XiaoMi-AI文件搜索系统
World File Search System引导的
高质量的视觉引导的声音与不同类别的分离
摘要。我们提出了戴维斯（Davis），这是一个基于i fifusion的udiovi sual separa the the trapion框架，该框架通过生成学习解决了视听声音源分离任务。现有方法通常将声音隔离作为基于面具的回归问题，从而取得了重大进展。但是，他们在捕获高质量分离声音与各种表情所需的复杂数据分布时面临局限性。相比之下，戴维斯利用生成扩散模型和分离U-net直接从高斯噪声中综合了分离的声音，并在音频混合物和视觉信息上进行条件。具有其生成性目标，戴维斯更适合实现各种声音猫的高质量分离的目标。我们将戴维斯与AVE和音乐数据集上现有的最新歧视性音频分离方法进行了比较，结果表明，戴维斯在分离质量方面胜过其他方法，这证明了我们可以解决视听源分离任务的框架的优势。我们的项目页面可在此处提供：https：//wikichao.github.io/data/projects/davis/。
人工酶中远端突变的计算引导的工程
需要特定的c c类型的转换类型，这些转换不是天然发生的。5为了利用这些过程中的巨大酶良好的益处，已经设计了人工酶来产生新的催化反应性。6 - 8个促酶，从而产生基本的酶，然后可能会受到定向进化的能力，以实现通常与酶催化相关的高活性和选择性。9,10然而，尽管有明显的进展，但大多数人促酶的催化效率尚未与天然酶相媲美。11迄今为止，使用人工酶的大多数定向进化运动仅针对催化中心近距离的残留物，以直接影响其化学环境。越来越清楚的是，就像天然酶一样，整个蛋白质的12个结构合作也需要与人工酶促进酶进行催化。例如，刘易斯和同事观察到在模型环丙烷化反应中，在引入脱离活性位点的突变后，由人工hodios的模型环化反应提高了对映选择性。13 o s，远端突变的引入产生由蛋白质的先天结构动力学决定的细微结构重排，该结构动力学已在天然酶的进化中被逐渐构成。18,19是Hilvert等人设计的KEMP消除酶HG3.17的局部示例。14,15那些可以间接地通过调节结构动力学的催化活性的残基称为动力学的远端位点或热点。16,17针对定向演化算法中这些热点的16,17可以将构象动力归为催化生产构象，从而导致高度效率高的设计师酶。能够通过开发具有催化能力的构象合奏的速率加速度提高10 8倍。20当前，它们的鉴定阳离子o cen依赖于广泛的分子动力学（MD）模拟，这对工作的吞吐量构成了显着的限制。21尽管最近已经描述了基于机器的新策略并保持了大大减轻计算费用的希望，但对大型培训数据集的需求阻碍了他们在鲜为人知的系统中的应用。为了确定远端突变和远距离网络在人工酶中的作用，我们以23,24的lactocococococcal多药耐药性调节剂（LMRR）为示例，是探讨了以较广泛的新型到Nature Adectivitivitivities量身定制的混杂蛋白SCA效率的示例。该蛋白质属于padr遗传因素的PADR家族，并调节乳酸乳酸菌中LMR操纵子的表达。lMRR的特征是独特的构象thimational质量和结构可塑性25,26，在其大型恐惧孔中引起了宽阔的配体滥交。然后将这些基本酶定向进化，从而导致专业酶显着增加活性和（对映）的选择性。引入各种人工催化部分，金属复合物，27个非典型氨基酸（NCAA），28甚至两者均为29个具有多种新型催化性活性的endow LMRR。但是，迄今为止，迄今为止，定向进化仅集中在孔内的残基上，以优化新创建的活性位点的结构。在这里，我们展示了如何通过利用LMRR的构象动力学来进一步增加这些设计师酶之一的活性。
AI引导的癌症治疗，用于共存偏头痛患者
1盟军和公共卫生系，卫生学院，体育与生物科学学院，东伦敦大学，伦敦E16 2rd，英国； d.olawade@uel.ac.uk 2研究与创新部，Medway NHS基金会信托基金会，吉林汉姆ME7 ME7 5NY，英国肯特； j.teke@nhs.net（J.T。 ）; kusal.weerasinghe@nhs.net（k.w.） 3 <约克圣约翰大学，伦敦E14 2BA，英国4号医学，卫生和社会护理学院，坎特伯雷基督教堂大学，坎特伯雷CT1 1Qu，肯特，英国肯特郡5 Elaine Marieb护理学院，马萨诸塞大学，马萨诸塞州阿姆斯特大学，马萨诸塞州阿姆斯特大学，美国马萨诸塞州01003，美国； kadeleye@umass.edu 6组织工程和再生医学系，生命科学工程学院FH Technikum，奥地利维也纳1200； eghosaseregabriel@gmail.com 7工程与科学学院，格林威治大学伦敦大学，查塔姆海事ME4 4TB，英国肯特； s.v.ovsepian@greenwich.ac.uk 8第比利斯州立大学医学院，第比利斯大学0177，乔治亚州9号，乔治亚州9号生命科学与医学学院，癌症与药学科学学院，伦敦国王伦敦国王学院，伦敦国王，斯特兰德，斯特兰德，伦敦WC2R 2LS，英国10 Kent Medway医学院 of Medical Oncology, Medway NHS Foundation Trust, Gillingham ME7 5NY, Kent, UK 12 AELIA Organization, 9th Km Thessaloniki–Thermi, 57001 Thessaloniki, Greece * Correspondence: stergiosboussios@gmail.com or stergios.boussios@nhs.net or stergios.boussios@kcl.ac.uk or stergios.boussios@kmms.ac.uk或s.boussios@kent.ac.uk1盟军和公共卫生系，卫生学院，体育与生物科学学院，东伦敦大学，伦敦E16 2rd，英国； d.olawade@uel.ac.uk 2研究与创新部，Medway NHS基金会信托基金会，吉林汉姆ME7 ME7 5NY，英国肯特； j.teke@nhs.net（J.T。）; kusal.weerasinghe@nhs.net（k.w.）3 <约克圣约翰大学，伦敦E14 2BA，英国4号医学，卫生和社会护理学院，坎特伯雷基督教堂大学，坎特伯雷CT1 1Qu，肯特，英国肯特郡5 Elaine Marieb护理学院，马萨诸塞大学，马萨诸塞州阿姆斯特大学，马萨诸塞州阿姆斯特大学，美国马萨诸塞州01003，美国； kadeleye@umass.edu 6组织工程和再生医学系，生命科学工程学院FH Technikum，奥地利维也纳1200； eghosaseregabriel@gmail.com 7工程与科学学院，格林威治大学伦敦大学，查塔姆海事ME4 4TB，英国肯特； s.v.ovsepian@greenwich.ac.uk 8第比利斯州立大学医学院，第比利斯大学0177，乔治亚州9号，乔治亚州9号生命科学与医学学院，癌症与药学科学学院，伦敦国王伦敦国王学院，伦敦国王，斯特兰德，斯特兰德，伦敦WC2R 2LS，英国10 Kent Medway医学院 of Medical Oncology, Medway NHS Foundation Trust, Gillingham ME7 5NY, Kent, UK 12 AELIA Organization, 9th Km Thessaloniki–Thermi, 57001 Thessaloniki, Greece * Correspondence: stergiosboussios@gmail.com or stergios.boussios@nhs.net or stergios.boussios@kcl.ac.uk or stergios.boussios@kmms.ac.uk或s.boussios@kent.ac.uk<约克圣约翰大学，伦敦E14 2BA，英国4号医学，卫生和社会护理学院，坎特伯雷基督教堂大学，坎特伯雷CT1 1Qu，肯特，英国肯特郡5 Elaine Marieb护理学院，马萨诸塞大学，马萨诸塞州阿姆斯特大学，马萨诸塞州阿姆斯特大学，美国马萨诸塞州01003，美国； kadeleye@umass.edu 6组织工程和再生医学系，生命科学工程学院FH Technikum，奥地利维也纳1200； eghosaseregabriel@gmail.com 7工程与科学学院，格林威治大学伦敦大学，查塔姆海事ME4 4TB，英国肯特； s.v.ovsepian@greenwich.ac.uk 8第比利斯州立大学医学院，第比利斯大学0177，乔治亚州9号，乔治亚州9号生命科学与医学学院，癌症与药学科学学院，伦敦国王伦敦国王学院，伦敦国王，斯特兰德，斯特兰德，伦敦WC2R 2LS，英国10 Kent Medway医学院 of Medical Oncology, Medway NHS Foundation Trust, Gillingham ME7 5NY, Kent, UK 12 AELIA Organization, 9th Km Thessaloniki–Thermi, 57001 Thessaloniki, Greece * Correspondence: stergiosboussios@gmail.com or stergios.boussios@nhs.net or stergios.boussios@kcl.ac.uk or stergios.boussios@kmms.ac.uk或s.boussios@kent.ac.uk<约克圣约翰大学，伦敦E14 2BA，英国4号医学，卫生和社会护理学院，坎特伯雷基督教堂大学，坎特伯雷CT1 1Qu，肯特，英国肯特郡5 Elaine Marieb护理学院，马萨诸塞大学，马萨诸塞州阿姆斯特大学，马萨诸塞州阿姆斯特大学，美国马萨诸塞州01003，美国； kadeleye@umass.edu 6组织工程和再生医学系，生命科学工程学院FH Technikum，奥地利维也纳1200； eghosaseregabriel@gmail.com 7工程与科学学院，格林威治大学伦敦大学，查塔姆海事ME4 4TB，英国肯特； s.v.ovsepian@greenwich.ac.uk 8第比利斯州立大学医学院，第比利斯大学0177，乔治亚州9号，乔治亚州9号生命科学与医学学院，癌症与药学科学学院，伦敦国王伦敦国王学院，伦敦国王，斯特兰德，斯特兰德，伦敦WC2R 2LS，英国10 Kent Medway医学院 of Medical Oncology, Medway NHS Foundation Trust, Gillingham ME7 5NY, Kent, UK 12 AELIA Organization, 9th Km Thessaloniki–Thermi, 57001 Thessaloniki, Greece * Correspondence: stergiosboussios@gmail.com or stergios.boussios@nhs.net or stergios.boussios@kcl.ac.uk or stergios.boussios@kmms.ac.uk或s.boussios@kent.ac.uk
DNA纳米结构引导的蛋白质组装成可编程形状
DNA纳米结构引导的蛋白质将蛋白质组装成可编程的形状Qinyi Lu 1，Yang Xu 2,3，Erik Poppleton 3，Kun Zhou 4，Kun Zhou 4，Petr Sulc 2,3，Petr Sulc 2,3，Nicholas Stephanopoulos 2,3 *亚利桑那州立大学设计与生物仪，亚利桑那州坦佩市，亚利桑那州坦佩85287，美国3分子科学学院，亚利桑那州立大学，亚利桑那州坦佩，亚利桑那州坦佩85287，美国4美国生物医学工程系，乔治亚大学技术和埃默里大学，乔治亚州埃默里大学，乔治亚州3032222222222222. yonggang.ke@emory.edu摘要
机械引导的三维介观结构分级组装
具有复杂、层次化几何形状的三维中观结构在自然界中随处可见。此类结构支持植物和动物生命的基本功能，例如用于授粉的花蕊和花瓣、用于控制粘附的壁虎脚和用于减少阻力的鲨鱼鳞片。这些以及生物体中其他三维系统的例子也为电子、[1–5] 光子学、[6–9] 生物传感、[10–13] 储能系统、[14–17] 机械和光学超材料、[18–23] 微型机器人 [24–29] 和其他领域的工程对应物提供了灵感。制造此类结构的方案侧重于直接自上而下或自下而上的技术。[30–33] 虽然这些方法非常实用，但大多数在材料兼容性、几何复杂性和设计多功能性方面也存在一些局限性。例如，3D 打印技术具有较高的结构分辨率和拓扑灵活性，但它们不适用于器件级半导体材料。替代方案
用于中和抗体引导的疫苗设计的概念证明
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。它是制作
知识引导的深度强化学习用于交互式推荐
摘要最多 350 个字：（请输入）交互式推荐旨在适应和学习项目和用户之间的动态交互，以实现推荐系统的响应性和准确性。强化学习天生有利于应对动态/交互环境，因此在交互式推荐研究中引起了越来越多的关注。然而，大多数现有工作倾向于学习固定的用户兴趣，而忽略了它们本质上是动态的。论文首先介绍推荐系统及其应用。然后是详细的文献综述，涵盖三个主要相关领域：序列感知推荐、交互式推荐和知识感知推荐系统。论文还回顾了基于强化学习的推荐系统应用，并讨论了其优点和缺点。之后，本论文报告了关于交互式推荐系统的一般问题陈述和要解决的挑战，包括用户动态兴趣建模、强化学习优化的计算成本以及基于强化学习的推荐系统的性能下降。特别是，我们提出了一套通过强化学习改进交互式推荐的技术和模型。我们提出了一种学习分布式交互嵌入的新模型，该模型可以以紧凑而富有表现力的方式捕获用户的动态兴趣。受到图卷积网络和知识感知推荐的最新进展的启发，我们设计了一个知识引导的深度强化学习 (KGRL) 模型，以利用强化学习和知识图谱的优势进行交互式推荐。该模型在演员-评论家网络框架内实现。它维护一个本地知识网络来指导训练阶段的决策过程，并采用注意力机制来发现项目之间的长期语义。为了降低强化学习的计算成本，我们进一步设计了一种增强优化策略，缩小了更新步骤的空间并改变了奖励函数。我们在模拟在线环境中对提出的三种方法进行了全面的实验，结果表明，与文献中的基线和最先进方法相比，我们的模型的性能得到了持续的改进。最后，本论文讨论了交互式推荐系统的未来工作和潜在的进一步改进。
利用同步的大脑节律来影响记忆引导的决策
前额皮质和海马之间的功能相互作用与记忆引导的决策相关，正如 θ（6-11 Hz）频率范围内的强烈振荡同步所揭示的。然而，这种形式的长距离同步对记忆引导的选择的影响程度仍不清楚。我们开发了一个脑机接口，可以根据前额海马 θ 同步的幅度启动任务试验，然后测量选择结果。在依赖和不依赖工作记忆的任务中，基于强前额-海马 θ 同步启动的试验比对照试验更有可能正确。前额-丘脑神经相互作用随着前额-海马同步而增加，而腹侧中线丘脑的光遗传学激活主要训练前额 θ 节律，但动态调节同步。总之，我们的结果表明，前额叶-海马体 θ 波同步可提高正确选择的概率，并增强前额叶-丘脑对话。我们的研究结果揭示了记忆引导选择背后的神经回路动力学的新见解，并强调了一种通过脑机接口增强认知过程或行为的有前途的技术。
互动3D建模的文本引导的可控网格精炼
我们考虑通过文本指导将几何细节添加到3D对象网格的问题。文本到3D生成建模已成功应用于计算机视觉[Poole等。2023;张等。2024]，计算机图形[Khalid等。2022]和地理处理[Gao等。2023; Xu等。2024]应用。这些方法着重于直接从文本中生成3D网格[Poole等。2023; Wang等。2023]没有为用户提供控制输出形状粗糙结构的能力，从而限制了需要仔细控制生成过程的艺术家的实际实用性。其他方法着重于生成3D网格的纹理[Cao等。2023;理查森等。2023]，但它们在几何形状上没有执行任何变化。虽然有一些方法[Gao等。2023; Metzer等。2023]向用户提供控制并能够修改给定形状的几何形状，这些方法通常很慢，因为它们依赖于昂贵的得分蒸馏采样[Poole等。2023]。在本文中，我们提出了一种创建3D对象与丰富几何细节的方法，同时允许用户保留对全局形状结构（通过输入粗网格）和本地几何细节（通过输入文本提示）的控制。随着文本引导的生成方法的最新成功[Metzer等。2023; Poole等。2023;理查森等。2023; Wang等。2024;张等。2023]，我们在大型预训练的文本对图模型上构建了我们的方法[Rombach等。2022]并使用语言指导几何细节的生成。我们的公式不需要配对的粗几何图和细几何训练数据，而是使用大型预训练的文本对图像模型作为监督，以指导通过可区分的渲染器添加几何细节的过程。我们的主要见解源于以下事实：训练以深度信息指导的文本对图像生成的模型[Mou等。2023]最终创建包含其他几何提示的图像。如图2所示，这些提示是如此突出，即使是现成的正常估计模型也可以提取它们。即，即使小鼠图像仅从三个球体产生，其正常估计（最右图像）显示了与描绘眼睛，鼻子和耳朵的表面相对应的正态。但是，此过程只能从单个角度创建可见的细节，而我们希望将细节添加到给定形状的整个可见表面。我们的方法在三个阶段中将几何详细信息添加到输入网格中。第一阶段基于输入文本提示和输入粗网格生成单视RGB图像。此RGB图像可以看作是如何将其添加到输入网格的几何详细信息的预览。第二阶段根据第一阶段和输入粗网格的单视输出进行多视图生成。第三阶段根据第二阶段的多视图生成来完善输入网格的几何细节。由于每个阶段的输出是非提交的，人类可理解的图像或效果图，因此此属性允许在完成之前的早期瞬间，以便用户决定更改参数或返回并更改/修改输入。此外，前两个阶段仅涉及运行预训练网络的推断，最后阶段直接在网格上运行。每个阶段都可以在几秒钟内完成，因此允许我们的方法用于支持
clip2protect：使用文本引导的化妆通过对抗性潜在搜索
包括安全性[63]，生物识别技术[38]和刑事侵犯[45]，在许多情况下表现优于人类[12，48，61]。尽管这种技术的积极方面，但FR系统严重威胁了数字世界中的个人安全和隐私，因为它们有可能使大规模监视能力[1，67]。进行审查，政府和私人实体可以使用FR系统来通过刮擦Twitter，LinkedIn和Facebook等社交媒体资料的面部来跟踪用户关系和活动[18，20]。这些实体通常使用特定的FR系统，其规格是公众未知的（黑匣子模型）。因此，迫切需要采取一种有效的方法来保护面部隐私免受这种未知的FR系统的影响。理想的面部隐私保护算法必须在自然和隐私范围之间取得正确的平衡[70，77]。在这种情况下，“自然性”被定义为没有人类观察者很容易掌握的任何噪声伪影和人类认识的身份。“隐私保护”是指受保护图像必须能够欺骗黑盒恶意FR系统的事实。换句话说，被指定的图像必须与给定的面部图像非常相似，并且对于人类观察者而言是无伪影的，而同时欺骗了一个未知的自动化FR系统。由于产生自然主义面孔的失败会严重影响在社交媒体平台上的用户体验，因此它是采用隐私增强算法的必要预先条件。1）[22，25，39，72]。最近的作品利用对抗性攻击[57]通过覆盖原始面部图像[6，53，74]上的噪声约束（有限的）广泛扰动来掩盖用户身份。由于通常在图像空间中优化了对抗示例，因此通常很难同时实现自然性和隐私[70]。与基于噪声的方法不同，不受限制的对抗示例并未因图像空间中扰动的大小而影响，并且在对敌方有效的同时，对人类观察者来说表现出更好的感知现实主义[3，55，68，76]。已经做出了几项努力，以生成误导FR系统的不受限制的对抗示例（请参阅Tab。在其中，基于对抗化妆的方法[22，72]随着