XiaoMi-AI文件搜索系统
World File Search System审视
审视 KEYNOTE-789 临床试验的影响
摘要：表皮生长因子受体（EGFR）酪氨酸激酶抑制剂（TKI）等靶向治疗彻底改变了EGFR突变型非小细胞肺癌（NSCLC）的治疗格局。然而，EGFR TKI尤其是奥希替尼等第三代TKI的耐药性出现仍然是临床上的一大挑战。作为对抗耐药性的更广泛策略，多项临床试验探索了免疫检查点抑制剂（ICI）+化疗对EGFR突变型NSCLC的疗效。到目前为止，ORIENT-31和IMpower150试验表明，在EGFR-TKI失败后，ICI+化疗可能比单纯化疗更有效（尽管ORIENT-31的总生存期[OS]为阴性，IMpower150为子集分析，因此该研究没有足够的效力检测到差异）；然而，CheckMate-722试验的结果令人失望。因此，本次全球试验KEYNOTE-789的结果备受期待。关键词：EGFR，奥希替尼后，化学免疫治疗，靶向治疗
重新审视种子公司的销售和利润
农用化学品市场分析：我们市场领先的服务从作物、公司、国家市场、产品和研发的角度提供农作物保护市场的年度分析和预测。它还包括一份可搜索的产品目录，其中包含每种重要的农用化学品和主要生物农药，包括正在研发的产品。
重新审视组织 DNA 隐喻
摘要：战略管理研究人员认为，将生物学和遗传学现实与管理科学相结合，可以为组织改进和发展提供有效的步骤，因此，组织 DNA 隐喻提出了范式转变。本研究对组织 DNA 概念和 DNA 知识前沿进行了深入回顾 - 首先，评估组织 DNA 隐喻和学术讨论是否合理；其次，是否可以将先进的 DNA 知识融入组织 DNA 概念以改善运营管理；如果可以，第三，提供组织 DNA 模型的范围。对 DNA 知识前沿的回顾表明，基因组（DNA）有两个组成部分 - “编码 DNA”（或基因）和“非编码 DNA”。它们融入组织概念使得可以建立一个类比：“编码 DNA”（或基因）包含生物体生长和生存所需的指令，转化为独特的组织特征（“结构、决策权、动机和信息”）； “非编码 DNA”控制基因活动（“转录，进而翻译，或可以打开和关闭基因”）并确保正确的染色体捆绑，这对于细胞生存至关重要，这意味着更新和创新，没有它们，组织的生存就会受到损害。该研究提出了一系列组织 DNA 模型，并确定了内部和外部环境重新调整的关键点。关键词：组织 DNA、隐喻、更新和创新。
Quantum零知识，重新审视或
可以在多项式时间内模拟（例如，无需访问该声明的NP证人）。尽管零知识的属性听起来几乎是自相矛盾的，但是[GMR85]表明，非平凡语言存在零知识方案（例如，对于二次残留量）。这引发了未来十年中的一系列基础作品，包括：图形同构/非同态的零知识协议以及NP [GMW86]，NP [GK96，FS90]的常数零知识协议（基于两种不同的Paradigms）和应用程序的gmw7 [GK96，FS90]（基于两种不同的Paradigms）。但是，由于建立了这些基本结果，因此我们对构成有效计算的构成的概念从根本上发生了变化。在理论[SHO94]和实践[AAB + 19]中，量子计算机似乎都具有任何有效的经典计算机的功能。因此，为了具有令人满意和完整的加密理论，必须分析安全性（高效）量子攻击的安全性。在这项工作中，我们问：
循环 - 经济学和数字技术-A-审视 -
摘要近年来对循环经济（CE）的兴趣增长。数字技术（DTS）已经证明了在微观，中索和宏观级别实现循环目标的潜在协同作用。尽管一些文献研究探讨了DTS和CE链接，但尚未根据其主要研究主题确定它们。本文旨在确定针对CE和DTS的主要研究流。从系统的文献综述和内容分析中，我们回顾了40篇文章，并分类了三个主要研究流。（1）行业4.0（I4.0）着重于I4.0在过渡到CE的相关性和作用。（2）业务研究流评估了数字转型与业务之间的联系。（3）可持续性研究流讨论了废物管理和智能城市等可持续性问题。基于分析研究的目的和差距，我们为进一步研究提供了研究议程。此外，我们解释了DTS和CE对工程设计研究的影响。我们的论文指导研究人员未来的研究将重点放在尚未得到回答和根据研究流方面定位研究的差距。关键字：循环经济，可持续性，行业4.0，商业模型和考虑因素联系：Mascarenhas，Janaina University ofSãoPaulo生产工程系巴西JANA.MASCARENHAS@USP.BR
重新审视在线量子态学习
理论也可能有助于解决量子计算和量子信息中的一些有趣问题（Carleo and Troyer 2017）。在本文中，我们应用在线学习理论来解决学习未知量子态的有趣问题。学习未知量子态是量子计算和量子信息中的一个基本问题。基本版本是量子态断层扫描问题（Vogel and Risken 1989），旨在完全恢复未知量子态的经典描述。虽然量子态断层扫描可以完整地表征目标状态，但成本相当高。最近的进展表明，在最坏情况下完全重建未知量子态需要指数级的状态副本（Haah 等人 2016；Odonnell 和 Wright 2016）。然而，在某些应用中，没有必要完全重建未知量子态。一些辅助信息就足够了。因此，一些学习任务会继续学习将一组双结果测量应用于未知状态的成功概率，并考虑某些指标。其中，阴影层析成像问题 (Aaronson 2018) 要求均匀估计集合中所有测量的成功概率。Aaronson (2018) 表明，阴影层析成像中未知状态所需的副本数量与量子比特的数量几乎呈线性关系，并且与测量次数呈多对数关系。更一般地，它可能不需要均匀估计所有双结果测量中误差内的成功概率。按照统计学习理论的思想，我们可以假设在某些可能的双结果测量中存在一个分布。我们的目标是学习一种量子态，使得从分布中采样的测量分别应用于学习状态和目标状态的成功概率之间的预期差异在特定误差范围内。这被称为量子态的统计学习模型或PAC学习模型。Aaronson（2007）证明，量子态PAC学习的样本数量只随着状态的量子比特数量线性增长，与全量子态层析成像相比，这是一个令人惊讶的指数减少。