XiaoMi-AI文件搜索系统
World File Search System结合
通过结合机器学习和超高通量筛选，工程高度活跃和多样化的核酸酶酶
优化酶在新型化学环境中起作用是合成生物学具有广泛应用的核心目标。在这项工作中，我们通过使用机器学习（ML）从超高通知功能屏幕中融合进化信息和实验数据来开发一种技术，用于设计蛋白质变体的活跃和多样化的蛋白质变体库。我们在多轮运动中验证了我们的方法，以优化NUCB的活性，nucB的活性，核酸酶酶在慢性伤口的治疗中应用。我们将我们的ML引导运动与维特罗定向进化（DE）和尼里科（Silico In-Silico）命中重组（HR）的平行运动进行了比较。ML引导的运动发现了数百种高度活跃的变体，最多有19倍的核酸酶活性改善，表现优于DE发现的12倍改进，并且在命中率和多样性方面表现出色。我们还表明，仅在进化数据上训练的模型而无需访问任何实验数据，就可以比传统的初始图书馆生成方法以明显高的速率设计功能变体。为了推动ML引导酶设计的未来进展，我们策划了一个55K多种变体的数据集，这是迄今为止最广泛的基因型 - 表型酶活性景观之一。数据和代码可在以下网址提供：https：//github.com/google-deepmind/nuclease_design。
将环境DNA与遥感变量相结合，以绘制沿着大河的鱼类分布
河流生态系统中的生物多样性丧失速度要比限制系统更快，更严重，并且需要空间保护和恢复计划来停止这种侵蚀。关于生物多样性和物种分布的状态和变化的可靠且高度解决的数据对于有效措施至关重要。的高分辨率图仍然有限。与全球卫星传感器的耦合数据具有广泛的环境DNA（EDNA）和机器学习可以实现河流生物分布的快速而精确的映射。在这里，我们研究了使用沿瑞士和法国Rhone River的110个地点的埃德纳数据集组合这些方法的潜力。使用Sentinel 2和Landsat 8图像，我们产生了一组生态变量，描述了河走廊周围的水生栖息地和陆地栖息地。我们将这些变量与基于EDNA的存在和29种鱼类的不存在数据相结合，并使用了三种机器学习模型来评估这些物种的环境适用性。大多数模型表现出良好的性能，表明从遥感中得出的生态变量可以近似鱼类分布的生态决定因素，但是水衍生的变量比河流周围的陆地变量具有更强的关联。物种范围的映射表明该物种沿着瑞士的物种占用物的显着转移，从其瑞士阿尔卑斯山的来源到法国南部的地中海出口。我们的研究消除了将遥感和EDNA结合到大河中物种分布的可行性。该方法可以扩展到任何大河以支持保护方案。
ESC的心脏细胞生物学工作组：心血管研究的位置纸：组织工程策略与细胞疗法相结合的缺血性心脏病和心力衰竭
使用在实验室设置之外记录的脑电图构建机器学习模型，需要对嘈杂的数据和随机丢失的渠道进行健全的方法。在使用稀疏的脑电图蒙太奇（1-6个频道）时，这种需求尤其重要，通常在消费级或移动脑电图设备中遇到。通常在EEG端到端训练的经典机器学习模型通常都经过设计或测试，以实现腐败的鲁棒性，尤其是针对随机缺失的渠道。 一些研究提出了使用具有缺失通道的数据的策略，但是当使用稀疏蒙太奇并且计算能力受到限制时（例如，可穿戴设备，手机），这些方法是不切实际的。 为了解决这个问题，我们提出了动态空间过滤（DSF），这是一个多头注意模块，可以在神经网络的第一层之前插入，以通过学习专注于良好的频道并忽略不良的频道来处理缺失的EEG通道。 我们在公共脑电图数据上测试了DSF，其中包含约4,000张录音，并在模拟的频道腐败和约100个私人数据集中进行了大约100张自然损坏的移动脑电图记录。 我们提出的方法在没有噪声时达到了与基线模型相同的性能，但是当存在显着的通道损坏时，优于基准的精度高达29.4％。 此外，DSF输出是可以解释的，可以实时监视频道的重要性。 这种方法有可能使脑电图分析在挑战性的环境中，因为通道腐败阻碍了大脑信号的阅读。通常在EEG端到端训练的经典机器学习模型通常都经过设计或测试，以实现腐败的鲁棒性，尤其是针对随机缺失的渠道。一些研究提出了使用具有缺失通道的数据的策略，但是当使用稀疏蒙太奇并且计算能力受到限制时（例如，可穿戴设备，手机），这些方法是不切实际的。为了解决这个问题，我们提出了动态空间过滤（DSF），这是一个多头注意模块，可以在神经网络的第一层之前插入，以通过学习专注于良好的频道并忽略不良的频道来处理缺失的EEG通道。我们在公共脑电图数据上测试了DSF，其中包含约4,000张录音，并在模拟的频道腐败和约100个私人数据集中进行了大约100张自然损坏的移动脑电图记录。我们提出的方法在没有噪声时达到了与基线模型相同的性能，但是当存在显着的通道损坏时，优于基准的精度高达29.4％。此外，DSF输出是可以解释的，可以实时监视频道的重要性。这种方法有可能使脑电图分析在挑战性的环境中，因为通道腐败阻碍了大脑信号的阅读。
靶向MYC与表观遗传调节剂结合使用，在MLLR白血病中诱导协同的抗白血病作用，并同时提高免疫力
mll重排（MLL R）白血病与预后不良和对常规疗法的反应有限有关。此外，化学疗法会导致严重的侧面影响，并严重受到免疫系统的损害。因此，必须识别新型治疗策略。最近，我们通过使用簇状的定期插入的短篇小学重复序列（CRISPR）/cas9在CD34 +细胞中诱导CD34 +细胞中的染色体重排，开发了人类MLL RR白血病模型。该MLL R模型的真实性模仿患者白血病细胞，可用作新型治疗策略的平台。我们模型的 RNA测序揭示了MYC是促进造成发生的最重要的关键驱动因素之一。 然而，在临床试验中，BRD4抑制剂JQ-1导致间接阻断MYC途径仅显示适度的活动。 我们和其他人以前报道说，靶向MAT2A或PRMT5的表观遗传药物促进了MLL R细胞中的细胞死亡。 因此，我们将这些药物与JQ-1结合使用，从而增强了抗白血病效应。 更重要的是，我们发现T，NK和INKT细胞的激活，免疫调节细胞因子的释放以及抑制剂治疗后PD-1/PD-L1轴的下调导致细胞毒性提高。 总而言之，MYC和MAT2A或PRMT5的抑制作用驱动了MLL RL白血病的强大协同抗白血病活性。 此外，在组合抑制剂治疗后同时激活免疫系统，从而进一步提高了治疗效率。RNA测序揭示了MYC是促进造成发生的最重要的关键驱动因素之一。然而，在临床试验中，BRD4抑制剂JQ-1导致间接阻断MYC途径仅显示适度的活动。我们和其他人以前报道说，靶向MAT2A或PRMT5的表观遗传药物促进了MLL R细胞中的细胞死亡。因此，我们将这些药物与JQ-1结合使用，从而增强了抗白血病效应。更重要的是，我们发现T，NK和INKT细胞的激活，免疫调节细胞因子的释放以及抑制剂治疗后PD-1/PD-L1轴的下调导致细胞毒性提高。总而言之，MYC和MAT2A或PRMT5的抑制作用驱动了MLL RL白血病的强大协同抗白血病活性。此外，在组合抑制剂治疗后同时激活免疫系统，从而进一步提高了治疗效率。
与IL-18结合蛋白的相关性，而不是铁蛋白
抽象背景/目标：头部和颈部鳞状细胞癌（HNSCC）是上层机构消化道的侵略性上皮恶性肿瘤，与存活不良有关。作为HNSCC微环境的一部分，白介素18（il -18）/il -18结合蛋白（IL -18BP）信号传导越来越有趣，因为潜在的生物标志物和治疗靶标。然而，在HNSCC患者的免疫学环境中，IL -18BP的全身表达水平仍未得到探索。材料和方法：在34例HNSCC患者（在无线电）治疗过程中，在34例HNSCC患者中，在34例HNSCC患者中进行了与临床治疗的HNSCC患者相关的诸如C型反应性蛋白，急性相蛋白铁蛋白和IL -18的ELISA测量。结果：与健康对照组相比，HNSCC患者的血浆IL -18bp浓度显着升高，并且在治疗前后与IL -18水平密切相关。然而，同样升高的血浆铁蛋白水平与IL -18或IL -18BP无关。值得注意的是，治疗后IL − 18BP和IL 18水平的变化表现出良好的平衡，表明功能反馈机制。结论：结果表明，HNSCC中有强大的IL -18/IL -18BP反馈调节，这可能有助于肿瘤细胞逃避抗肿瘤免疫反应。这种平衡不受放射疗法或化学放疗的影响，强调了IL -18BP作为治疗靶标的潜力和HNSCC的预后生物标志物。关键字：HNSCC，IL -18-结合蛋白，白介素18，铁蛋白，液体生物标志物。
均质抗体 - 药物结合物：通过在隔离轻链上获得的偶联而获得的DAR 2抗HER2，然后是mAb组装
hal是一个多学科的开放访问档案，用于存款和传播科学研究文件，无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
对放射疗法的回顾性研究结合了非小细胞肺癌基线脑转移患者的免疫疗法
这项多中心回顾性研究旨在评估一线免疫疗法在非小细胞肺癌（NSCLC）患者脑转移（BM）患者中的安全性和功效。该研究包括138例接受免疫检查点抑制剂（ICI）的患者，无论是单独或与脑放射疗法（BRT）联合使用，从2020年至2023年10月。颅内总体反应率（IORR），总反应率（ORR），无进展生存率（PFS），颅内进展的无生存率（IPF），总生存率（OS）和与治疗相关的毒性。尽管与仅ICI相比，接受ICIS Plus BRT的患者显示出更长的OS趋势，但差异在统计学上并不显着（P = 0.201）。在82例具有可用数据的患者中，ICIS组中的IORR为49.1％（35-63），ICIS + BRT组为75.9％（56-90）。值得注意的是，在需要皮质类固醇或甘露醇的患者中，联合疗法与更好的预后有关（P = 0.05）。我们发现，用ICIS + BRT治疗的患者的IORR得到了改善，并且没有增加严重不良事件（SAE）的发生率。此外，ICI和BRT的组合提高了使用皮质类固醇的患者亚组的存活率。
通过几何深度学习提高MHC-I结合肽预测的概括性
肽与主要组织相容性复合物（MHC）分子之间的相互作用在自身免疫，病原体识别和肿瘤免疫方面是关键的。癌症免疫疗法的最新进展需求需要更准确的MHC结合肽计算预测。我们解决了与MHC结合的肽预测的普遍性挑战，从而揭示了当前基于序列的方法的局限性。我们利用几何深度学习（GDL）的基于结构的方法表明，在看不见的MHC等位基因的普遍性方面有望提高。此外，我们通过在结构（3D-SSL）上引入一种自我监督的学习方法来解决数据效率。在不暴露于任何绑定亲和力数据的情况下，我们的3D-SSL优于基于序列的方法，该方法在〜90倍的数据点上训练。最后，我们证明了基于结构的GDL方法对乙型肝炎病毒疫苗免疫肽疗法案例研究的结合数据的偏见。这项概念验证研究强调了基于结构的方法增强通用性和数据效率的潜力，对数据密集型领域（如T细胞受体特异性预测预测）具有重要意义，为增强对免疫反应的理解和操纵铺平了道路。
朝着更有效的白色念珠菌BDF1的更有效的咪唑吡啶抑制剂：建模结构水在选择性配体结合
[1] B. J. Kullberg，M。C。Arendrup，N。Engel。J. Med。 2015，373（15），1445。 [2] F. Bongomin，St.Gago，R。Oladele，D。W。Denning，J. 2017 Fungi，3，4。 [3] B. Halford，化学。 eng。 新闻2021，99，7。 [4] HH Kong，J。 A. City，2020 Science，368（6489），365。 [5] R. Rajendran，L。Sherriff，A。Sherriff，A。M。Johnson，M。F。Hanson，C。Williams，C。A。A. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. Ramage，Clin。 微生物。 感染。 2016，22（1），87。 D. R. Giaciobbe，A。E。E. [7]控制与预防。 Auris候选人。 https：//www.cdc.gov/candidal/underx.html。 访问2021。 [8] J. A. Moderns，临床。 微生物。 感染。 2004，10（补充1），1。 [9] M. W. Pound，M。L。Townsend，V。Dimondy，D。Wilson，R。H。Drew，Med。 mycol。 2011，49（6），561。 [10] D. Maubon，C。Garnaud。 2014，40（9），1241。 [11] M. Canutonian Mass，F。GutierezRode，Infect。 dis。 2002，2（9），550。 M. C. Fisher，N。J. J. Hawkins，D。 [13]社论。 nat。 微生物。 2017，2（8），17120。 [14] A. G. Coach，A。R。Conery，R。J。Sims，第三，Nat。J. Med。2015，373（15），1445。 [2] F. Bongomin，St.Gago，R。Oladele，D。W。Denning，J. 2017 Fungi，3，4。 [3] B. Halford，化学。 eng。 新闻2021，99，7。 [4] HH Kong，J。 A. City，2020 Science，368（6489），365。 [5] R. Rajendran，L。Sherriff，A。Sherriff，A。M。Johnson，M。F。Hanson，C。Williams，C。A。A. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. Ramage，Clin。 微生物。 感染。 2016，22（1），87。 D. R. Giaciobbe，A。E。E. [7]控制与预防。 Auris候选人。 https：//www.cdc.gov/candidal/underx.html。 访问2021。 [8] J. A. Moderns，临床。 微生物。 感染。 2004，10（补充1），1。 [9] M. W. Pound，M。L。Townsend，V。Dimondy，D。Wilson，R。H。Drew，Med。 mycol。 2011，49（6），561。 [10] D. Maubon，C。Garnaud。 2014，40（9），1241。 [11] M. Canutonian Mass，F。GutierezRode，Infect。 dis。 2002，2（9），550。 M. C. Fisher，N。J. J. Hawkins，D。 [13]社论。 nat。 微生物。 2017，2（8），17120。 [14] A. G. Coach，A。R。Conery，R。J。Sims，第三，Nat。2015，373（15），1445。[2] F. Bongomin，St.Gago，R。Oladele，D。W。Denning，J.2017 Fungi，3，4。[3] B. Halford，化学。eng。新闻2021，99，7。[4] HH Kong，J。A. City，2020 Science，368（6489），365。[5] R. Rajendran，L。Sherriff，A。Sherriff，A。M。Johnson，M。F。Hanson，C。Williams，C。A。A. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. Ramage，Clin。 微生物。 感染。 2016，22（1），87。 D. R. Giaciobbe，A。E。E. [7]控制与预防。 Auris候选人。 https：//www.cdc.gov/candidal/underx.html。 访问2021。 [8] J. A. Moderns，临床。 微生物。 感染。 2004，10（补充1），1。 [9] M. W. Pound，M。L。Townsend，V。Dimondy，D。Wilson，R。H。Drew，Med。 mycol。 2011，49（6），561。 [10] D. Maubon，C。Garnaud。 2014，40（9），1241。 [11] M. Canutonian Mass，F。GutierezRode，Infect。 dis。 2002，2（9），550。 M. C. Fisher，N。J. J. Hawkins，D。 [13]社论。 nat。 微生物。 2017，2（8），17120。 [14] A. G. Coach，A。R。Conery，R。J。Sims，第三，Nat。[5] R. Rajendran，L。Sherriff，A。Sherriff，A。M。Johnson，M。F。Hanson，C。Williams，C。A。A. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. Ramage，Clin。微生物。感染。2016，22（1），87。 D. R. Giaciobbe，A。E。E. [7]控制与预防。 Auris候选人。 https：//www.cdc.gov/candidal/underx.html。 访问2021。 [8] J. A. Moderns，临床。 微生物。 感染。 2004，10（补充1），1。 [9] M. W. Pound，M。L。Townsend，V。Dimondy，D。Wilson，R。H。Drew，Med。 mycol。 2011，49（6），561。 [10] D. Maubon，C。Garnaud。 2014，40（9），1241。 [11] M. Canutonian Mass，F。GutierezRode，Infect。 dis。 2002，2（9），550。 M. C. Fisher，N。J. J. Hawkins，D。 [13]社论。 nat。 微生物。 2017，2（8），17120。 [14] A. G. Coach，A。R。Conery，R。J。Sims，第三，Nat。2016，22（1），87。D. R. Giaciobbe，A。E。E.[7]控制与预防。Auris候选人。https：//www.cdc.gov/candidal/underx.html。访问2021。[8] J.A. Moderns，临床。微生物。感染。2004，10（补充1），1。[9] M. W. Pound，M。L。Townsend，V。Dimondy，D。Wilson，R。H。Drew，Med。mycol。2011，49（6），561。[10] D. Maubon，C。Garnaud。2014，40（9），1241。[11] M. Canutonian Mass，F。GutierezRode，Infect。dis。2002，2（9），550。M. C. Fisher，N。J. J. Hawkins，D。[13]社论。nat。微生物。2017，2（8），17120。 [14] A. G. Coach，A。R。Conery，R。J。Sims，第三，Nat。2017，2（8），17120。[14] A. G. Coach，A。R。Conery，R。J。Sims，第三，Nat。修订版Discov。2019，18（8），609。 [15] E. Ferri，C。What，C。E. McKenna，Biochem。 Pharmacol。 2016，106，1。 F. Mietton，E。Ferri，M。Champel，N。Zala，D。Maubon，Y。 A. Kashemirov，M。Hull，M。Cornet，C。McKenna，J。Govin，C。Petosa，Nat。 公社。 2017，8，15482。 [17] C. Y. Wang，P。Filipaposole，趋势生物化学。 SCI。 2015，40（8），468。 [18]圣卡里亚斯（St. Callias），Y. P. Chhen，Discov。 今天，2011年，16（17 - 18），831。 [19] St. J. Macanoin，V。Gosu，St. Hong，St. Choi，Arch。 parm。 res。 2015，38（9），1686。 M. I. Walton，P。D. Eve，A。Hayes，M。R. Valenti，A。K. Haven Brandon，G。Box，A。Hallsworth，El Smith，K。J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J.2019，18（8），609。[15] E. Ferri，C。What，C。E. McKenna，Biochem。Pharmacol。2016，106，1。F. Mietton，E。Ferri，M。Champel，N。Zala，D。Maubon，Y。A. Kashemirov，M。Hull，M。Cornet，C。McKenna，J。Govin，C。Petosa，Nat。 公社。 2017，8，15482。 [17] C. Y. Wang，P。Filipaposole，趋势生物化学。 SCI。 2015，40（8），468。 [18]圣卡里亚斯（St. Callias），Y. P. Chhen，Discov。 今天，2011年，16（17 - 18），831。 [19] St. J. Macanoin，V。Gosu，St. Hong，St. Choi，Arch。 parm。 res。 2015，38（9），1686。 M. I. Walton，P。D. Eve，A。Hayes，M。R. Valenti，A。K. Haven Brandon，G。Box，A。Hallsworth，El Smith，K。J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J.A. Kashemirov，M。Hull，M。Cornet，C。McKenna，J。Govin，C。Petosa，Nat。公社。2017，8，15482。[17] C. Y. Wang，P。Filipaposole，趋势生物化学。SCI。 2015，40（8），468。 [18]圣卡里亚斯（St. Callias），Y. P. Chhen，Discov。 今天，2011年，16（17 - 18），831。 [19] St. J. Macanoin，V。Gosu，St. Hong，St. Choi，Arch。 parm。 res。 2015，38（9），1686。 M. I. Walton，P。D. Eve，A。Hayes，M。R. Valenti，A。K. Haven Brandon，G。Box，A。Hallsworth，El Smith，K。J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J.SCI。2015，40（8），468。 [18]圣卡里亚斯（St. Callias），Y. P. Chhen，Discov。 今天，2011年，16（17 - 18），831。 [19] St. J. Macanoin，V。Gosu，St. Hong，St. Choi，Arch。 parm。 res。 2015，38（9），1686。 M. I. Walton，P。D. Eve，A。Hayes，M。R. Valenti，A。K. Haven Brandon，G。Box，A。Hallsworth，El Smith，K。J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J.2015，40（8），468。[18]圣卡里亚斯（St. Callias），Y. P. Chhen，Discov。今天，2011年，16（17 - 18），831。[19] St. J. Macanoin，V。Gosu，St. Hong，St. Choi，Arch。parm。res。2015，38（9），1686。M. I. Walton，P。D. Eve，A。Hayes，M。R. Valenti，A。K. Haven Brandon，G。Box，A。Hallsworth，El Smith，K。J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J. J.
将计划和强化学习结合起来解决关系多重域
统计关系学习和AI（starai）[11，32]，另一方面，在存在不同的对象和关系的数量（即在关系领域）的存在。但是，关系RL [8]相对尚未探索，尽管存在某些方法[42]，但它们并不能按照大型任务进行扩展，并且对于多基因设置而言肯定不容易扩展。一个有希望的方向正在利用层次（和关系）计划的组合，以探索多个级别的抽象和RL来学习低级政策[16，20]。受到AI的这些不同子区域的成功的启发，我们采用了一种方法，该方法利用了关系层次规划师的力量作为噪音，关系领域中多种学习的集中式控制器。我们所提出的方法称为多基金关系计划和强化学习（MarePrel），将计划分解，集中控制和代理位置，用于构建特定任务表示的Starai，以及通过这些专业表示的有效和有效学习的深度RL。我们做出以下关键贡献：（1）据我们所知，我们提出了可以跨越多个对象和关系概括的关系构造域的第一个多基因系统。正如我们在相关工作中所显示的那样，多种文献中存在着重要的文献，关系学习以及计划和学习的整合。我们的工作是在多构想系统中将所有这些方向相结合的第一项工作。（2）为了实现这一目标，我们开发了MarePrel，这是一种综合计划和学习体系结构，能够在关系领域的不确定性下进行多种学习。具体而言，玛丽·玛丽（Mareprel）的有效学习和推理能力源于其关系形式的代表，高级计划的分解以及最低级别的深度RL的使用。（3）最后，我们在一些关系多基因领域中证明了我们的AP级的有效性和概括能力。我们将基于不同基于RL的多构基线（包括明确使用子任务信息）进行比较，并说明了我们方法的优越性。本文的其余部分如下：在审查了相关工作并介绍了必要的背景之后，我们概述了我们的多基因框架，并更详细地讨论算法。然后，我们通过讨论未来研究的领域在结束论文之前对一些关系的多种关系领域进行了实验评估。