XiaoMi-AI文件搜索系统
World File Search System和力
第 22 届计算物理和材料科学国际研讨会：总能量和力方法 | （SMR 4050）
149. QUINZI Matteo (In Pers.) 洛桑联邦理工学院 (EPFL) 材料理论与模拟 (THEOS) 和国家新型材料计算设计与发现中心 (MARVEL)
使用以 Morgan 指纹为特征的深度神经网络模型预测 ErbB 抑制剂的结合亲和力
ErbB 受体家族（包括 EGFR 和 HER2）在细胞生长和存活中起着至关重要的作用，并与乳腺癌和肺癌等各种癌症的进展有关。在本研究中，我们开发了一个深度学习模型，使用基于 SMILES 表示的分子指纹来预测 ErbB 抑制剂的结合亲和力。每种 ErbB 抑制剂的 SMILES 表示均来自 ChEMBL 数据库。我们首先从 SMILES 字符串生成 Morgan 指纹，并应用 AutoDock Vina 对接来计算结合亲和力值。根据结合亲和力过滤数据集后，我们训练了一个深度神经网络 (DNN) 模型来根据分子指纹预测结合亲和力值。该模型取得了显著的性能，训练集上的均方误差 (MSE) 为 0.2591，平均绝对误差 (MAE) 为 0.3658，R 平方 (R²) 值为 0.9389。尽管在测试集上性能略有下降（R² = 0.7731），但该模型仍然表现出强大的泛化能力。这些结果表明深度学习方法对于预测 ErbB 抑制剂的结合亲和力非常有效，为虚拟筛选和药物发现提供了宝贵的工具。
能量和力量深度潜水最终报告
采用替代能源和电力系统将在DLODs 7中具有含义，这些含义的性质将根据所考虑的技术以及所考虑的能力的具体需求而有所不同。防御能力以及相关的设备，平台和系统，支持基础架构，操作概念，学说和物流管理继续发展。在上个世纪或更多世纪，基于碳氢化合物的能源和功率系统在国防应用中的普遍存在决定了当前的方法受碳氢化合物作为作为储能和分配的主要手段的作用的重大影响。对这种方法的任何偏差都将具有广泛的考虑因素，远远超出了替代方法的技术可行性。
SCARA 机器人的电影设计和力分析...
摘要——气动技术在工业中的应用受到广泛青睐，因为它具有广泛的可用性和无污染的流体，因此有可能取代工业中的其他系统。在工业机器人领域，很少设计带有气动伺服电机的机械臂，因为对此的研究很少。该技术是一种带反馈的闭环重复控制系统，使其在工业过程中的实施成为可能。由于气动工业机器人很少，本研究旨在设计一个原型，通过运动学的解析对位置进行精确控制并降低气动系统的非线性随机性，这将为所需应用的气动伺服电机的机械调整提供必要的信息以及对传输模拟的解释。本研究提供了一个完全气动和功能齐全的机器人原型的制造模型，为未来应用于工业机器人的气动控制研究开辟了领域。
开发适合适体生物传感器的CD10重组人Neprilysin蛋白的高亲和力适体
许多炎症关节疾病与CD10蛋白的表达相关，CD10蛋白在炎症和疼痛传播信号中起很大作用。这种促炎性机制是人类肌肉骨骼组织中各种关节的关节软骨降解的主要指标。CD10在间充质干细胞（MSC）中的表达与其免疫调节和软骨保护作用直接相关。因此，该项目着重于开发基于适应性的生物传感器，该生物传感器将检测CD10表达而不会扰动样品。适体是一个小的单链核酸分子，可以折叠成独特的结构，从而使它们能够高特异性与各种分子蛋白靶标结合。这使他们能够检测出大量的高和低丰度分子。该项目的第一步是使用称为SELEX（指数富集对配体的系统演变）的过程为CD10开发高亲和力适体。我们从一个初始的单链RNA库开始，该库包含大约10 14个不同的序列。将RNA文库与溶液中的CD10蛋白一起孵育。然后使用硝酸纤维素滤光片将蛋白-RNA复合物与未经膜的RNA分离。然后，在对RNA进行逆转录和PCR之前，我们将蛋白质与RNA分开。第一轮之后的最终产物包含与CD10蛋白结合的ssRNA分子。我已经完成了2轮SELEX，并有令人鼓舞的结果。此过程将重复大约10次，使我们能够识别与CD10高亲和力结合的RNA适体。这是开发适体CRISPR传感器的关键步骤，因为某些样品的CD10表达较低。
3DPROTDTA：基于残基级蛋白图的药物目标亲和力预测的深度学习模型
准确预测硅中的药物目标亲和力（DTA）对于现代药物发现至关重要。在药物开发的早期阶段应用的DTA预测的计算方法，能够大大降低其成本。最近提出了基于机器学习的广泛方法进行DTA评估。它们最有前途的是基于深度学习技术和图形神经网络来编码分子结构。Alphafold做出的蛋白质结构预测的最新突破使得无前前数量的蛋白质，而没有实验定义的结构可用于计算DTA预测。在这项工作中，我们提出了一种新的深度学习DTA模型3DPROTDTA，该模型与蛋白质的图表结合使用了Alphafold结构预测。该模型优于其在通用基准数据集上的竞争对手，并且具有进一步改进的潜力。
激酶抑制剂结合亲和力用验证的图形编码器和语言模型
动机：抑制剂 - 激酶结合亲和力的准确预测对于药物发现和医疗应用至关重要，尤其是在治疗诸如癌症之类的疾病中。现有的预测抑制剂 - 激酶亲和力的方法仍然面临挑战，包括数据表达不足，功能提取有限和性能低。尽管通过人工智能（AI）方法（尤其是深度学习技术）取得了进展，但许多当前的方法未能捕获激酶与抑制剂之间的复杂相互作用。因此，有必要开发更先进的方法来解决抑制剂 - 激酶结合预测中的现有问题。结果：这项研究提出了Kinhibhib，这是抑制剂 - 激酶结合亲和力预测指标的新型框架。kinhibit会整合自我监督的预训练的预训练的分子编码器和蛋白质语言模型（ESM-S），以有效提取特征。kinhibit还采用特征融合方法来优化抑制剂和激酶特征的融合。实验结果证明了这种方法的优越性，在三种MAPK信号途径激酶的抑制剂预测任务中，精度达到了92.6％的精度：RAF蛋白激酶（RAF），有丝分裂原激活的蛋白激活蛋白激酶激酶激酶（MEK）和细胞外信号调节激酶（ERK）。此外，该框架在包含200多个激酶的数据集上达到了令人印象深刻的精度。这项研究为药物筛查和生物科学提供了有希望的有效的工具。
激酶抑制剂结合亲和力用验证的图形编码器和语言模型
动机：抑制剂 - 激酶结合亲和力的准确预测对于药物发现和医疗应用至关重要，尤其是在治疗诸如癌症之类的疾病中。现有的预测抑制剂 - 激酶亲和力的方法仍然面临挑战，包括数据表达不足，功能提取有限和性能低。尽管通过人工智能（AI）方法（尤其是深度学习技术）取得了进展，但许多当前的方法未能捕获激酶与抑制剂之间的复杂相互作用。因此，有必要开发更先进的方法来解决抑制剂 - 激酶结合预测中的现有问题。结果：这项研究提出了Kinhibhib，这是抑制剂 - 激酶结合亲和力预测指标的新型框架。kinhibit会整合自我监督的预训练的预训练的分子编码器和蛋白质语言模型（ESM-S），以有效提取特征。kinhibit还采用特征融合方法来优化抑制剂和激酶特征的融合。实验结果证明了这种方法的优越性，在三种MAPK信号途径激酶的抑制剂预测任务中，精度达到了92.6％的精度：RAF蛋白激酶（RAF），有丝分裂原激活的蛋白激活蛋白激酶激酶激酶（MEK）和细胞外信号调节激酶（ERK）。此外，该框架在包含200多个激酶的数据集上达到了令人印象深刻的精度。这项研究为药物筛查和生物科学提供了有希望的有效的工具。
利用交叉注意力网络发现成对相互作用来预测药物-靶标亲和力 S. Falahati a、F. Zamani* a、MA Khodamoradi b
在药物发现中，药物-靶标亲和力 (DTA) 被视为至关重要的一步，因为它有助于在开发过程中识别最有前途的候选药物。由于必须考虑药物和靶分子的结构和功能，以及它们复杂而非线性的相互作用，DTA 预测是一项具有挑战性的任务。本研究的目的是提出一种新颖的 DTA 预测框架，该框架利用图神经网络 (GNN) 的交叉注意网络 (CAN) 的优势。然而，使用 GNN 表示图会保留其 3D 结构信息。现有的基于注意力的方法并未充分利用它们。我们的框架使用 CAN 通过分析药物分子的不同部分如何与蛋白质的特定区域相互作用来捕获药物-靶标对的更准确表示。我们在顺序架构中使用 GIN 和 GAT 来捕获药物图分子的局部和全局结构信息。我们在两个基准数据集 Davis 和 KIBA 上评估了所提出方法的性能。其性能令人鼓舞，在均方误差 (MSE) 和一致性指数 (CI) 方面优于许多最先进的方法。具体来说，对于 Davis 数据集，我们实现了 0.222 的 MSE 和 0.901 的 CI，而对于 KIBA，我们获得了 0.144 的 MSE 和 0.883 的 CI。我们的方法提高了相互作用分析的可解释性和特异性，为药物发现过程提供了更深入的见解，并为预测的 DTA 提供了有价值的解释。我们的研究代码可在以下网址获取：https://github.com/fsonya88/CAN-DTA。
用低亲和力荧光指示剂测量神经元钙和钠信号的空间和时间方面
HAL 是一个多学科开放存取档案库，用于存放和传播科学研究文献，无论这些文献是否已出版。这些文献可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。