XiaoMi-AI文件搜索系统
World File Search System实验数据
复制后 DNA 甲基化的局部相关动力学揭示了 DNA 甲基化维持的持续性和区域特异性
DNA 甲基化主要发生在哺乳动物基因组中的胞嘧啶-磷酸-鸟嘌呤 (CpG) 二核苷酸上，并且甲基化景观在有丝分裂细胞分裂期间得以维持。有人假设相邻 CpG 之间维持甲基化活性的耦合对于细胞世代的稳定性至关重要；然而，其中的机制尚不清楚。我们使用数学模型和随机模拟来分析实验数据，这些实验探测细胞中复制后新生 DNA 的全基因组甲基化。我们发现单个 CpG 上的 DNA 甲基化维持率在局部上是相关的，并且这种相关的程度因基因组区域环境而异。通过使用蛋白质沿 DNA 扩散理论，我们表明甲基化率与基因组距离相关性的指数衰减与酶的过程性一致。我们的结果为体内全基因组甲基转移酶的过程性提供了定量证据。我们进一步开发了一种方法来解开动力学相关性的不同机械来源。根据实验数据，我们估计，如果相邻 CpG 平均相距 36 个碱基对，单个甲基转移酶会持续甲基化相邻 CpG。但对于较长的 CpG 间距离，其他耦合机制占主导地位。我们的研究表明，通过将数据驱动的统计分析与假设驱动的数学建模相结合，可以从与复制相关的基于细胞的全基因组测量中获得对酶促机制的定量洞察。
研究文章电池电压预测技术使用机器学习模型具有较高的外推精度
基于机器学习（ML）型号和现实世界中收集的锂离子电池（LIB）数据的电池性能预测技术最近受到了很多关注。但是，对于使用现实世界数据的ML模型来说，较差的外推精度是一个主要挑战，因为数据频率分布可能不均匀。在这里，我们使用电化学模拟模型生成的人工数据研究了ML模型的外推精度。特别是，我们为训练数据设置了较低的开路电压（OCV）限制，并生成数据限于较高的充电状态（SOC）区域，以训练电压预测模型。我们已经验证了在几个较低的OCV限制设置下测试数据的电压的均方根误差（RMSE），并将其平均 + 3标准偏差定义为评估度量。评估了八种代表性的ML模型，发现多层感知器（MLP）的精度为92.7 mV，这是最佳的外推精度。我们还评估了具有已发布的实验数据的模型，发现MLP的精度为102.4 mV，重新确定其具有最佳的外推精度。我们还发现，MLP对感兴趣数据的变化具有鲁棒性，因为从模拟到实验数据变化时的准确性降解为1.1。此结果表明，即使为全面的SOC条件收集数据很困难，MLP也可以实现更高的电压预测准确性。
晶圆退火工艺扩散炉的传热分析
半导体制造工艺中的扩散炉用于在硅片表面生长氧化物或将掺杂剂扩散到半导体晶片中。在此过程中，硅片在炉中被加热到通常在 973K 至 1523K 之间的温度。在本研究中，采用二维轴对称模型来模拟在 1123K 温度下运行的垂直炉。对工艺管中含有 175 个直径为 200mm 的硅片的基准情况的轮廓温度分布的模拟结果与实验数据非常吻合。从加热温度为 1123 K 的炉子中获得的实验数据被用作此数值评估的基准。还表明可以对堆叠晶片的本体区域施加均匀加热。在本研究中，探讨了加热器温度和工艺管中排列的晶片之间的间隙对工艺管中温度场的影响。从模拟中可以看出，值得强调的是，堆叠晶片本体区域的温度分布与加热器温度一致。此外，研究发现，在舟皿中对较少数量的晶圆（具有较大的晶圆间隙）进行退火工艺可能不会显著影响炉内的加热性能。关键词：立式炉；石英管；辐射；加热器；绝缘；峰值温度；温度分布版权所有 © 2020 PENERBIT AKADEMIA BARU - 保留所有权利
太阳能烟囱的三维 CFD 研究
由于需要利用最大、最清洁的能源，即太阳能，太阳能在当今时代显得尤为重要。产生太阳能最具创新性和最简单的技术之一是使用太阳能烟囱。然而，太阳能烟囱发电厂的投资成本高，而且传统上效率很低。数学和 CFD 模型提供了一种优化此类烟囱性能的好方法。若干因素会影响太阳能烟囱的发电量，包括几何因素（如集热器直径、烟囱高度）和昼夜温差。然而，挑战在于昼夜温差，因此发电量不稳定。在目前的研究中，建立了一个太阳能烟囱的中试规模 CFD 模型（原型为西班牙曼萨纳雷斯烟囱，哈夫，1984 年），并用实验数据和文献中的分析模型（与实验数据的偏差 ∼ < 10%）进行了验证。随后，研究了流动模式，并对烟囱的关键参数（即烟囱高度和集热器直径）进行了参数研究。首次研究了昼夜变化对发电量的影响。考虑到昼夜变化，发现夜间发电量是烟囱高度和集热器直径的线性函数；而在白天，发电量随着集热器直径和烟囱高度的变化而呈指数增加。
植物植物激素的定性和定量代谢组学分析
分析结果表为操作员提供了一个简单的表，启用了交通灯审核系统 - 确定化合物时使用绿色复选框，黄色的含义要进行审查，红色表示没有匹配。预测的元素公式和silico在化学数据库中预测的片段化也可以通过将任何实验数据与理论信息匹配来实现更高水平的置信度。Sciex OS软件的分析部分中生成的结果表链接到原始数据文件，因此可以使用原始数据快速审查库的每个标识（图8）。
网络药理学研究中使用的工具和软件
网络药理学中的预测建模用于预测生物网络中药物分子的行为。它结合了各种统计方法，算法和计算技术，以分析大型高维数据集。通过整合多个数据源，例如基因表达谱，蛋白质 - 蛋白质相互作用网络，药物目标相互作用和分子途径，预测模型有助于识别潜在的候选药物，预测其副作用并优化药物组合。这些模型利用历史和实验数据来预测药物如何影响疾病进展或它们如何与特定靶标相互作用。
2 组无人机风洞螺旋桨测力计的验证
摘要：本文介绍了一种验证适用于 2 类无人机的风洞螺旋桨测力计的方法。这种测力计的预期用途是表征相关尺寸和操作条件下的螺旋桨，在这些条件下，此类螺旋桨易受低雷诺数效应的影响，而这种效应在风洞中很难通过实验检测出来。尽管不确定性分析可能会增强人们对测力计数据的信心，但测力计的设计或实验安排（例如配置和仪器）可能无法检测到重要的螺旋桨特性，甚至可能在结果中产生伪影。本文提出的验证方法将叶片元素动量理论 (BEMT) 的分析结果与实验数据进行比较，以验证测力计是否捕捉到了基本的螺旋桨物理特性，以及自相似实验结果，以验证测力计是否能够解决螺旋桨直径和螺距的差异。进行了两项研究，以验证测力计实验数据是否与 BEMT 预测的性能相匹配。第一项研究考虑了三个螺旋桨，它们具有相同的 18 英寸（0.457 米）直径，螺距从 10 到 14 英寸（0.254 到 0.356 米）不等。第二项研究保持螺距不变，直径从 14 到 18 英寸（0.356 到 0.457 米）不等。在测试期间，风洞速度范围为 25 英尺/秒至 50 英尺/秒（7.62 到 15.24 米/秒），螺旋桨转速各不相同
通过结合机器学习和超高通量筛选，工程高度活跃和多样化的核酸酶酶
优化酶在新型化学环境中起作用是合成生物学具有广泛应用的核心目标。在这项工作中，我们通过使用机器学习（ML）从超高通知功能屏幕中融合进化信息和实验数据来开发一种技术，用于设计蛋白质变体的活跃和多样化的蛋白质变体库。我们在多轮运动中验证了我们的方法，以优化NUCB的活性，nucB的活性，核酸酶酶在慢性伤口的治疗中应用。我们将我们的ML引导运动与维特罗定向进化（DE）和尼里科（Silico In-Silico）命中重组（HR）的平行运动进行了比较。ML引导的运动发现了数百种高度活跃的变体，最多有19倍的核酸酶活性改善，表现优于DE发现的12倍改进，并且在命中率和多样性方面表现出色。我们还表明，仅在进化数据上训练的模型而无需访问任何实验数据，就可以比传统的初始图书馆生成方法以明显高的速率设计功能变体。为了推动ML引导酶设计的未来进展，我们策划了一个55K多种变体的数据集，这是迄今为止最广泛的基因型 - 表型酶活性景观之一。数据和代码可在以下网址提供：https：//github.com/google-deepmind/nuclease_design。
![arxiv：2404.19365v2 [cond-mat.supr-con] 2024年8月8日](/simg/g:\will\search\icon\source\a\ac1766db2c20e23f143671d35a12d19a521a4fc2.webp)
arxiv：2404.19365v2 [cond-mat.supr-con] 2024年8月8日
带有线节点的干净的II型超导体中的热准粒子产生了渗透深度的二次低温变化，∆λ〜T 2，如Kosztin和leggett [I. Kosztin和A. J. Leggett，物理。修订版Lett。 79，135（1997）]。 在这里，我们将此结果推广到多个节点，并将其与使用高精度的紧密结合模型在SR 2 RUO 4中对温度相关的穿透深度进行数字精确评估。 我们将计算与SR 2 RUO 4的高纯度单晶体中的最新渗透深度测量进行了比较[J. F. Landaeta等人，Arxiv：2312.05129]。 假设订单参数具有B 1G符号符号时，我们发现简单的D x 2 -y 2波和复杂的间隙结构都具有较高谐波和意外节点的贡献，可以容纳实验数据。Lett。79，135（1997）]。在这里，我们将此结果推广到多个节点，并将其与使用高精度的紧密结合模型在SR 2 RUO 4中对温度相关的穿透深度进行数字精确评估。我们将计算与SR 2 RUO 4的高纯度单晶体中的最新渗透深度测量进行了比较[J. F. Landaeta等人，Arxiv：2312.05129]。假设订单参数具有B 1G符号符号时，我们发现简单的D x 2 -y 2波和复杂的间隙结构都具有较高谐波和意外节点的贡献，可以容纳实验数据。
对碳实体的影响
使用CO 2注入增强的石油回收（EOR）是有希望的，经济和环境益处是一种积极的气候变化方法。然而，CO 2注射的较低扫描效率仍然是一个挑战。CO 2 -FOAM注射已被提议作为一种补救措施，但其对特定储层的实验室筛查是昂贵且耗时的。在这项研究中，使用机器学习模型来预测CO 2-FOAM洪水期间的石油回收因子（ORF）。四个模型，包括通用回归神经网络（GRNN），具有Levenberg - Marquardt优化（CFNN-LM），具有贝叶斯正则化（CFNN-BR）（CFNN-BR）的级联向前神经网络的级联向前神经网络以及基于实验数据的实验数据，以贝叶斯正则化（CFNN-BR）（CFNN-BR）（CFNN-BR）（CFNN-BR）和极端梯度提升（XGBoost）。结果表明，GRNN模型的表现优于其他模型，总体平均绝对误差为0.059，R 2为0.9999。使用威廉姆斯图对GRNN Model的适用性域进行了验证，并对CO 2 -FOAM洪水项目进行了不确定性分析。这项研究的新颖性在于开发一种基于机器学习的方法，该方法在CO 2-FOAM实验中对ORF进行了准确且具有成本效益的预测。这种方法具有显着减少CO 2 -FOAM注入所需的筛查成本和时间的po态，从而使其成为更可行的碳利用和EOR策略。