XiaoMi-AI文件搜索系统
World File Search System结构特征
激光直写制备MnO2/LIG复合电极及其在柔性超级电容器中的 ...
别是石墨烯的 D 、 G 和 D+G( 也称 G') 峰 [ 19 ] ，这表 明两种样品都生成了高质量的石墨烯。其中 D 峰 是由于芳香环中 sp 2 碳网络扭曲使得碳原子发生 对称伸缩振动引起的 [ 20 ] ，用于衡量材料结构的无 序度，它的出现表明石墨烯的边缘较多或者含有 缺陷，这与 SEM 观察到的结果一致； G 峰是由 sp 2 碳原子间的拉伸振动引起的 [ 21 ] ； G' 峰也被称 为 2 D 峰，是双声子共振二阶拉曼峰，其强度与 石墨烯层数相关 [ 22 - 24 ] 。与 LIG 拉曼曲线相比， MnO 2 / LIG 在 472.6 cm −1 波段较强的峰值，对应于 Mn − O 的伸缩振动峰，证实了 MnO 2 的晶体结构。 XRD 测试结果表明， MnO 2 /LIG 在 2 θ =18.002° 、 28.268° 、 37.545° 、 49.954° 和 60.244° 处的特征峰分别对应 α - MnO 2 的 (200) 、 (310) 、 (211) 、 (411) 和 (521) 晶面 ( 图 4 b PDF#440141) ， α -MnO 2 为隧道结构，可容 纳溶液中的阳离子 ( 如 Zn 2+ 、 Li + 、 Mg 2+ 、 Na + ) [ 21 ] 。 25.9° 和 44.8° 处的峰为 LIG 中 C 的特征衍射峰。
使用特征结构进行直升机控制律设计... - CORE
6.1.6 采用性能保护的鲁棒状态反馈控制律的 8 阶线性直升机模型悬停时，滚转姿态响应（顶部）对横向的响应，俯仰姿态响应（底部）对 1 秒的 10% 纵向脉冲输入的响应。...............。。。。。。。。。。。。。。。。。。。。。。。239
酵母和灵长类动物着丝粒 DNA 的隐藏结构特征
白质核酸酵素, 44, 1665 (1999). 3) L. Vernis, A. Abbas, M. Chasles, CM Gaillardin, C. Brun, JA Huber-
多通道人机交互信息融合的智能方法
结构在运行时可以做到即使某一个模态信息缺失整个网络也能取得不错的效果 , 在多通道情感识别、 语义理解、目标学习等领域取得很好的效果 .尽管如此 , 这类网络相对于任务来说还是相对 “ 具体 ”, 如 果要换一个任务 , 用户就需要修改网络结构包括重新调整参数 , 这使得深度神经网络结构的设计是一 个耗时耗力的过程 .因此研究者们希望一个混合的神经网络结构可以同时胜任多个任务 , 以减少其在 结构设计和训练方面的工作量 .鉴于此 , 研究者开始致力于首先采用大数据联合训练构建出多通道联 合特征分享层 , 然后在识别阶段可以同时进行多任务处理的深度多模态融合结构 .如 Google 的学者 尝试建议一个统一的深度学习模型来自适应地适配解决不同领域、不同数据模态下的多个不同类型 的任务 , 且在特定任务上的性能没有明显损失的模型 [71] .该模型构架请见文献 [71] 的图 2, 由处理输 入的编码器、编码输入与输出混合的混合器、混合输出的解码器 3 个部分构成 , 文献 [71] 的图 3 给 出了这 3 个部分的详细描述 .每一个部分的主体结构类似 , 均包含多个卷积层、注意力机制和稀疏门 控专家混合层 .其中 , 不同模块中的卷积层的作用是发现局部模式 , 然后将它泛化到整个空间 ; 注意力 模块和传统的注意力机制的主要区别是定时信号 , 定时信号的加入能让基于内容的注意力基于所处的 位置来进行归纳和集中 ; 最后的稀疏阵列混合专家层 , 由前馈神经网络 ( 专家 ) 和可训练的门控网络组 成 , 其选择稀疏专家组合处理和鉴别每个输入 .
增强用于结构研究的DNA模拟折叠剂的特征
DNA模拟折叠剂是带有阴离子侧链的芳族寡酰胺，在水中采用螺旋折叠构象，再现B- DNA双螺旋的形状和电荷表面分布。[1]它们已被证明比DNA本身更好地与某些DNA结合蛋白结合，因此是竞争性抑制蛋白-DNA相互作用的候选者。从概念上讲，DNA模拟折叠剂与天然发生的DNA模拟蛋白有关，[2]即，模仿DNA的形状和表面特征的蛋白质，并激发了非天然蛋白的设计，以干扰DNA-蛋白相互作用。[3]也可以将DNA模拟折叠剂与已提出靶向DNA结合蛋白（如转录因子）的所谓诱饵寡核苷酸进行比较。[4]
录用稿件，非最终出版稿 - 工程科学学报
因此，跨个体、跨场景的脑电分析方法逐渐成为研究热点。越来越多的研究人员将广泛应用脑 电信号分析的特征于跨个体、跨场景的脑电信号分析研究中。 Touryan 等人采用经典的独立成分分 析的特征分析方法描述特征空间，计算功率谱密度（ Power Spectral Density ， PSD ），并采用顺序 前向浮动选择方法识别频谱特征中的独立成分集，结果表明该方法可以识别出跨场景脑电信号中的 共同成分 [88] 。 Kakkos 等人采用了特征融合的方法，将 PSD 与功能连接特征相结合，提高了跨场景 分类的性能，并证明了脑特征融合在跨场景中的应用更为有效 [89] 。 Xing 等人将模糊熵特征用于跨 场景脑电信号分析，发现模糊熵特征相对于其他特征更能适合跨场景 [90] 。卷积神经网络 （ Convolutional Neural Networks ， CNN ）和递归神经网络（ Recurrent Neural Networks ， RNN ）等基 于深度学习的新型跨任务模型在跨场景脑电分析中展现了巨大潜力。这些模型能够自动提取特征和 学习复杂的脑电特征，从而有效地缩小不同任务和场景之间的差距，提高模型的泛化能力 [91][92][93] 。 近年来，一些跨学科的方法被创新性地应用于跨场景研究， Zhao 等人提出了一种跨学科的对齐多 源域自适应方法，用于跨个体的 EEG 疲劳状态评估，显著提高了模型的泛化能力 [94] ， Zhou 等人在 此基础上进行改进，提出了一种跨任务域自适应方法，有效提升了跨场景认知诊断的性能 [95] 。
四氢吡啶肢体抑制剂：结构活性研究和生物学特征
lim激酶，limk1和limk2，已成为开发抑制剂的有希望的靶标，并潜在地治疗多种主要疾病。limk在细胞骨架重塑中起着至关重要的作用，作为Rho-GTPase家族的小G蛋白的下游效应子，以及作为肌动蛋白去聚合因子Cofilin的主要调节剂。在本文中，我们描述了新型四氢吡啶吡咯吡汀limk抑制剂的概念，合成和生物学评估。同源性模型首先是为了更好地说明初步化合物的结合模式并解释生物学活性的差异。产生了60多种产品的文库，并在中低纳莫尔范围内测量了体外酶促活性。然后在Cofilin磷酸化Inhi Bition的细胞中评估了最有希望的衍生物，这导致了52的鉴定，该鉴定在激酶选择性面板中对LIMK表现出极好的选择性。我们还证明了52个通过干扰肌动蛋白丝影响细胞细胞骨架。使用该衍生物使用三种不同细胞系的细胞迁移研究对细胞运动表现出显着影响。 最后，解决了与52复合的Limk2的激酶结构域的晶体结构，从而大大改善了我们对52和Limk2活性位点之间相互作用的概念。 报告的数据代表了开发更有效的肢体抑制剂以用于未来体内临床前验证的基础。使用该衍生物使用三种不同细胞系的细胞迁移研究对细胞运动表现出显着影响。最后，解决了与52复合的Limk2的激酶结构域的晶体结构，从而大大改善了我们对52和Limk2活性位点之间相互作用的概念。报告的数据代表了开发更有效的肢体抑制剂以用于未来体内临床前验证的基础。
使用蛋白质结构预测的金属蛋白酶切割靶标的解密特征
此预印本版的版权持有人于2025年1月18日发布。 https://doi.org/10.1101/2025.01.13.632885 doi：biorxiv Preprint
国金证券-医药健康行业研究：技术升级赋能行业应用，AI+医药健康发展有望提速-230505.pdf
DeepMind 团队于2020 年12 月发布的一种人工智能蛋白质结构预测算法AlphaFold2，被 认为具有人工智能领域里程碑性意义，解决了生物学界长达50 年的蛋白质空间结构预测 难题，改变了此前几乎只能使用X 射线晶体学和冷冻电子显微镜等实验技术确定蛋白质结 构的现状。它的原理基于最先进的深度学习算法以及进化中蛋白质结构的守恒。它使用了 大量的蛋白质序列和结构数据进行训练（如MGnify 和UniRef90 数据库、 BFD 数据库）， 并 使用了一个新的深度神经网络构架，该网络被训练为通过利用同源蛋白质和多序列比 对的信息从氨基酸序列生成蛋白质结构。 DeepMind 公司与欧洲生物信息研究所（EMBL-EBI） 的合作团队已经使用AlphaFold2 成功预测出超过100 万个物种的2.14 亿个蛋白质结构， 几乎涵盖了地球上所有已知蛋白质。这一成果标志着AlphaFold2 在结构生物学领域的突 破，因为这些预测结果中有大约35%的结构具有高精度，达到了实验手段获取的结构精度， 而大约80%的结构可靠性足以用于多项后续分析。这将有助于深入理解蛋白质的结构和功 能，为生命科学领域的研究提供更多的线索和解决方案。 AlphaFold2 应用范围广泛，未来 可能被应用于结构生物学、药物发现、蛋白质设计、靶点预测、蛋白质功能预测、蛋白质 -蛋白质相互作用、生物学作用机制等。