XiaoMi-AI文件搜索系统
World File Search System性预
主题：2024-25 财政年度经常性预算资金释放策略
根据上述第 2 款向自治机构、当局、委员会等发放的经常性资金应遵守以下条件：a. PAO 应在其管辖范围内确保主管当局根据各自的章程、规则和条例批准自治机构/当局/委员会/基金/委员会等的年度预算。b. 此类批准证书应于 2024 年 8 月 31 日前送达财务司预算部门和支出部门。自治机构/当局/委员会/基金/委员会等应提供详细的预算信息，即详细的对象分类，以及自己的收据。 PAO 不得向财务部寻求补助金来支付自治机构/当局/委员会/基金/董事会等的任何费用，但必须确保从其为 CFY 拨付的全部资金中，适当分配并足额拨付给这些自治机构/当局/委员会/基金/董事会等。
量子化学预训练对药理特性预测的有效性
原则上，量子化学使我们能够量化分子及其相互作用的所有电子和几何特性。因此，将预先计算的量子力学特性纳入深度学习模型可以提高其预测小分子和潜在药物重要药理特性的能力。然而，在最近一波由人工智能驱动的药物发现中，这一机会尚未得到充分利用。我们表明，通过预先训练等变图神经网络 (EGNN) 模型来预测已使用量子力学方法预先计算的原子中心部分电荷，我们可以获得更准确的模型来预测吸收、分布、代谢、排泄和毒理学 (ADMET) 特性。我们比较了量子化学预训练与非量子力学预训练以及完全没有预训练的性能，发现量子化学预训练可以生成最准确的亲脂性、血脑屏障穿透、CYP2D6 代谢和毒性模型；而对于更具挑战性的肝细胞清除率预测任务，其性能与非预训练模型非常相似。通过使用基于量子化学的预训练来预测原子级和分子级特性，我们获得了比没有预训练更丰富的分子表示，这有助于我们的模型从底层物理和化学中学习。
决策者的摘要 - 季节性预测
咨询•促进保存过多的牧场和水收集。•增强疾病监测，尤其是针对跨界动物疾病（TADS）。•创建社区对预期的降雨和河流洪水的认识，以投资商业饲料生产，并将动物展示给疫苗接种。•在饲料，牛奶，肉类等中促进性别敏感的企业家。处理和营销。•提高使用抗菌剂以降低抗菌耐药性的意识。•敦促各国遵循ICPAC和气象部门的预测更新。•激活性别反应式移民和平委员会，以减轻牧民，农民，野生动植物之间的冲突。•提高性别响应式访问预警消息，并建立社区的能力，以了解，解释和利用这些消息。•促进尸体，疫苗和抗菌剂的适当处理，以供可持续的环境供应。
限制频谱成像是可靠的阳性预测值的前列腺癌的定量生物标志物
保留所有权利。未经许可就不允许重复使用。（未经同行评审证明）是作者/资助者，他已授予Medrxiv的许可证，以永久显示预印本。该版本的版权所有此版本发布于2024年6月6日。 https://doi.org/10.1101/2024.06.05.24308468 doi：medrxiv preprint
量子到经典神经网络迁移学习应用于药物毒性预测
摘要：毒性是阻碍大量药物用于可能挽救生命的应用的障碍。深度学习为寻找理想的候选药物提供了一种有希望的解决方案；然而，化学空间的广阔性加上底层的 n ( ) 3 矩阵乘法意味着这些努力很快就会变得计算量巨大。为了解决这个问题，我们提出了一种混合量子经典神经网络来预测药物毒性，该网络利用量子电路设计来模仿经典神经行为，通过明确计算复杂度为 n ( ) 2 的矩阵积。利用 Hadamard 测试进行有效的内积估计，而不是传统使用的交换测试，我们将量子比特数减少了一半，并且消除了对量子相位估计的需要。直接以量子力学方式计算矩阵积允许将可学习的权重从量子转移到经典设备以进行进一步训练。我们将我们的框架应用于 Tox21 数据集，并表明它实现了与模型的完全经典相当的预测准确度
使用地球物理日志的机器学习辅助岩性预测：Cambay Basin的案例研究
识别和储层相的表征是划定用于碳氢化合物勘探的储层的碳氢化合物区域的主要因素。地球物理日志是在钻孔附近测量的储层相的物理参数，在储层相的解释中起着至关重要的作用。本研究涉及使用地球物理原木上的机器学习（ML）技术在坎贝盆地中岩石BEL的岩性的识别。机器学习的监督技术，例如支持向量机（SVM），ARTI B CIAL神经网络（ANN）和K-Nearest邻居（KNN），用作非线性地球体物理原木岩性学的识别的非线性分类。使用网格搜索交叉验证（CV）方法优化了ML模型的超参数，如ConfusionMatrix评估，auctreceiver操作特性曲线（AUC），精度，召回和F1分数对促进性的促进症状效果。ML模型使用了两个井的地球物理参数，其中有四个已知的杰出岩性（class-a，class-b，class-c和class-c和class-c和class-c和class-c和class-class-c和class-class-class-c和class-class-class）。分别从混淆矩阵中分别为KNN，SVM和ANN的每个岩性的优化和训练的模型，分别以85.4％，87.0和88.9％的形式显示了对真实值的总体正确预测。因此，每个模型从评估参数中的准确性表明，对不同ML模型的组合分析选择优化的ML模型，以更好地实现和验证，以更好地实现和建模岩性。除此之外，接收器手术特征（ROC）还表明，每种岩性的曲线下的整体面积大于90％，其他评估参数（例如精度，回忆和F1得分）的准确性大于84％，除了SVM和ANN类C类D类和Ans类D类案例外。
严重程度依赖性间歇性白质连接性预测中风后忽视恢复
左侧的空间忽视是右hemespheric中风后的一个非常普遍且充满挑战的问题，这对日常生活行为和中风幸存者的恢复产生了强烈和负面影响。空间疏忽恢复的基础机制仍然存在，尤其是关于完整的，对侧半球的参与，其潜在贡献范围从适应不良到补偿性。在本期前瞻性，观察性研究中，我们评估了54名右派中风患者（32名男性； 22名女性）的忽视严重程度，并从住院神经居住居住和出院时。我们证明，由个别病变引起的最初忽视严重程度和幸免的白质（DIS）的相互作用（如扩散张量成像，DTI所评估）解释了卒中后忽视恢复的一定部分。在轻度受损的患者中，病变半球内的幸运结构连通性足以达到良好的恢复。相反，在严重损害的患者中，成功恢复在很大程度上取决于完整半球和半球之间的结构连通性。这些独特的模式是由它们各自的白质连接所介导的，可能有助于调和有关相对于半球的作用，以补偿是否完全补偿性。相反，他们提出了一个统一的观点，其中相对于半球可以（但不一定）扮演补偿性作用。这将取决于最初的损害严重程度和可用的，宽敞的结构连接性。将来，我们的发现可能是忽视恢复并指导患者量身定制的治疗方法的前卫生物标志物。
有缺陷的同源重组和基因组不稳定性预测胰腺癌中对碳离子放射疗法的反应性提高。
Defective Homologous Recombination and Genomic Instability Predict Increased Responsiveness to Carbon Ion Radiotherapy in Pancreatic Cancer Brock J. Sishc 1 , Janapriya Saha 1 , Elizabeth Polsdofer 1 , Lianghao Ding 1 , Huiming Lu 1 , Shih-Ya Wang 1 , Katy L. Swancutt 1 , James H. Nicholson 1 , Angelica Facoetti 2 , Arnold Pompos 1，Mario Ciocca 2，Todd A. Aguilera 1，Michael D.故事1，＃，$和Anthony J. Davis 1，＃
temstapro：使用蛋白质语言模型的序列表示蛋白质热稳定性预测
结果：我们应用了转移学习的原理，以使用输入蛋白序列从蛋白质语言模型（PLM）产生的嵌入来预测蛋白质的热稳定性。我们使用了在数亿个已知序列上进行训练的大PLM。使用此类模型的嵌入使我们能够使用超过一百万个序列序列训练和验证高性能的预测方法，我们从具有注释的生长温度的生物体中收集了超过一百万个序列。我们的方法Temstapro（蛋白质的稳定温度）用于预测CRISPR-CAS II类效应蛋白（C2EPS）的热稳定性。预测表明，在热稳定性方面，C2EP组之间的差异很大，并且很大程度上与先前发表，并且我们新获得的实验数据。