L.B。）†同等贡献。副编辑：guqiang yu
“gLupe mini”是一款小型AI图像检查设备，可以从单张图像中学习……
■公司简介 公司名称：系统规划研究所株式会社 代表董事：门胁仁志 总公司所在地：东京都涩谷区樱丘町18-6日本会馆 业务内容：以医疗信息、控制与空间、通信与网络、图像处理、AI等领域为中心的软件开发、系统开发、系统集成、咨询、技术开发、产品开发 URL：https://www.isp.co.jp/
![利用人工智能（AI）技术和电磁学的优化设计[II/完整]](/simg/g:\will\search\icon\source\9\9387ec6c0b051bb435b36d1f49766d3c18604346.png)
利用人工智能（AI）技术和电磁学的优化设计[II/完整]
(1) R. Gómez-Bombarelli, J.N.魏，D. Duvenaud，J.M.Hernandez-Lobato、B. Sanchez-Lengeling、D. Sheberla、J. Aguilera-Iparraguirre、T.D.希泽尔 R.P.亚当斯和 A.Aspuru-Guzik.，“使用数据驱动的分子连续表示进行自动化学设计”，ACS Central Science，卷。4，没有。2，第268-276，2018 年 2 月。(2) T.Guo, D.J.Lohan 和 J.T.Allisony，“使用变分自动编码器和风格迁移进行拓扑优化的间接设计表示”，AIAA 2018-0804。https://doi.org/10.2514 / 6.2018-0804，2018年。(3) S. Oh、Y. Jung、S. Kim、I. Lee 和 N. Kang，“深度生成设计：拓扑优化与生成模型的集成，”J.机械设计，卷。141，号。11, 111405, 2019.(4) 五十岚一，伊藤桂一，《人工知能(AI)技术と电磁気学を用いた最适设计［I］──トポロジー最适化──，》信学志，卷．105，没有。1. 页2022 年 33-38 日。(5) H. Sasaki 和 H. Igarashi，“深度学习加速拓扑优化”，IEEE Trans。Magn.，卷。55，没有。6，7401305，2019。(6) J. Asanuma、S. Doi 和 H. Igarashi，“通过深度学习进行迁移学习：应用于电动机拓扑优化, ” IEEE Trans.Magn., 卷。56, no.3, 7512404, 2020.(7 ) T. Aoyagi、Y. Otomo、H. Igarashi1、H. Sasaki、Y. Hidaka 和 H. Arita，“使用深度学习进行拓扑优化预测电流相关电机扭矩特性”，将在 COMPUMAG2021 上发表。(8) R.R.Selvaraju、M. Cogswell、A. Das、R. Vedantam、D. Parikh 和 D. Batra，“Grad-CAM：来自深层的视觉解释网络通过基于梯度的定位，” Proc.IEEE Int.Conf.计算机视觉 ( ICCV )，第< div> 618-626，2017 年。(9) H. Sasaki、Y. Hidaka 和 H. Igarashi，“用于电动机设计的可解释深度神经网络”，IEEE Trans。Magn.，卷57，号6，8203504，2021。(10) X.Y.Kou，G.T.Parks，和 S.T.< div> Tana，“功能优化设计
应激诱发抑郁的潜在机制和新治疗靶点
引用格式 : 韩盈 , 陆唐胜 , 陆林 .应激诱发抑郁的潜在机制和新治疗靶点 ——LBP 抑制单胺生物合成 .中国科学 : 生命科学 , 2023, 53: 1176–1178 Han Y, Lu T S, Lu L. New target for antidepressant development and depression treatment—LBP inhibition of monoamine biosynthesis (in Chinese).Sci Sin Vitae, 2023, 53: 1176–1178, doi: 10.1360/SSV-2023-0049
Kuroda Ryo作为行为药理学的先驱：心理学的历史考虑Hironaka Naoyuki ...
第1部分动物心理学的一般理论第1章动物心理学的历史第2章动物心理学对象第3章研究方法第4章刺激和感官第5章工具感官第6章第6章VISION第6章VISION第7章化学感官第8章《时间感知》第8章中的学习方法第1章第1章第1章使用动物学习研究的方法和设备2动物学习研究3生理学的意义。第5章学习的外部因素第6章学习的内部因素第7章分布实践和第8章过渡和干涉第9章学习曲线第10章学习部分
多组学基因组学和转录组学信息图
在一个实验中研究多个“ eme”可以帮助研究人员获得对信息从基因到蛋白质的运动的宝贵见解，以更好地了解生活的复杂性。1许多多组合组合是可能的，每个组合都具有独特的好处。具体来说，基因组学和转录组学的组合可以揭示出遗传变异及其后果的更完整的情况。虽然基因组从细胞之间保持相同，但转录组可能会变化，从而扩大研究人员的观点。2
放射治疗和肿瘤学
目标：本研究旨在探索多中心数据异质性对深度学习脑转移瘤 (BM) 自动分割性能的影响，并评估增量迁移学习技术，即不遗忘学习 (LWF)，在不共享原始数据的情况下提高模型通用性的有效性。材料和方法：使用了来自埃尔朗根大学医院 (UKER)、苏黎世大学医院 (USZ)、斯坦福大学、加州大学旧金山分校、纽约大学 (NYU) 和 BraTS Challenge 2023 的总共六个 BM 数据集。首先，分别针对单中心专项训练和混合多中心训练建立 DeepMedic 网络的 BM 自动分割性能。随后评估了隐私保护双边协作，其中将预训练模型共享到另一个中心以使用迁移学习 (TL) 进行进一步训练（带或不带 LWF）。结果：对于单中心训练，在各自的单中心测试数据上，BM 检测的平均 F1 分数范围从 0.625（NYU）到 0.876（UKER）。混合多中心训练显著提高了斯坦福大学和纽约大学的 F1 分数，而其他中心的提高可以忽略不计。当将 UKER 预训练模型应用于 USZ 时，在组合 UKER 和 USZ 测试数据上，LWF 获得的平均 F1 分数 (0.839) 高于朴素 TL (0.570) 和单中心训练 (0.688)。朴素 TL 提高了灵敏度和轮廓绘制精度，但损害了精度。相反，LWF 表现出值得称赞的灵敏度、精度和轮廓绘制精度。当应用于斯坦福大学时，观察到了类似的性能。结论：数据异质性（例如，不同中心的转移密度、空间分布和图像空间分辨率的变化）导致 BM 自动分割的性能不同，对模型的通用性提出了挑战。LWF 是一种很有前途的点对点隐私保护模型训练方法。