XiaoMi-AI文件搜索系统
World File Search System相似性
大脑相似性是连接家庭混乱、养育子女和药物滥用的纵向通路中的保护因素
摘要背景：家庭环境和养育行为等社会生态因素会导致药物滥用。虽然生物行为同步被认为是可以调节环境对发展影响的适应力的基础，但大脑相似性在减轻环境背景有害影响方面的作用尚不清楚。我们测试了父母与青少年的神经相似性（父母与青少年功能性大脑连接之间的模式相似性水平，代表每个二元组中的协调水平）是否能调节家庭混乱（一种压力源）直接和通过父母监控间接预测青少年药物滥用的纵向通路。方法：在 70 对父母与青少年二元组样本中，使用多模式连接相似性估计确定了静息态大脑活动的相似性。青少年和父母报告了家庭混乱和父母监控的情况，并在 1 年的随访中评估了青少年药物滥用情况。结果：调节中介模型表明，对于神经相似性低但神经相似性不高的青少年，家庭混乱程度越高，直接或间接地通过父母监督程度越低来预测药物使用率越高。我们的数据还表明，家庭混乱和药物使用之间的总体关联存在不同的敏感性：神经相似性低的青少年在家庭混乱程度高的情况下表现出较高的药物使用率，而在家庭混乱程度低的情况下表现出较低的药物使用率。结论：神经相似性是一种保护因素，因此，父母与青少年之间的神经相似性可能会减轻家庭环境不佳和养育行为对青少年健康风险行为发展产生的不利影响。
患者相似性网络（CHDMAP）预测先天性心脏外科手术后的结局：发展和验证研究
背景：尽管基于证据的医学提出了个性化的护理，以考虑最好的证据，但在许多实际临床情况下，它仍然无法解决个人治疗，因为情况的复杂性不适用可用的证据。“基于医学的证据”（MBE）提出了大数据和机器学习技术，以从现实世界中的临床实践中从适当匹配的患者中得出治疗反应。但是，将这个概念框架转化为实践中仍然存在许多挑战。目的：本研究旨在将MBE概念框架从技术上转化为实践，并评估其在先天性心脏病（CHD）手术后为结果提供一般决策支持服务的表现。方法：收集了4774个CHD手术的数据。使用自然语言处理技术从每个超声心动图报告中提取了总共66个指标和所有诊断。结合了一些基本的临床和手术信息，每个患者之间的距离通过一系列计算公式进行测量。受结构映射理论的启发，不同维度之间距离的融合可以由临床专家调节。除了支持直接类似推理外，还可以基于类似患者来构建机器学习模型以提供个性化的预测。提出并开发了一个名为CHDMAP的CHD的患者相似性网络（PSN），以根据MBE方法提供一般决策支持服务。结果：使用256例CHD病例，对2种不同类型的术后预测预测任务进行了评估：二进制分类任务，以预测术后并发症和多个分类任务，以预测机械通风持续时间。与3位临床医生的平均表现相比，PSN提供的大多数相似患者的简单民意调查可以实现更好的预测结果。使用从PSN获得的类似患者构建逻辑回归模型可以进一步改善这两个任务的性能（接收器操作角色下的最佳区域 -
神经回归、表征相似性、啮齿动物视觉皮层中的模型动物学神经任务
深度神经网络作为小鼠视觉皮层模型的表现如何？迄今为止，大多数研究表明，结果远比灵长类动物视觉皮层建模的结果复杂得多。在这里，我们利用表征相似性分析和神经回归对小鼠视觉皮层中的数十个深度神经网络模型进行了大规模基准测试。利用艾伦大脑观测站的 2 光子钙成像数据集，记录了超过 6,000 个可靠的啮齿动物视觉皮层神经元对自然场景的反应，我们复制了以前的发现并解决了以前的差异，最终证明现代神经网络实际上可以比以前更合理地解释小鼠视觉皮层的活动。使用我们的基准作为图集，我们为有关分析水平的总体问题、有关最能预测整体视觉系统的模型属性的问题以及有关生物和人工表征之间映射的问题提供了初步答案。我们的研究结果为未来小鼠视觉皮层的深度神经网络建模提供了参考点，暗示了映射方法、架构和任务的新组合，以更全面地描述对神经科学如此重要的物种的视觉表征的计算主题，但其感知生理学和生态学与我们在灵长类动物中研究的有显著不同。
基于局部网络余弦相关性和相似性比较的新鲜天然药物分子靶点初筛
摘要背景：中药由数百种天然药物分子组成，在数千年的传统中医药中发挥着重要作用。因此，研究天然药物分子的靶点对探索中医药治疗疾病的机制具有重要意义。然而，由于药物分子与靶点相互作用的复杂性，确定一个新鲜的天然药物分子的靶点非常困难。与传统的生物实验相比，计算方法具有时间少、成本低的优势，但仍面临许多巨大的挑战，尤其是对于没有社会联系的分子。方法：本研究提出了一种基于余弦相关和局部网络相似性比较（CSLN）的新方法，对新鲜的天然药物分子进行靶点的初步筛选，并通过训练参数为它们分配权重。结果：在以药物分子为训练和测试对象的情况下，CSLN在金标准数据上的表现优于流行的药物-靶点相互作用（DTI）预测模型GRGMF。此外，CSLN 在 TCMSP 上对新鲜天然药物分子靶点筛选性能（情景模拟）的检测表现出色（top20 中有 13 个阳性样本），同时 Western-Blot 也进一步验证了 CSLN 的准确性。结论：综上所述，结果表明 CSLN 可以作为新鲜天然药物分子靶点筛选的替代策略。关键词：靶点筛选，新鲜天然药物分子，余弦相关，相似性比较，Western-Blot
spanseq：基于相似性的序列数据拆分方法，用于改善深度学习项目的开发和评估
摘要近年来，深度学习模型在计算生物学中的使用大大增加，预计它将继续随着自然语言诸如Rocessing等领域的当前进步。t hese模型虽然能够在输入和目标之间进行x关系，但也倾向于学习与de v elopment在其de v Elopment中使用的数据池的嘈杂偏差。为了评估他们在看不见的数据（其概括能力）上的性能，通常将A V ailable数据随机分为De V Elopment（Train / V Alidation）和测试集。该程序虽然标准表明，但由于所使用的数据库中的样本之间的现有相似性，因此已显示出对概括的可疑评估。在此w ork中，现在Spanseq，一种用于机器学习的数据库分区方法，可以扩展到大多数生物序列（基因，蛋白质和基因组），以便在集合之间进行V OID数据泄漏。我们还探讨了不限制相似之处的效果，从而重现了两种最先进模型对生物信息学上的de v elopment，不仅证实了随机分裂数据库对模型评估的后果，而且还扩大了这些对模型de V v epropment的影响。spanseq是https：// github.com/ genomicepidemiology/ spanseq。
基于相似性的目标钓鱼引擎 FastTargetPred 的新 ChEMBL 数据集：线性四肽详尽列表的注释
药物发现通常需要识别脱靶，因为化合物与预期靶标以外的靶标的结合在某些情况下可能是有益的，而在其他情况下可能是有害的（例如，与反靶标结合）。此类调查在项目的早期阶段也很重要，例如当靶标未知时（例如，表型筛选）。靶标识别可以在体外进行，但近年来也开发了各种计算机模拟方法，以促进靶标识别并帮助产生想法。FastTargetPred 就是这样一种方法，它是一个免费的 Python/C 程序，它尝试使用已建立的化学相似性搜索方法预测单个输入小分子查询或整个化合物集合的假定大分子靶标（即靶标钓鱼）。事实上，小化合物的假定大分子靶标可以通过识别来预测。
用户和体现的对话代理之间性别和外表的相似性对可信度，同理心和服务评估的影响
本论文（主人）是由达特茅斯数字共享的这些论文和论文免费带给您的。已被达特茅斯数字共享的授权管理人纳入达特茅斯学院硕士的论文。有关更多信息，请联系dartmouthdigitalcommons@groups.dartmouth.edu。
将药物-药物相似性添加到药物-靶标相互作用预测方法中是否会显著提高其效率？
摘要 预测药物-靶标相互作用 (DTI) 已成为一个重要的生物信息学问题，因为它是药物重新定位的关键和初步阶段之一。因此，科学家们正在尝试开发更准确的计算方法来预测药物-靶标相互作用。这些方法通常基于机器学习或推荐系统，并使用生物和化学信息来提高预测的准确性。在这些方法的背景下，有一个假设，即具有相似化学结构的药物具有相似的靶标。因此，药物之间的相似性作为化学信息被添加到计算方法中以改进预测结果。这里出现的问题是这种说法是否真的正确？如果是这样，应该使用什么方法来计算药物-药物化学结构的相似性？我们是否会从我们使用的任何 DTI 预测方法中获得同样的改进？在这里，我们研究了通过将药物-药物化学结构相似性添加到问题中可以实现的改进量。为此，我们考虑了不同类型的真实化学相似性、随机药物相似性、四个黄金标准数据集和四种最先进的方法。我们的结果表明，数据的类型和大小、用于预测相互作用的方法以及用于计算药物间化学相似性的算法都很重要，不能轻易地说增加药物相似性可以显著改善结果。因此，我们的结果可以为想要改进机器学习方法的科学家提供一份清单。
将药物-药物相似性添加到药物-靶标相互作用预测方法中是否会显著提高其效率？
大多数药物在临床试验的早期阶段就失败了，而且一种药物要想在市场上取得成功需要花费大量的时间和成本 [1, 2]。这些因素促使科学家们努力寻找更好、更便宜的方法来寻找合适的药物。解决这些问题最有效、最有趣的解决方案之一是药物重新定位 (也称为药物再利用)。药物重新定位确实可以加快研究速度，因为它省去了药物设计的早期阶段，但它也有缺点。例如，使用药物重新定位来确定用于治疗新疾病的药物剂量是这一观点面临的最重要挑战之一，因为该药物已经被考虑用于治疗另一种疾病，并且剂量特定。然而，这种观点已经找到了自己的地位，我们今天必须考虑它。
功率SIC MOSFET设备的失败降解相似性提交到短路应力和加速开关条件
2.2。方法论和实验结果，在每个脉冲之间，将重复的短路测试应用于DUT。测试条件为V ds = 600 V，V缓冲区= -5V/+18V和t情况=室温。已经进行了先前的研究[1，3]，以估计平均T SCWT（短路承受时间），约5 µs。找到了这段时间，设置了脉冲宽度的70％T SCWT（3.5 µs）的百分比。因此，防止热失控，然后防止了灾难性的排水量故障模式。SC中的所有测试设备仅显示栅极源降解。图2，第一个短电路事件（＃Cycle1，蓝线）和最后一个（＃Cycle400，红线）中的波形显示。在栅极电流（I G）上观察到的异常效应（电流凸起）可能是由于PCB（印刷板电路）寄生元件引起的电磁干扰以及相关的共同模式电流。