XiaoMi-AI文件搜索系统
World File Search System平方误差
生成模型通过歧管概括分析验证
摘要：单细胞转录组学越来越依赖于非线性模型来利用维度和增长的数据。，大多数模型验证都侧重于局部流形的保真度（例如，平方误差和其他数据可能性指标），几乎不关注这些模型的全局歧管拓扑，理想情况下应该是学习。为了解决这一限制，我们实施了一个强大的评分管道，旨在验证模型重现整个参考歧管的能力。Python库Cytobench以及Jupyter笔记本电脑和示例数据集演示了这种方法，以帮助用户开始工作流。歧管概括分析可用于开发和评估旨在学习蜂窝动力学网络的模型，并在外部数据集上验证其性能。可用性：实施评分管道的Python库已通过PIP提供，可以在Github和一些Jupyter笔记本旁边检查显示其应用程序。联系人：nlazzaro@fbk.eu补充信息：补充数据可在Online Bioinformatics获得。
通过转移功能和遗传算法对心脏的电活动进行建模
摘要：尽管医疗保健和医疗技术在过去几十年中已经取得了显着发展，但心脏病仍然是全球死亡率的主要原因。心电图（ECG）是检测心脏病的最广泛使用的工具之一。本研究提出了基于转移函数的数学模型，该模型允许使用遗传算法（GA）在拉普拉斯空间中探索和优化心脏动力学。使用GA对传递函数参数进行微调，并用临床心电图记录用作参考信号。基于多项式和延迟的提议模型近似于根平方误差为4.7％，R 2值为0.72的真实心电图。该模型通过使用单个周期性脉冲输入来实现ECG信号的周期性。它的简单性使人们可以通过对其效果的预定理解来调整波形参数，这可用于产生心律不齐模式和健康信号。这是与其他大量微分方程和许多参数负担的其他模型相比，这是一个显着的优势。
基于学习的运动伪影在fnirs中的处理
本文对功能性近红外光谱（FNIRS）中基于学习的运动伪影（MA）处理方法进行了简要审查，强调了在受试者运动期间保持最佳接触的挑战，这可能导致MA并损害数据完整性。传统策略通常会导致血液动力学反应和统计能力的可靠性降低。认识到着重于基于学习的MA的研究有限的研究，我们研究了315项研究，确定了与我们的重点领域相关的七个研究。我们讨论了基于学习的MA校正方法的当前格局，并突出了研究差距。注意到缺乏用于MA校正质量评估的标准评估指标，我们建议一个新颖的框架，整合信号和模型质量考虑因素，并采用1个信噪比（1 SNR），混淆矩阵和平均平方误差等指标。这项工作旨在促进基于学习的方法在FNIRS上的应用，并提高神经血管研究的准确性和可靠性。
使用生物信息学和机器学习鉴定子宫中重要的诊断基因
摘要背景：子宫子宫内膜癌（UCEC）被称为世界第六大癌症。生物信息学和深度学习的进步提供了筛查大规模基因组数据并发现指示疾病状态的潜在生物标志物的两种工具。这项研究旨在研究使用生物信息学和机器学习算法鉴定子宫诊断和预后的重要基因。方法：分析UECE患者的RNA表达谱，使用深度学习技术鉴定差异表达的基因（DEG）。预后生物标志物。此外，彻底检查了分子途径，蛋白质 - 蛋白质相互作用（PPI）网络，DEG的共表达模式及其与临床数据的关联。最终，通过基于深度学习的分析来确定诊断标记。结果：根据我们的发现，MEX3B，CTRP2（C1QTNF2）和AASS是UCEC的新生物标志物。评估指标证明了深度学习模型的功效（DNN）功效，最小平均平方误差（MSE）为5.1096067E-5，而根平方误差（RMSE）为0.007，表示准确的预测。0.99的R平方值强调了该模型解释数据中差异的很大一部分的能力。因此，该模型在曲线（AUC）下达到了一个完美的区域，表示特殊的歧视能力，精度率为97％。因此，确定新的UCEC生物标志物有望有效护理，改善预后和早期诊断。结论：GDCA数据库和深度学习算法确定了3个重要基因-MEX3B，CTRP2（C1QTNF2）和AASS，是UCEC的潜在诊断生物标志物。关键词：子宫语料库子宫内膜癌，深度学习，生物标志物，生物信息学分析，UCEC利益冲突：无宣布的资金：这项研究得到了Shahid Beheshti医学科学大学的资助和支持。*这项工作已根据CC BY-NC-SA 4.0许可发布。版权所有©伊朗医学科学大学引用本文的引用：Valizadeh Laktarashi H，Rahimi M，Rahimi M，Abrishamifar K，Mahmoudabadi A，Nazari E.使用生物学信息和机器学习对子宫中重要的诊断基因的鉴定。Med J Islam Repub伊朗。2025（1月6日）; 39：4。 https://doi.org/10.47176/mjiri.39.4
FEMA：针对大样本全脑成像数据的快速高效混合效应算法
图 1 分箱对固定效应参数估计的均方误差 (MSE) 的影响。我们模拟了 2000 个具有 5 个固定效应（10,000 个观测值）的成像变量。然后，使用 20 个不同的箱值，我们使用 FEMA 估计参数并计算参数估计的平均（超过 50 次重复）平方误差。面板 (a) 中的黑色虚线表示五个固定效应中的每一个的总 MSE（跨 2000 个成像变量），而橙色实线表示五个固定效应的总 MSE 的平均值。我们观察到最小总 MSE 在箱值为 100（由绿线表示）时，而箱值为 20（由紫线表示）显示出可比的 MSE；面板 (b) 显示每个箱值所需的计算时间（跨 50 次重复取平均值）；箱值为 20（紫线）的计算时间是箱值为 100（绿线）所需计算时间的一小部分。请注意，两个面板的 x 轴都是非线性的。
微填料预测LSTM和ANN ...
微度是一种无意的，瞬态的意识丧失，与睡眠相关，持续到15秒。脑电图（EEG），记录已广泛用于诊断和研究各种神经系统疾病。这项研究分析了时间序列EEG信号，以使用两个深度学习模型来预测微渗：长期术语记忆（LSTM）和人工神经网络（ANN）。调查结果表明，ANN模型在微填料预测中实现了出色的指标，在关键性能指标中的表现优于LSTM。该模型表现出了出色的性能，如散点图，R2分数，平均绝对误差（MAE），均方误差（MSE）和根平方误差（RMSE）的结果所证明的。与LSTM模型相比，在两个模型之间，ANN模型在两个模型之间达到了最重要的R2，MAE，MSE和RMSE值（0.84、1.10、1.90和1.38）。这项研究的关键贡献在于其开发全面有效的方法，以准确预测来自EEG信号的微度事件。
genepert：利用基因嵌入基因扰动预测
预测靶基因的扰动如何影响其他基因的表达是理解细胞生物学的关键组成部分。这是一个具有挑战性的预测问题，因为该模型必须捕获复杂的基因关系，并且输出是高维且稀疏的。为了应对这一挑战，我们提出了一种简单的方法，一种利用Genept嵌入的方法，它是使用单个基因的文本描述来得出的，以预测通过正规回归模型扰动引起的基因表达变化。在多种细胞类型和五个不同审慎的基因嵌入模型的八个CRISPR扰动屏幕数据集上进行了基准测试，Genepert始终胜过所有在Pearson相关和均值平方误差指标中测量的所有最新预测模型。即使使用有限的培训数据，我们的模型也有效地概括了，为预测扰动结果提供了可扩展的解决方案。这些发现强调了信息性基因嵌入的力量，以预测硅中看不见的遗传扰动实验的结果。genepert可从https://github.com/ zou-group/genepert获得。
xgboost和随机森林算法
抽象的机器学习在我们生活的许多方面越来越重要，随着技术的发展，包括预测天气，弄清社交媒体趋势以及预测世界市场价格的价格。这种重要性调用了对有效预测模型的需求，这些模型可以轻松处理复杂的数据并提供最大的准确结果。XGBoost和随机森林是用于解决已进化并证明是可靠的机器学习挑战求解器的回归和分类问题的可升级合奏技术。在本研究论文中，我们全面分析和比较了这两种突出的机器学习算法。研究的前半部分包括对技术的意义和两种算法的演变的相关概述。这项研究的后半部分涉及随机森林和XGBoost之间的细致比较分析，仔细检查的方面，例如时间复杂性，精度和可靠性。我们研究了他们在处理回归和分类问题的独特方法，同时密切研究了他们对培训和测试数据集的微妙处理。使用各种性能指标（例如F1得分，召回，精度，平均平方误差等）进行了彻底的定量评估。
liu-人工智能增强波导光子鼻子
片上纳米量波导传感器是一种有前途的解决方案，用于使用中红外（miR）区域中的吸收菌印刷物进行微型化和无标记的气体混合物检测。然而，由于吸收光谱的重叠，有机气体混合物的定量检测和分析仍然具有挑战性，报道较少。在这里，将人工智能（AI）辅助波导“光子鼻”作为MIR中的气体混合物分析的增强传感平台提出。凭借支持的波导设计和机器学习算法的帮助，将二元有机气体混合物的miR吸收光谱与任意混合率区分开，并分解为单组分光谱以进行浓度预测。结果，实现了19个混合比的93.57％的分类。此外，气体混合物频谱分解和浓度预测显示，平均根平方误差为2.44 vol％。这项工作证明了MiR波导平台的更广泛的感测和分析能力的潜力，用于多个有机气体成分，用于MIR片段光谱。
各种有机肥料和生物肥料对胡芦巴种植的生长和产量的影响
摘要。准确估算了弹性模量（MR）的弹性子级土壤中，对于设计既可靠且对环境友好的柔性路面系统的设计至关重要。MR显着影响人行道的结构完整性，尤其是在具有不同负荷和气候条件的丘陵地区。这项研究收集了2813个数据点，从预先研究结果中创建了准确的预测模型。选择了梯度增强（GB）机器学习（ML）方法以预测压实的亚级土壤的MR。使用统计分析评估了GB模型的准确性和预测性能，其中包括典型指标，例如均方根误差，平均绝对误差和相对平方误差。用于培训和测试数据集的R²值为0.96和0.94的模型。RMSE的训练是5 MPA，测试为7.48 MPa，而MAE为3.18 MPa和5.55 MPa。这些结果突出了GB在预测土壤MR中的潜力，从而支持了更准确，更有效的MR预测的发展，最终减少了时间和成本。