XiaoMi-AI文件搜索系统
World File Search System分组的
从毒理基因组学数据到累积评估组：化学分组的机制框架
摘要根据共同特性或分子作用机制对化学物质进行分组对于推进监管毒理学、减少数据缺口和实现累积风险评估至关重要。本研究引入了一个新框架，该框架使用来自比较毒理基因组学数据库 (CTDbase) 的化学-基因-表型-疾病 (CGPD) 四聚体。我们的方法整合了毒理基因组学数据，以识别和聚类不同类别中具有相似分子和表型效应的化学物质，包括农药、药品和工业化学品，如双酚和全氟和多氟烷基物质 (PFAS)。我们通过将基于 CGPD 四聚体的聚类与农药的累积评估组 (CAG) 进行比较来验证我们的方法，结果显示与已建立的分组有很大的重叠，同时确定了与风险评估相关的其他化合物。主要例子包括与内分泌紊乱和代谢紊乱相关的集群。通过将组学衍生的分子数据与表型和疾病终点相结合，该框架
基于 SAM 的伪标记和多尺度特征分组的弱监督隐藏对象分割
弱监督隐藏物体分割 (WSCOS) 旨在使用稀疏注释的数据进行模型训练，以分割与周围环境良好融合的物体。这仍然是一项具有挑战性的任务，因为 (1) 由于内在相似性，很难将隐藏物体与背景区分开来，以及 (2) 稀疏注释的训练数据仅为模型学习提供弱监督。在本文中，我们提出了一种新的 WSCOS 方法来应对这两个挑战。为了解决内在相似性挑战，我们设计了一个多尺度特征分组模块，该模块首先按不同粒度对特征进行分组，然后聚合这些分组结果。通过将相似的特征分组在一起，它可以促进分割的一致性，从而有助于获得单个和多个物体图像的完整分割结果。对于弱监督挑战，我们利用最近提出的视觉基础模型“分割任何物体模型 (SAM)”，并使用提供的稀疏注释作为提示来生成分割蒙版，用于训练模型。为了减轻低质量分割蒙版的影响，我们进一步提出了一系列策略，包括多增强结果集成、基于熵的像素级加权和基于熵的图像级选择。这些策略有助于提供更可靠的监督来训练分割模型。我们在各种 WSCOS 任务上验证了我们方法的有效性，实验表明我们的方法在这些任务上实现了最先进的性能。代码将在 https://github.com/ChunmingHe/WS-SAM 上提供。
本地随机分组的混合状态纠缠...
1因斯布鲁克大学，因斯布鲁克大学A-6020，奥地利2量子量子，奥地利2量子光学和量子信息研究所，奥地利科学院的量子和量子信息，因斯布鲁克A-6020，奥地利3，奥地利3，奥地利3综合赛道研究所美国加利福尼亚州帕萨迪纳市加州帕萨迪纳市5计算机和数学科学系，加利福尼亚州加利福尼亚州加利福尼亚州帕萨迪纳，美国6阿卜杜勒·萨拉姆国际理论物理学中心，斯特拉达·科斯蒂埃拉11，34151 Trieste，意大利7 Sissa，Vi Via Bromea 265，34136 Triestey，Triestey 8 Intome，ITELESE，ITEALY 8 INTEMEA，34165，Via Beirse 84165，Via Beirsea，34165。理论物理研究所，因斯布鲁克大学，A6020 Innsbruck，奥地利10 Walter Burke理论物理研究所，加利福尼亚州加利福尼亚州帕萨迪纳市，加利福尼亚州帕萨迪纳，美国11 AWS量子计算中心，加利福尼亚州帕萨迪纳，加利福尼亚州，美国加利福尼亚州12 Univ。Grenoble Alpes，CNR，LPMMC，38000 Grenoble，法国