XiaoMi-AI文件搜索系统
World File Search System第四篇
深入学习和可解释的生物医学应用的人工智能
我们生活在AI快速发展的领域的时代，在该时代，AI技术已变成了许多域中必不可少的工具，包括生物医学图像分析。数字细胞学是一个涉及生物医学图像数据的领域，可以从AI技术中受益。AI技术通过减轻专业人士的负担和发现可能不会被人类注意到的专业人士的负担，为检测癌症等疾病的医学专家提供了巨大的潜力。但是，AI算法具有道德上的考虑因素和潜在的危害，需要关注和管理。认识到此问题在处理患者数据的应用中尤为重要，因为错误可能是由于错误引起的。另一个现有的问题是，患者数据通常会带来独特的挑战，这些挑战为用于处理此类信息的AI算法的发展增加了复杂性。本论文包含四篇论文，其中包括具有具有挑战性特性的数据的图像分类的方法，例如细颗粒标签的稀缺性和复杂的数据组成。重要的是，我们探索了能够解决AI缺乏解释性和信任的AI方法。本文中的四篇论文中的两篇是致力于对数据集的可解释的多个实例学习方法的可行端到端培训，每个患者的数据大量数据，例如细胞学数据。本文的其他论文之一中介绍的研究工作侧重于应用可解释的AI方法来分析现实世界中的细胞学数据以进行癌症检测。以数字细胞学公共可用数据集的短缺以及在现实世界中数字图像细胞学数据中缺乏细粒度标签的稀缺性，我们研究了合成数据在AI方法分析中的作用。在第四篇论文中，我们探讨了AI方法的功能，以与研究条件相关的信息的稀疏分析数据。这个研究问题对于回答基于细胞学的早期癌症检测很重要。我们的发现表明，尽管图像细胞学数据分析带来了挑战，但AI方法可以通过提供可能对他们有价值的信息来帮助医疗专家发挥重要作用。
腺苷酸环化酶异构体作为潜在药物靶点
腺苷酸环化酶 (AC) 是重要的信号酶，可催化三磷酸腺苷 (ATP) 转化为第二信使环磷酸腺苷 (cAMP)。cAMP 具有多种细胞功能，可转化为生理结果。AC 种类繁多，有 10 种亚型，通过多种不同的机制进行调节 (Ostrom 等人，2022 年)。例如，G 蛋白偶联受体 (GPCR) 的激活（近三分之一的 FDA 批准药物都针对该受体）会直接通过 G 蛋白亚基以及第二信使信号通路调节 AC 的活性 (Ostrom 等人，2022 年；Santos 等人，2017 年)。因此，令人惊讶的是，尽管许多药物间接调节 AC 活性，但市场上却没有旨在直接调节 AC 亚型的药物。本研究主题的目的是突出和汇编最近针对 AC 亚型的治疗策略开发的努力。该研究主题有九篇不同的文章。所有四篇原始研究文章的共同主题是腺苷酸环化酶 1 (AC1)。其中两篇文章强调了 AC1 在疼痛和伤害感受中的作用。Giacoletti 等人表明，选择性 AC1 抑制剂 ST034307（Brust 等人，2017 年）在几种不同的小鼠疼痛模型中有效。Johnson 等人还使用 ST034307 和 AC1 敲低来表明，降低 AC1 活性的两种策略都会产生镇痛效果并减轻小鼠吗啡引起的痛觉过敏。这些文章还表明，抑制/敲低 AC1 不会导致镇痛耐受性或正常小鼠行为的严重破坏。Dwyer 等人的文章重点介绍了发现 AC1 抑制剂的新策略。作者报告了 AC1 抑制剂的新型小分子支架，并提供了调整 AC1/AC8 选择性和抑制效力的 SAR 信息。第四篇原创研究文章由 Bose 等人撰写，重点研究了 AC1 在窦房结中调节心率的作用。作者还使用了 ST034307，并表明 AC1 抑制降低了豚鼠组织制剂中苯肾上腺素的正性变时性作用。这些
参议院国防法案标志着联邦基础性辩论
随着参议院拨款委员会国防开支法案的近期发布，所有四个国防委员会现在都已为 2025 年国防预算做出了成绩。1 2 参议院拨款委员会跟随参议院军事委员会的授权同事，打破了《财政责任法》的上限，以 28 比 0 的投票通过了比总统预算 (PB) 请求和上限高出 215 亿美元的预算。3 4 5 参议院拨款委员会已将国防预算请求中的各种未获资金的需求和短缺指定为紧急支出，而这些预算被广泛认为低于国家安全需求。参议院授权委员会以 22 比 3 的投票通过了比 PB 高的 374 亿美元，还优先考虑了各种存在短缺的项目和活动，但在显著领域与拨款委员会的意见存在偏差。6 接下来是一系列文章中的第四篇，简要分析了这些标记、它们之间的比较以及它们与 PB 的比较。虽然本报告重点关注参议院授权人和拨款人之间的差异，但下一步重要的是众议院和参议院之间的会议，以解决两院之间的关键分歧点，并制定最终措施。这些差异中最重要的将是国防顶线，参议院现在已为此设定了一个比众议院高出 215 亿美元至 374 亿美元的标记，这表明需要就联邦支出优先事项进行基础性讨论。值得注意的是，以下分析不包括前几年的撤销，并按比例分配未分配资金。因此，所有数字可能与委员会新闻稿不符，但它们有助于突出重大决定和影响。表 1 显示了总体收入范围内各军种的资金情况。尽管每个军种获得的资金都超过了 PB，但参议院授权人对海军和空军的慷慨程度要高于拨款人，考虑到排名靠前的授权人参议员 Roger Wicker 提出的国防投资计划，这也许并不奇怪。7 与 PB 相比，很难对这两个委员会的优先事项做出许多有意义的观察，因为除了几个明显的例外，这两个委员会都全面增加了资金。授权人削减了太空部队 O&M、国防和海军陆战队采购以及空军 RDTE。拨款人总体上削减了 MILPERS，特别是空军 RDTE，使得 AF RDTE 成为参议院评分中与 PB 相比最大的输家。如表 2 和表 3 所示，这些表按拨款项目和项目组成部分细分了国防预算，参议院授权方和拨款方之间的一致性比 160 亿美元的差异所表明的要高。大部分美元价值差异在于太平洋地区为空军和海军指定的紧急建设。除此之外，授权方还为军事人员（主要是空军和海军）提供了 15 亿美元，为采购和研究/开发（同样，主要是空军和海军）提供了近 20 亿美元。拨款方为运营和维护 (O&M) 账户提供的资金比授权方多，强调设施维持，
激烈的自然资源冲突
摘要 科学界普遍认为，自然资源在暴力冲突中发挥着重要作用。资源的稀缺性和丰富性都会导致暴力冲突，这取决于当时的社会经济和政治条件。因此，自然资源的关键性可能比稀缺性或丰富性更能描述与暴力冲突的联系。然而，研究难以揭示导致自然资源冲突的确切社会环境机制。因此，自然资源管理干预措施在预防冲突和建设和平方面效果有限。本论文的总体目标是促进对暴力自然资源冲突潜在机制的理解，以有效预防冲突。本论文重点关注 1989 年以来国家内部的暴力自然资源冲突，因为随着冷战的结束，武装冲突的性质越来越多地转向国内冲突。我提出以下问题：（1）什么是关键的自然资源？（2）考虑到复杂的社会经济和政治背景，自然资源和暴力冲突在数量上是否相关？（3）将自然资源与暴力冲突联系起来的核心社会环境因果途径是什么？ (4) 有哪些机会可以防止因资源使用而引发的暴力冲突？采用了多种方法，包括系统文献综述、文本数据的开放编码、使用逻辑回归和机器学习技术的预测模型、因果网络映射以及因果图的网络分析。第一篇论文通过定义自然资源冲突并描述分析它们的三个分析视角（通过资源特征、冲突周期和地理尺度）从理论上阐述了这一论点。本论文的第二篇论文表明，现有的对关键自然资源的描述过分强调其经济重要性，而忽视了生态系统支持和自然资源的社会文化功能；与可再生能源相比，不可再生资源的比例过高。因此，它提出了一种新的、整体的自然资源关键性定义，该定义基于人类需求的层次结构，而不仅仅是经济价值。第三和第四篇论文证实了自然资源变量在数值预测冲突方面的重要性，尽管它们的影响通常受到中间社会经济变量的影响。更具体地说，水和食物等可再生能源是冲突的重要预测因素，而非可再生能源的重要性则不如先前的研究表明的那样。在所有确定的社会环境相互作用中，粮食生产与其经济和人口背景之间的相互作用最为密切。第五篇论文确定了自然资源冲突的因果路径上的关键结构点，这些结构点可能有助于有效预防冲突。为了将冲突的恶性循环扭转为和平的良性循环，我的分析发现，必须改善国家和自然资源管理机构，平衡资源的供应和需求，限制人口流动，并确保足够的生计。我的分析进一步发现，资源开发及其产生的收入以及环境保护和遏制环境恶化可以稳定和平局势。
特刊：人工智能中的生成模型及其应用
近年来，人工智能已用于生成大量高质量数据，如图像、音乐和视频。由于不同机器学习技术（如人工神经网络）性能的提高，如此大量的合成数据得以生成。考虑到人们对这一领域的兴趣日益浓厚，最近提出了用于自动数据生成和增强的新技术。例如，生成对抗网络 (GAN) 及其变体是当今该研究领域的流行技术。合成数据的创建也是通过基于进化的技术实现的，例如在多媒体工件创建的背景下。本社论总结了在特刊 (SI)“人工智能中的生成模型及其应用”背景下发表的研究论文。本期特刊由两位客座编辑负责：来自里斯本新大学（葡萄牙）的 Mauro Castelli 和来自的里雅斯特大学（意大利）的 Luca Manzoni。该特刊旨在收集人工智能生成模型领域的新贡献，重点关注它们在解决不同领域复杂的现实问题中的应用。在第一篇论文“Daydriex：将夜间场景转化为夜间日间驾驶体验” [ 1 ] 中，作者提出了一种处理流程，以生成专注于道路视图的增强型日间转换。关键思想是使用与街景服务输入图像相对应的现有日间图像来补充输入图像帧中暗区的缺失信息。第二篇论文“Fake It Till You Make It：有效合成数据生成指南” [ 2 ] 涉及对各种合成数据生成方法的评估。更详细地讲，作者研究了 (i) 数据预处理对生成的合成数据效用的影响，(ii) 在生成监督机器学习模型时是否应对合成数据集进行调整，(iii) 共享初步机器学习结果是否可以改进合成数据模型，以及 (iv) 一种效用度量（倾向得分）是否可以预测在现实生活中使用合成数据生成的机器学习模型的准确性。作者进行的分析有助于定义一些在生成和使用合成数据时应遵循的最佳策略指南。在第三篇投稿“使用多重插补集成和生成对抗网络生成济州传统饮料 Shindari 的合成发酵数据” [ 3 ] 中，作者提出了一个模型，该模型以 Shindari（一种传统的韩国饮料）的不完整表格发酵数据作为输入，并使用多重归纳集成 (MIE) 和生成对抗网络 (GAN) 来生成合成发酵数据，这些数据以后可用于预测和微生物腐败控制。为了生成合成数据，作者使用跳过连接重新建模了表格 GAN，并使用梯度惩罚调整了 Wasserstein GAN 的架构。最后，他们将所提模型的性能与其他归纳和集成模型进行了比较，证明了所提模型适合当前任务。在第四篇投稿“使用形式语法