XiaoMi-AI文件搜索系统
World File Search System深层
深层多个聚合网络用于行动识别
已评估了部分N-甲基-D-天冬氨酸受体（NMDAR）激动剂D-环甲烯（DCS），用于治疗多种精神疾病，包括痴呆，精神分裂症，抑郁症，抑郁症和暴露基于心理治疗的增强。大多数DC的潜在精神科应用（如果不是全部）的目标是增强或恢复认知功能，学习和记忆。它们的分子相关性是长期的突触可塑性；许多形式的突触可塑性取决于NMDA受体的激活。在这里，我们全面研究了通过DCS及其机制对海马中不同形式的突触可塑性的调节。我们发现，DCS在幼年大鼠的海马脑切片中阳性长期突触可塑性（长期突触增强，LTP和长期突触抑制）的长期突触可塑性（长期突触增强，LTP和长期突触抑制）的形式进行了正面调节。dcs与NMDAR的D-塞林/甘氨酸结合位点结合。对该部位的药理抑制作用阻止了LTP的诱导，而D-塞林/甘氨酸结合位点的激动剂增强了LTP，并且可以用功能代替LTP诱导范围。内源性D-丝氨酸最可能的起源是星形胶质细胞，其胞吐作用受星形胶质细胞代谢性谷氨酸受体（MGLUR1）调节。因此，NMDAR中的D-丝氨酸/甘氨酸结合位点是针对可塑性相关疾病的心理药物干预措施的主要目标。在与突触后神经元相邻的星形胶质细胞中的星形胶质细胞的功能消除，MGLUR1受体的抑制和G蛋白信号传导，阻止了NMDAR依赖性LTP和LTD的诱导。我们的结果支持增强DC和D-塞林介导的Gliotransersiss的双向依赖性海马突触可塑性的双向范围。
使用多项式混乱扩展和深层生成网络
马尔可夫链蒙特卡洛（MCMC）方法的实现需要面对两个有趣的挑战：准确表示先验信息和可能性功能的效果。通常可以通过标准减少维度降低技术（例如主成分分析（PCA））来促进先前分布的定义和采样。此外，基于PCA的分解可以基于多项式混沌扩展（PCE）实现准确的替代模型。wever，具有鲜明对比的内在地质先验可能需要先进的维度减少技术，例如深生成模型（DGM）。尽管适用于先前的抽样，但这些DGM对替代建模构成了挑战。在此贡献中，我们提出了一种MCMC策略，该策略将DGM的高重建性能以变量自动编码器的形式与PCA – PCE替代建模的准确性相结合。此外，我们还引入了一个具有物理信息的PCA分解，以提高准确性并减少与替代建模相关的综合负担。在使用通道的子表面结构的贝叶斯地面雷达旅行时间断层扫描的背景下，我们的方法是例证的，提供了准确的重建和显着的加速速度，尤其是当全相正向模型的计算计算时。
浅层和深层处理——外语学习的综合认知架构
摘要本文旨在提出一种在外语学习背景下整合浅层和深层处理技术的架构。自从 Craik 和 Lockhart 于 1972 年首次提出“处理层次”的概念以来，专门文献一直在尝试复制这种基于认知的架构，以找到它在不同领域的应用。为了填补试图“结合”语言学习和心理语言学的文献中的现有空白，本研究提供了一个额外的认知神经科学视角来理解促进有效语言学习的浅层和深层处理编码机制。本研究将从一份关于激活的认知过程在外语习得和学习中的作用的简短理论报告开始，提出一些综合的教学建议，以促进学习者在课堂上有效地处理 L2 数据。
系统地交付了深层组织纳米镜头光源
摘要 - 灯在控制和观察生物学过程中广泛用于生命科学中，但是在组织内部使用光的长期挑战在于可见光的渗透深度有限。在过去的十年中，已经开发了许多使用光子学和材料科学工具的体内光递送方法，最近证明了基于系统传递的发光纳米材料的非侵入性，深度组织光源。从这个角度来看，我们提供了插入式纳米光源原理的概述，并讨论了它们的优势，而不是现有的体内光传递方法。然后，我们强调了它们最近在现场动物中的光遗传学神经调节和荧光成像中的应用。我们还提供了一个展望部分，介绍了将这些非侵入性光源与其他模式相结合以扩大生物学中光的实用性的可行性。
深层生成模型用于功能蛋白的分析和工程
蛋白质是通过各种功能，从结构支持到催化生化反应的不同功能来维持生命的重要生物分子。它们的催化效率使它们对于工业应用来说是无价的，在这些应用中，它们通常需要优化才能在特定条件下运行。虽然实验和计算方法在蛋白质工程方面取得了进展，但由于蛋白质结构和功能的复杂性，不存在通用方法。机器学习的最新进展通过利用大量蛋白质序列数据提供了新的可能性。然而，仍然存在关键挑战，包括描述酶活性和热稳定性等基本特性的高质量标签的有限可用性和不均匀分布。解决这些问题对于开发能够精确特征选择的模型至关重要。我的工作重点介绍了蛋白质工程的两个关键步骤：多样化和选择。为了改善选择，使用转移学习，数据增强和蛋白质语言模型（PLM）开发了深度学习模型，以预测物理和功能特性，例如熔化温度，酶温，蛋白质丰度和体外活性。这些模型不仅可以实现精确的性状选择，而且还提供了有关序列，热适应性和构象稳定性之间关系的见解。为了多样化，创建了一个深层生成模型，以捕获自然序列多样性并扩展其以生成跨蛋白质家族的新型变体库。这种方法优先考虑功能序列，并允许具有增强特性的蛋白质的靶向工程。超越了一般序列的生成，开发了一个框架来创建针对特定性状优化的变体池，例如增加的热稳定性。通过整合这些进步，我们从各种野生型序列中设计了功能性蛋白质变体，达到熔化温度的36°C升高。这项工作突出了生成机器学习的潜力，以完善和加速蛋白质工程周期，为更高效，更可扩展的生物技术应用铺平了道路。
一种基于神经网络的深层癫痫病识别癫痫患者的方法
癫痫是由癫痫发作引起的最常见的神经系统疾病之一，也是中风后第二大普遍的神经系统疾病，影响了全球数百万的人。患有癫痫病的人被认为是残疾人的类别。它会大大损害一个人执行日常任务的能力，尤其是那些需要集中或记住的任务。脑电图（EEG）信号通常用于诊断癫痫患者。但是，这是乏味的，耗时的，并且遭受人类错误。已经应用了几种机器学习技术以识别癫痫病，但它们有一些局限性。本研究提出了一个深神网络（DNN）机器学习模型，以通过提高癫痫疾病的识别效率来确定先前研究的现有局限性。本研究中使用了公共数据集并将其分类为培训和测试集。进行了实验以评估不同数据集分类比（80:20），（70:30），（60:40）和（50:50）的DNN模型，分别用于培训和测试。通过使用不同的性能指标（包括验证）以及允许评估模型有效性的比较过程来评估结果。实验结果表明，与以前的作品相比，所提出的模型的总体效率最高，精度为97％。因此，这项研究比现有的癫痫发作检测方法更准确，更有效。DNN模型使用数值EEG数据集识别癫痫患者活动的巨大潜力，该数据集提供了数据驱动的方法，以提高癫痫发作检测系统的准确性和可靠性，以改善患者护理和癫痫的治疗。
统一的 AI 框架揭示基因 1 之间的深层相互关系
（未经同行评审认证）是作者/资助者。保留所有权利。未经许可不得重复使用。此预印本的版权所有者此版本于 2020 年 12 月 1 日发布。；https://doi.org/10.1101/2020.11.30.404087 doi：bioRxiv 预印本
深层含水层的井下电磁加热用于可再生能源储存
摘要：电磁 (EM) 加热是一种将可再生能源（例如光伏太阳能和风能）储存到含水层的新兴方法。我们研究捕获的能量如何在六个月内提高原型深层含水层的温度，然后研究在连续六个月内可以回收储存的能量的程度。以恒定流速注入的水同时使用在 2.45 GHz 水自然共振频率下工作的高频电磁微波发射器加热。耦合的储层流和 EM 加热使用达西方程和能量平衡方程描述。后者包括一个考虑 EM 波传播和吸收的源项，使用麦克斯韦方程单独建模。这些方程通过 Galerkin 最小二乘有限元法进行数值求解。使用从受控实验室实验中获得的 EM 加热输入数据验证了该方法，然后将其应用于含水层。我们发现，经过六年的交替储存和回收，考虑到根据现场数据估算的实际热损失，注入能量的回收率高达 77%。即使热损失增加了两倍，在这种情况下，注入能量的回收率也高达 69%。这表明，井下电磁加热是一种非常有效的可再生能源储存方法，能够帮助解决其固有的间歇性问题。
可转移的深层生成模型的内在无序蛋白构象
本质上无序的蛋白质具有动态结构，它们扮演着关键的生物学作用。阐明其构象合奏是一个具有挑战性的问题，需要综合使用计算和实验方法。分子仿真是用于构建无序蛋白质结构集合但资源密集型的有价值的计算策略。最近，基于深层生成模型的机器学习方法已成为生成结构合奏的有效替代方法。但是，当训练数据中缺乏建模序列和构象时，此类方法当前的可传递性有限。在这里，我们开发了一种新型的生成模型，该模型可实现固有无序蛋白质集合的高水平可传递性。该方法称为IDPSAM，是基于变压器神经网络的潜在扩散模型。它结合了自动编码器，以学习蛋白质几何形状的表示和扩散模型，以在编码空间中采样新型构象。iDPSAM在使用Absinth隐式溶剂模型进行的大型模拟蛋白质区域的模拟数据集上进行了训练。由于其神经网络的表现力及其训练稳定性，Idpsam忠实地捕获了测试序列的3D结构集合，在培训集中没有相似之处。我们的研究还证明了从数据集中产生完全构象合奏的潜力，并强调了训练集大小对概括的重要性。我们认为，IDPSAM通过机器学习代表了可转移蛋白质集合建模的重大进展。
深层含水层的井下电磁加热用于可再生能源储存
摘要：电磁 (EM) 加热是一种将可再生能源（例如光伏太阳能和风能）储存到含水层的新兴方法。我们研究捕获的能量如何在六个月内提高原型深层含水层的温度，然后研究在连续六个月内可以回收储存的能量的程度。以恒定流速注入的水同时使用在 2.45 GHz 水自然共振频率下工作的高频电磁微波发射器加热。耦合的储层流和 EM 加热使用达西方程和能量平衡方程描述。后者包括一个考虑 EM 波传播和吸收的源项，使用麦克斯韦方程单独建模。这些方程通过 Galerkin 最小二乘有限元法进行数值求解。使用从受控实验室实验中获得的 EM 加热输入数据验证了该方法，然后将其应用于含水层。我们发现，经过六年的交替储存和回收，考虑到根据现场数据估算的实际热损失，注入能量的回收率高达 77%。即使热损失增加了两倍，在这种情况下，注入能量的回收率也高达 69%。这表明，井下电磁加热是一种非常有效的可再生能源储存方法，能够帮助解决其固有的间歇性问题。