XiaoMi-AI文件搜索系统
World File Search System图谱
使用多模态成像特征评估脑癌图谱。
© 作者 2023。开放存取 本文根据知识共享署名 4.0 国际许可进行授权，允许以任何媒体或格式使用、共享、改编、分发和复制，只要您给予原作者和来源适当的信任，提供知识共享许可的链接，并指明是否做了更改。 本文中的图片或其他第三方资料包含在文章的知识共享许可中，除非资料的致谢中另有说明。 如果资料未包含在文章的知识共享许可中，且您的预期用途不被法定规定允许或超出允许用途，则需要直接从版权所有者处获得许可。 要查看此许可证的副本，请访问 http://creativecommons.org/licenses/by/4.0/ 。知识共享公共领域贡献豁免（http://creativeco mmons.org/publicdomain/zero/1.0/）适用于本文中提供的数据，除非数据来源中另有说明。
使用语言模型绘制大脑图谱：一项调查
多年来，许多研究人员似乎都做出了相同的观察：大脑和语言模型的激活表现出一些结构相似性，使得从神经记录和计算语言模型中提取的特征之间能够进行线性部分映射。为了评估为这一观察积累了多少证据，我们调查了 30 多项研究，涵盖 10 个数据集和 8 个指标。在得出结论之前，积累了多少证据，如果有的话，还缺少什么？我们对文献中使用的评估方法的分析表明，一些指标不那么保守。我们还发现，目前积累的证据仍然不明确，但与模型大小和质量的相关性为谨慎乐观提供了理由。
乳腺癌对芳香化酶抑制剂耐药性的基因组图谱
芳香化酶抑制剂 (AI) 是广泛用于治疗雌激素受体 (ER) 阳性乳腺癌患者的药物。耐药性是芳香化酶抑制疗法的主要障碍。获得性 AI 耐药性的背后有多种原因。本研究旨在确定接受非甾体 AI（阿那曲唑和来曲唑）的患者获得性 AI 耐药性的可能原因。我们使用了来自 Cancer Genomic Atlas 数据库的乳腺浸润性癌的基因组、转录组、表观遗传和突变数据。然后根据患者对非甾体 AI 的反应将数据分为敏感组和耐药组。研究包括 150 名患者的敏感组和 172 名患者的耐药组。对这些数据进行汇总分析，以探究可能导致 AI 耐药性的因素。我们在两组中确定了 17 个差异调控基因 (DEG)。然后，对这些 DEG 进行甲基化、突变、miRNA、拷贝数变异和通路分析。预测了最常突变的基因（FGFR3、CDKN2A、RNF208、MAPK4、MAPK15、HSD3B1、CRYBB2、CDC20B、TP53TG5 和 MAPK8IP3）。我们还确定了一个关键 miRNA - hsa-mir-1264，它调节 CDC20B 的表达。通路分析显示 HSD3B1 参与雌激素生物合成。这项研究揭示了可能与 ER 阳性乳腺癌 AI 耐药性的发展有关的关键基因的参与，因此可能作为这些患者的潜在预后和诊断生物标志物。
遗传图谱、候选基因鉴定及标记
1 昆士兰大学农业与食品科学学院，布里斯班，昆士兰州 4067，澳大利亚；jiamansun@hotmail.com (JS)；l.mangila@uq.net.au (LM)；r.lyons@uq.edu.au (RL)；n.chen@uq.edu.au (NC)；p.crisp@uq.edu.au (PC)；e.aitken@uq.edu.au (EABA) 2 嘉应学院生命科学学院，梅州 514015，中国 3 斯泰伦博斯大学植物病理学系，斯泰伦博斯 7600，南非；altus@sun.ac.za (AV)；diane@sun.ac.za (DM)；sherylb@sun.ac.za (SB) 4 杜克大学生物系，达勒姆，北卡罗来纳州 27708-0338，美国； yucong.xie@duke.edu 5 捷克科学院实验植物研究所，Han á 地区生物技术和农业研究中心，CZ-77900 Olomouc，捷克共和国；hribova@ueb.cas.cz (EH)；christelova@ueb.cas.cz (PC)；dolezel@ueb.cas.cz (JD) 6 国际热带农业研究所，坎帕拉 PO Box 7878，乌干达；b.uwimana@cgiar.org (BU)；r.swennen@cgiar.org (RS) 7 国际热带农业研究所，伊巴丹 PMB 5320，尼日利亚；d.amah@cgiar.org 8 可持续土壤和作物，罗瑟姆斯特德研究中心，哈彭登，赫特福德郡 AL5 2JQ，英国； stephen.pearce@rothamsted.ac.uk 9 西澳大利亚大学生物科学学院，珀斯，WA 6009，澳大利亚；jacqueline.batley@uwa.edu.au（JB）；dave.edwards@uwa.edu.au（DE） 10 西澳大利亚大学应用生物信息学中心，克劳利，珀斯，WA 6009，澳大利亚 11 国际热带农业研究所，阿鲁沙 PO Box 447，坦桑尼亚；a.brown@cgiar.org 12 CIRAD，UMR AGAP 研究所，F-34398 蒙彼利埃，法国；guillaume.martin@cirad.fr（GM）；nabila.yahiaoui@cirad.fr（NY）； angelique.dhont@cirad.fr (AD) 13 UMR AGAP 研究所，蒙彼利埃大学，CIRAD，INRAE，农业研究所，F-34398 蒙彼利埃，法国 14 墨尔本大学微生物学和免疫学系，Peter Doherty 感染和免疫研究所，墨尔本，VIC 3004，澳大利亚；lachlan.coin@unimelb.edu.au 15 鲁汶天主教大学作物生物技术系，热带作物改良实验室，3001 鲁汶，比利时 * 通讯地址：a.chen2@uq.edu.au
针对实体癌的抗体药物偶联物靶点图谱
记录为“低”，低于一个标准差的记录为“未检测到”。没有表达值的蛋白质被记录为“不可用”丰度。从 IHC 获得的人体组织蛋白表达谱的自然格式是上述五个类别，因此没有调整。而对于从 HPA、GTEx 和 FANTOM5 整合的 RNA 共识表达谱，20 到 40 之间的共识标准化表达 (NX) 值被记录为“中”，高于此阈值的 NX 值被记录为“高”。同样，1-20 范围内的 NX 值被记录为“低”，低于
使用多源知识图谱方法分析英国风电削减情况
英国大规模采用风力发电技术，这越来越强调了解因弃风造成的能源损失的性质和原因。先前的调查强调成本结构（例如补贴、费用、证书）和输电限制是弃风的两个主要原因，同时也表明电网扩张可能会改变它们的影响。本文通过多源审查和数据驱动的分析，从全国、成本和具体地点的角度对英国的弃风情况进行了解决。特别是，对英格兰和苏格兰的陆上和海上风力发电场的产量和弃风水平进行了比较。地理空间分析得出的结论是，尽管电网扩张显著，但输电限制是风能弃风的主要原因。
人工智能聊天机器人在联合生物信息学知识图谱数据探索中的潜力
每年发布的科学数据集数量激增，这表明集中式方法可能不是未来的解决方案，因为它们存在可扩展性差、维护困难和数据冗余等问题。作为这种增长的一个例子，2023 年核酸研究分子生物学数据库集合中共有 1700 多个数据库 [ 1 ]。据 Sever 等人 [ 2 ] 称，开放研究数据访问和检索的未来是联合的。然而，联合数据访问也面临着巨大的挑战。要将其引入领域专家的日常实践中，需要在技术堆栈的许多层面上进行改进，包括更好的联合查询计划和面向用户的服务。这些将在抽象出数据访问日益增长的复杂性方面发挥关键作用，从而实现联合数据集的更大规模（重新）使用。在本文中，我们认为大型语言模型和对话式人工智能 (AI) 技术（也称为 AI 聊天机器人，例如 ChatGPT）的最新进展可以在促进数据访问方面发挥作用，即使在更具挑战性的联合知识图谱情况下也是如此。我们通过来自 SIB 瑞士生物信息学研究所 1 的选定示例，深入了解对话式 AI 可以帮助研究人员从丰富的公共生物信息学数据中受益的领域。SIB 是一家卓越的联合机构，负责管理不断增长的可互操作的生物信息学知识图谱目录 2 。我们展示了一个
如何构建支持人工智能驱动的企业应用程序的知识图谱
一旦开发了 MVO，就需要通过基于本体填充实例数据图来测试和使用它。此任务的趋势是还尝试收集尽可能大的数据集，并根据现有关系模式和本体之间的映射执行结构化数据的批量转换。应该避免这种情况，因为该过程仍然容易出现与在前期设计上花费太多时间相同的问题。知识图谱开发项目应确保遵守“交互式”和“增量式”的敏捷实践。
角色扮演游戏中的个性化任务和对话生成：基于知识图谱和语言模型的方法
视频游戏中的程序化内容生成 (PCG) 为定制和用户参与提供了前所未有的机会。在角色扮演游戏 (RPG) 的专业背景下，我们引入了一个新颖的任务和对话生成框架，将玩家置于生成过程的核心。我们的方法基于手工制作的知识库，将生成的内容与游戏内背景相结合，同时采用大规模语言模型来创建流畅、独特、伴随的对话。通过人工评估，我们确认使用此方法生成的任务在流畅性、连贯性、新颖性和创造性方面可以接近手工制作的任务的表现；展示更大的动态性对玩家体验的增强；并为任务和对话之间的相关性提供一种新颖的自动化指标。我们认为我们的贡献是朝着动态、共同创造的叙事框架迈出的关键一步，在这个框架中，人类和人工智能系统共同合作，创造独特且用户特定的可玩体验。