XiaoMi-AI文件搜索系统
World File Search System回归系数
从无人机图像中提取的特征中选择主要变量来解释冬小麦的产量变化
摘要背景：自动化表型分析技术正在不断推进育种进程。然而，在整个生长季节收集各种次要性状并处理大量数据仍然需要付出巨大的努力和时间。选择具有最大预测能力的最少数量的次要性状有可能减少表型分析工作量。本研究的目的是从无人机图像和关键生长阶段中提取出对解释冬小麦产量贡献最大的主要特征。2018 年春季生长季，无人机系统收集了 5 个日期的多光谱图像和 7 个日期的 RGB 图像。从植被指数和植物高度图中提取了两类特征（变量），共计 172 个变量，包括像素统计数据和动态增长率。变量选择采用参数算法 LASSO 回归（最小角度和收缩选择算子）和非参数算法随机森林。使用 LASSO 估计的回归系数和随机森林提供的置换重要性得分来确定每个算法中影响粮食产量的十个最重要的变量。结果：两种选择算法都将最高重要性得分分配给灌浆期前后与植物高度相关的变量。一些植被指数相关变量也被算法选择，主要在生长早期到中期和衰老期间。与使用从测量表型得出的所有 172 个变量进行产量预测相比，使用选定的变量表现相当甚至更好。我们还注意到，适应性 NE 品系的预测准确度 (r = 0.58–0.81) 高于本研究中具有不同遗传背景的其他品系 (r = 0.21–0.59)。
健康和生活方式风险因素的社会决定因素调节妇女健康结果的遗传敏感性
抽象妇女的健康状况受遗传和环境因素的影响。单独了解这些因素及其相互作用对于实施预防性，个性化医学至关重要。但是，由于遗传学和环境暴露，尤其是健康的社会决定因素（SDOH）与种族和祖先相关，因此在没有仔细考虑这些措施的情况下，风险模型会加剧健康差异。我们专注于我们所有研究计划中的七种女性健康障碍：乳腺癌，宫颈癌，子宫内膜异位症，卵巢癌，先兆子痫，子宫癌和子宫肌瘤。我们从公开可用的权重计算了多基因风险评分（PRS），并测试了PRS对其各自表型的影响以及遗传风险对诊断时年龄的任何影响。我们接下来测试了环境危险因素（BMI，生活方式措施和SDOH）对诊断年龄的影响。最后，我们检查了环境暴露在调节遗传风险中的影响，通过分层逻辑回归对环境变量的不同三物进行了比较，并比较了PR的效果大小。在这七个条件下的十二组重量集中，九个与它们各自的表型显着相关。在事件时间分析中，没有一个PRS与诊断的不同年龄有关。最高的环境风险组倾向于早于中等风险组早。PRS回归系数通常是最高环境风险群体中最大的，显示出对遗传风险的敏感性增加。例如，在最高BMI的乳腺癌，卵巢癌，子宫癌和子宫肌瘤的病例中分别比低和中等BMI组明显早得多）。这项研究的优势包括我们所有人研究队列的多样性，对SDOH主题的考虑以及对关键危险因素及其相互关系的检查。这些要素共同强调了整合遗传和环境数据以开发更精确的风险模型，增强个性化医学并最终降低健康差异的重要性。
人类寿命的脑纤毛转录组的动态变化
摘要：几乎所有的脑细胞都含有原发性纤毛，触角样微管感觉细胞器，它们在其表面上起着至关重要的作用。在神经发育阶段，纤毛对于大脑形成和成熟至关重要。在成人大脑中，纤毛作为接收和传递各种信号并调节细胞间通信的信号枢纽的重要作用。这些独特的作用表明纤毛的功能以及可能在整个人类寿命中发生变化。为了进一步了解纤毛角色的年龄依赖性变化，我们识别并分析了整个人类寿命中纤毛结构和功能成分表达的年龄依赖性模式。，我们从勃雷恩斯潘潘特（Brainspan Atlas）获得了16个大脑区域的纤毛转录组数据，并通过计算回归系数，使用线性回归模型分析了年龄依赖性的表达模式。我们发现，在至少一个大脑区域中，有67％的纤毛转录本与年龄（DEGA）差异表达。年龄依赖性的表达是区域特异性的，在腹外侧前额叶皮层和海马中分别表达的DEGA数量最高和最低。大多数大脑区域的大多数纤毛dega都会随着年龄的增长而表现出上调。编码纤毛基底体成分的转录本构成了大多数纤毛degas，相邻的脑皮质表现出很大的重叠成对的cilia degas。α /β-微管蛋白和SNAP-25表达在与年龄相关的神经发育和神经退行性疾病中的失调。最引人注目的是，特定的α /β -tubulin亚基（TUBA1A，TUBB2A和TUBB2B）和SNAP -25分别在几乎所有大脑区域的年龄范围内分别显示出最高的下调和上调率。我们的结果支持整个生命周期中纤毛结构和功能成分的高动力学在脑回路的正常生理学中的作用。此外，他们提出了纤毛信号传导在与年龄相关的精神病/神经系统疾病的病理生理机制中的关键作用。
基于自动 QSAR 的主动学习对接，用于鉴定恶性疟原虫 Hsp90 的潜在抑制剂作为抗疟药物
疟疾主要由恶性疟原虫引起，仍然是一个严重的公共卫生问题，因此需要开发新的抗疟药物。恶性疟原虫热休克蛋白 90 (Hsp90) 对寄生虫的生存不可或缺，也是一种很有前途的药物靶点。针对 N 端结构域的 ATP 结合口袋的抑制剂具有抗疟原虫作用。我们提出了一种从头主动学习 (AL) 驱动的方法，结合对接来预测具有独特支架和对 PfHsp90 优先选择性的抑制剂。预测在 ATP 结合口袋处与 PfHsp90 结合并具有抗疟原虫活性的参考化合物被用于生成 10,000 种独特衍生物并建立自动定量结构活性关系 (QSAR) 模型。进行滑动对接以预测衍生物和从 ChEMBL 数据库获得的 15,000 多种化合物的对接得分。对模型进行反复训练和测试，直到最佳的基于 Kennel 的偏最小二乘 (KPLS) 回归模型达到收敛，该模型的训练集回归系数 R2 = 0.75，测试集的平方相关预测 Q2 = 0.62。使用诱导拟合对接和分子动力学模拟重新评分使我们能够优先考虑 15 种 ATP/ADP 类设计理念以供购买。这些化合物对恶性疟原虫 NF54 菌株表现出中等活性，IC 50 值为 ÿ 6 μ M，对 PfHsp90 表现出中等至弱亲和力（KD 范围：13.5–19.9 μ M），与报道的 ADP 亲和力相当。最有效的化合物是 FTN-T5（PfN54 IC 50：1.44 μ M；HepG2/CHO 细胞 SI ÿ 29），它以中等亲和力（KD：7.7 μ M）与 PfHsp90 结合，为优化工作提供了起点。我们的工作证明了 AL 在快速识别用于药物发现的新分子（即命中识别）方面具有巨大实用性。FTN-T5 的效力对于设计物种选择性抑制剂以开发更有效的抗疟药物至关重要。
仓储管理对供应链绩效的影响：Inyange Industries Ltd
在本地和全球化市场中，仓库是关键的供应链节点。本研究旨在研究仓储对供应链绩效的影响：Inyange Industries Ltd.目标是评估库存管理，仓库能力建设和物料处理如何影响Inyange Industries Ltd的供应链绩效。这项研究实验了三种不同的理论：即时，精益和三重供应链。这项研究的人口是Inyange Industries Ltd.的105名员工因此，进行人口普查是因为人口规模负担得起，研究人员可以与所有受访者联系。定量数据。调查表用于收集主要数据，然后进行分析。使用社会科学（SPSS）的统计软件包进行了数据分析，并使用描述性和推论性统计来显示研究结果。根据研究，供应链性能受到自动化和手动材料处理的积极和显着影响。另一方面，机械材料处理可以提高供应链性能，但并不多。Inyange Industries的供应链性能受到材料处理系统的影响19.3％，如修改后的R 2值为0.193所示。根据研究，供应链绩效受到库存计数，仓库管理系统和库存组织的积极和显着影响。A 0.967调整后的R^2值表明，Inyange Industries供应链绩效的96.7％是通过库存管理技术来解释的。根据研究，供应链有效性受到仓库需求计划，设计和管理的积极和显着影响。warehouse产能计划技术在Inyange Industries占供应链性能变化的95.4％，如修改后的R 2值为0.954所示。研究得出的结论是，材料处理，库存管理和仓库容量计划都是重要的仓库管理措施，可显着影响供应链绩效的更好。Inyange Industries Ltd.用于管理其仓库的方法导致供应链绩效的提高87.2％。由t检验值和β系数支持的回归系数强调了独立变量和因变量之间关系的重要性和强度。Material Handling demonstrated the greatest impact (β1=0.532, t=8.556, p=0.000), followed by Inventory Management (β2=0.379, t=6.147, p=0.000), and Warehouse Capacity Planning (β3=0.172, t=3.268, p=0.002), emphasizing their respective contributions to Supply Chain Performance of Inyange Industries Ltd.'s supply 链。这证明仓库管理中的物质处理对供应链性能有重大影响。由于P值低于5％，因此我们可以说该关联具有统计学意义。这项研究得出的结论是，自动化和人类材料处理都应获得额外的资金。也可以最大程度地提高库存效率。先前的研究已经研究了影响供应链性能的各种组织因素。为了进一步了解仓库管理策略如何影响整体绩效，需要更多的研究。Key words: Inventory Management, Material Handling, Performance, Supply Chain, Warehouse Capacity Planning, Warehousing ……………………………………………………………………………………………………………………………………….…
课程维修学术兴趣教育和培训...
1。Tang，L。和Song，P.X。（2016）。回归系数聚类中的融合拉索方法 - 数据整合中的学习参数异质性。机器学习研究杂志，17（113），1-23。2。Zhou，L.，Tang，L.，Song，A.T.，Cibrik，D。和Song，P.X。 （2017）。 识别蛋白质特征的套索方法可预测移植后肾移植物存活。 Biosciences中的统计数据，9（2），431-452。 3。 Tang，L.，Chaudhuri，S.，Bagherjeiran，A。和Zhou，L。（2018）。 通过分裂和串联技术学习大规模序数排名模型。 2018年网站会议的同伴会议记录，1901- 1909年。 4。 Tang，L.，Zhou，L。和Song，P.X。 （2019）。 融合学习算法以结合部分异质的Cox模型。 计算统计，34（1），395-414。 5。 Tang，L.，Zhou，L。和Song，P.X。 （2020）。 通过置信分布在广义线性模型中的分布式推理。 多元分析杂志，176，104567。 6。 Wang，L.，Zhou，Y.，He，J.，Zhu，B.，Wang，F.，Tang，L.，Kleinsasser，M.，Barker，D. （2020）。 一个流行病学预测模型和软件评估了中国的COVID-19流行病的干预措施。 数据科学杂志，18（3），409-432。 7。 Tang，L.，Zhou，Y.，Wang，L.，Purkayastha，S.，Zhang，L.，He，J.，Wang，F。和Song，P.X。 （2020）。 8。 （2020）。Zhou，L.，Tang，L.，Song，A.T.，Cibrik，D。和Song，P.X。（2017）。识别蛋白质特征的套索方法可预测移植后肾移植物存活。Biosciences中的统计数据，9（2），431-452。3。Tang，L.，Chaudhuri，S.，Bagherjeiran，A。和Zhou，L。（2018）。通过分裂和串联技术学习大规模序数排名模型。2018年网站会议的同伴会议记录，1901- 1909年。4。Tang，L.，Zhou，L。和Song，P.X。 （2019）。 融合学习算法以结合部分异质的Cox模型。 计算统计，34（1），395-414。 5。 Tang，L.，Zhou，L。和Song，P.X。 （2020）。 通过置信分布在广义线性模型中的分布式推理。 多元分析杂志，176，104567。 6。 Wang，L.，Zhou，Y.，He，J.，Zhu，B.，Wang，F.，Tang，L.，Kleinsasser，M.，Barker，D. （2020）。 一个流行病学预测模型和软件评估了中国的COVID-19流行病的干预措施。 数据科学杂志，18（3），409-432。 7。 Tang，L.，Zhou，Y.，Wang，L.，Purkayastha，S.，Zhang，L.，He，J.，Wang，F。和Song，P.X。 （2020）。 8。 （2020）。Tang，L.，Zhou，L。和Song，P.X。（2019）。融合学习算法以结合部分异质的Cox模型。计算统计，34（1），395-414。5。Tang，L.，Zhou，L。和Song，P.X。 （2020）。 通过置信分布在广义线性模型中的分布式推理。 多元分析杂志，176，104567。 6。 Wang，L.，Zhou，Y.，He，J.，Zhu，B.，Wang，F.，Tang，L.，Kleinsasser，M.，Barker，D. （2020）。 一个流行病学预测模型和软件评估了中国的COVID-19流行病的干预措施。 数据科学杂志，18（3），409-432。 7。 Tang，L.，Zhou，Y.，Wang，L.，Purkayastha，S.，Zhang，L.，He，J.，Wang，F。和Song，P.X。 （2020）。 8。 （2020）。Tang，L.，Zhou，L。和Song，P.X。（2020）。通过置信分布在广义线性模型中的分布式推理。多元分析杂志，176，104567。6。Wang，L.，Zhou，Y.，He，J.，Zhu，B.，Wang，F.，Tang，L.，Kleinsasser，M.，Barker，D. （2020）。 一个流行病学预测模型和软件评估了中国的COVID-19流行病的干预措施。 数据科学杂志，18（3），409-432。 7。 Tang，L.，Zhou，Y.，Wang，L.，Purkayastha，S.，Zhang，L.，He，J.，Wang，F。和Song，P.X。 （2020）。 8。 （2020）。Wang，L.，Zhou，Y.，He，J.，Zhu，B.，Wang，F.，Tang，L.，Kleinsasser，M.，Barker，D.（2020）。一个流行病学预测模型和软件评估了中国的COVID-19流行病的干预措施。数据科学杂志，18（3），409-432。7。Tang，L.，Zhou，Y.，Wang，L.，Purkayastha，S.，Zhang，L.，He，J.，Wang，F。和Song，P.X。（2020）。8。（2020）。多室传染病模型的综述。国际统计评论，88（2），462–513。[国际统计评论中的第2020-2021条第2020-2021条。]Tang，L。*和Song，P.X。纵向数据分析中的分层后融合学习。Biometrics，77（3），914-928。9。Wang，F.，Zhou，L.，Tang，L。和Song，P.X。（2021）。线性模型中同时推断的收缩膨胀方法（MOCE）。机器学习研究杂志，22（192），1-32。10。tan，X.，Chang，C.H.，Zhou，L。和Tang，L。*（2022）。基于树的模型平均方法