XiaoMi-AI文件搜索系统
World File Search System编码
通过AMP编码质粒引起的免疫力无法增加对欧洲海鲈鱼侵害诺达病毒的保护
抗菌肽（AMP）是先天免疫系统的有效臂，可以直接杀死病原体并诱导免疫调节。在海洋水产养殖中，欧洲鲈鱼（Dicentrarchus labrax L.）是最繁荣的物种之一，但对诺达病毒（NNV）非常容易受到影响，该物种在幼虫和少年阶段产生高死亡率。因此，我们旨在评估AMP是否在鲈鱼中发挥免疫调节性和/或NNV预防作用。To do this, plasmids encoding the sea bass AMPs dicentracin (pDIC), beta- defensin (pDB1), hepcidin (pHAMP2) or NK-lysin (pNKL) were generated and intramuscularly injected into sea bass juveniles to evaluate their immunomodulatory and anti-NNV roles.海低音肌肉转录AMP，并产生循环水平的增加，并增加抗菌活性。免疫相关的基因分析表明，在注射部位，炎症反应的激活和嗜中性粒细胞的募集。然而，AMP编码的质粒，即Phamp2，通过增加鱼类死亡率对NNV疾病的负面影响。总而言之，编码AMP的质粒显示出对欧洲鲈鱼的免疫刺激作用，但不能提高对NNV的抗性。
宏基因组和病毒编码的CRISPR系统组件中的Bathyarchaeia病毒多样性
Bathyarchaeia代表了一类古细菌常见，并且在沉积生态系统中丰富。在这里，我们报告了56个在不同环境的宏基因组中鉴定出的谷胱甘肽病毒的元基因组组装基因组。基因共享网络和系统基因组学分析导致了四个病毒家族的提议，包括Realms Duplodnaviria和Adnaviria的病毒，以及古细菌特异性的纺锤形病毒。基因组分析这些病毒中发现了各种CRISPR元素。拟建家族“ Fuxiviridae”的病毒带有非典型类型IV-B CRISPR-CAS系统和Cas4蛋白，可能会干扰宿主免疫。Viruses of the family “ Chiyouviridae ”encode a Cas2-like endonuclease and two mini-CRISPR arrays, one with a repeat identical to that in the host CRISPR array, potentially allowing the virus to recruit the host CRISPR adaptation machinery to acquire spacers that could contribute to competition with other mobile genetic elements or to inhibit host defenses.这些发现提出了Bathyarchaeia Virome的轮廓，并瞥见了其反防卫机制。
长链非编码RNA Meg3介导干细胞分化过程中印迹基因的表达
印记的 Dlk1-Dio3 结构域包含发育基因 Dlk1 和 Rtl1，它们在不同类型的细胞中在母体染色体上处于沉默状态。在此亲本染色体上，该结构域的印记控制区激活多顺反子，产生 lncRNA Meg3 和许多 miRNA（Mirg）和 C/D-box snoRNA（Rian）。尽管 Meg3 lncRNA 位于核内并与母体染色体相关，但它是否控制顺式基因抑制尚不清楚。我们创建了携带异位 poly(A) 信号的小鼠胚胎干细胞 (mESC)，从而降低了多顺反子上的 RNA 水平，并生成了 Rian-/- mESC。在 ESC 分化后，我们发现 Meg3 lncRNA（而不是 Rian）是母体染色体上 Dlk1 抑制所必需的。通过 CRISPR 介导的父系 Meg3 启动子去甲基化获得的双等位基因 Meg3 表达导致双等位基因 Dlk1 抑制，并导致 Rtl1 表达丧失。lncRNA 表达还与 Meg3 5' 侧的 DNA 低甲基化和 CTCF 结合相关。使用 Capture Hi-C，我们发现这会产生拓扑关联域 (TAD) 组织，使 Meg3 靠近母系染色体上的 Dlk1。Meg3 对基因抑制和 TAD 结构的需要可能解释了人类 DLK1-DIO3 基因座处异常的 MEG3 表达如何与印记障碍相关。
RADA和DNA聚合酶在重组中的作用 - ... 对甲基甲基蛋白抗甲氧西林和甲氧西林敏感的金黄色葡萄球菌ST398菌株的基因组分析 氯化的双苯基转化，过氧化物酶和氧化酶活性的真菌和细菌从历史污染部位分离出来 在28nm n-mosfets中，氧化物分解事件的位置专用于RF应用程序 hi-ness：基于细菌核苷相关蛋白的遗传编码的DNA标记家族
摘要：在生命的三个领域中，同源重组（HR）的过程在修复双链DNA断裂和重新开始停滞的复制叉中起着核心作用。奇怪的是，参与人力资源过程的主要蛋白质参与者似乎对于高素化的古细菌提出了有关人力资源在极端条件下的古细菌中的复制和修复策略中的作用的有趣问题。该过程的一个关键参与者是重组酶RADA，它允许同源链搜索，并提供了遵循DNA合成并恢复遗传信息所需的DNA底物。DNA聚合酶在古细菌中尚不清楚链交换步骤后的操作。使用Abyssi Abyssi蛋白的工作，在这里我们表明，DNA聚合酶，家庭-B聚合酶（POLB）和家族-D聚合酶（POLD）都可以负责处理RADA介导的重组中间体。我们的结果还表明，与POLB相比，POLD的效果要少得多，以扩展位移环（D-Loop）底物处的入侵DNA。这些观察结果与先前对热圆菌物种获得的遗传分析相吻合，表明POLB主要参与DNA修复，而不是必不可少的，这可能是因为Pold可以接管其他伴侣。
激酶抑制剂结合亲和力用验证的图形编码器和语言模型
动机：抑制剂 - 激酶结合亲和力的准确预测对于药物发现和医疗应用至关重要，尤其是在治疗诸如癌症之类的疾病中。现有的预测抑制剂 - 激酶亲和力的方法仍然面临挑战，包括数据表达不足，功能提取有限和性能低。尽管通过人工智能（AI）方法（尤其是深度学习技术）取得了进展，但许多当前的方法未能捕获激酶与抑制剂之间的复杂相互作用。因此，有必要开发更先进的方法来解决抑制剂 - 激酶结合预测中的现有问题。结果：这项研究提出了Kinhibhib，这是抑制剂 - 激酶结合亲和力预测指标的新型框架。kinhibit会整合自我监督的预训练的预训练的分子编码器和蛋白质语言模型（ESM-S），以有效提取特征。kinhibit还采用特征融合方法来优化抑制剂和激酶特征的融合。实验结果证明了这种方法的优越性，在三种MAPK信号途径激酶的抑制剂预测任务中，精度达到了92.6％的精度：RAF蛋白激酶（RAF），有丝分裂原激活的蛋白激活蛋白激酶激酶激酶（MEK）和细胞外信号调节激酶（ERK）。此外，该框架在包含200多个激酶的数据集上达到了令人印象深刻的精度。这项研究为药物筛查和生物科学提供了有希望的有效的工具。
激酶抑制剂结合亲和力用验证的图形编码器和语言模型
动机：抑制剂 - 激酶结合亲和力的准确预测对于药物发现和医疗应用至关重要，尤其是在治疗诸如癌症之类的疾病中。现有的预测抑制剂 - 激酶亲和力的方法仍然面临挑战，包括数据表达不足，功能提取有限和性能低。尽管通过人工智能（AI）方法（尤其是深度学习技术）取得了进展，但许多当前的方法未能捕获激酶与抑制剂之间的复杂相互作用。因此，有必要开发更先进的方法来解决抑制剂 - 激酶结合预测中的现有问题。结果：这项研究提出了Kinhibhib，这是抑制剂 - 激酶结合亲和力预测指标的新型框架。kinhibit会整合自我监督的预训练的预训练的分子编码器和蛋白质语言模型（ESM-S），以有效提取特征。kinhibit还采用特征融合方法来优化抑制剂和激酶特征的融合。实验结果证明了这种方法的优越性，在三种MAPK信号途径激酶的抑制剂预测任务中，精度达到了92.6％的精度：RAF蛋白激酶（RAF），有丝分裂原激活的蛋白激活蛋白激酶激酶激酶（MEK）和细胞外信号调节激酶（ERK）。此外，该框架在包含200多个激酶的数据集上达到了令人印象深刻的精度。这项研究为药物筛查和生物科学提供了有希望的有效的工具。
商业通用编码 074 细胞和基因治疗...
描述 此政策涉及专业或门诊设施索赔中报告的细胞和基因治疗产品的编码和报销。 定义 细胞疗法：将细胞转移到人体内，目的是改善疾病或替换或修复受损组织。基因修饰细胞疗法从人体内取出细胞并改变细胞的遗传物质。然后将改良后的细胞重新引入体内。 基因治疗：引入、去除或改变人体遗传物质的内容，目的是治疗或治愈疾病。它包括基因转移、基因修饰细胞疗法和基因编辑等疗法。 政策声明 医疗保健通用程序编码系统 (HCPCS) 代码包括通常不能自行管理的医疗疗法和药物，例如化疗、免疫抑制剂、其他杂项药物、溶液或植入物。通常，使用未列出的 HCPCS 代码报告细胞和基因治疗产品。对于本政策中未涉及的所有其他未列出代码，请参阅商业通用编码 005 未列出代码报销政策。提交最能描述所给注射药物和剂量的 HCPCS 二级代码。注射代码仅包括药物费用。当所给剂量大于代码描述中列出的剂量时，使用单位字段根据 HCPCS 手册中的代码定义指定适当的单位数。报销金额将使用批发采购成本 (WAC) 定价确定。适用的细胞和基因治疗产品下表表示使用 WAC 支付方法报销的产品和代码子集。
Omar Fawzi，PaulFermé。广播频道编码：算法方面和非信号辅助。 IEEE信息理论交易，2024，70
双曲线空间已成为一种有效的歧管，因为它们有效地表示层次数据结构的能力，即使对于低维嵌入也很少，它们也几乎没有变形。在选定的双曲线模型（例如庞加莱球）中，分类通常是通过利用符号距离函数到平面（陀螺仪）（陀螺仪）的双曲线函数或通过测量与虚拟固定原型的比对来进行的。我们在深度学习的环境中提出，以利用决策边界的不同表征：霍斯斯，它们是Busemann功能的级别。它们在几何上等效于在类似于原型的虚拟点上与双曲线空间边界相切。因此，我们定义了一个可以适应任何神经网络主链的新霍斯磷层。在以前的作品中，原型通常是均匀分布的，而无需对手头任务使用潜在可用的标签层次结构。我们还提出了一种基于Gromov-Wasserstein距离定位这些原型的层次知情方法。我们发现，原型的良好初始化和优化的组合改善了在层次数据集上的图像分类以及在图像和点云数据集中进行的两个序列分割任务中的基线性能。源代码将在接受后发布。
基于自动编码器-CNN-GAN算法制定加密货币交易策略
摘要 - 该纸张利用机器学习算法来预测和分析财务时间序列。该过程始于一个deno的自动编码器，以从主合同价格数据中滤除随机噪声波动。然后，一维卷积会降低过滤数据的维度并提取关键信息。被过滤和降低的价格数据被馈送到GAN网络中，其输出作为完全连接的网络的输入。通过交叉验证，训练了模型以捕获价格波动之前的功能。该模型预测了实时价格序列的重大价格变化的可能性和方向，将交易置于高预测准确性的时刻。经验结果表明，使用自动编码器和卷积来过滤和DENOSIS财务数据，结合gan，实现一定程度的预测性能，验证了机器学习算法的能力，以发现财务序列中的基本模式。
利用LLM进行ICD编码和不确定性估计
1简介1 1。1问题配方2 1。2研究问题3 2相关工作5 2。1 ICD编码的先前方法5 2。 1。 1传统的机器学习方法5 2。 1。 2深度学习方法6 2。 1。 3个大语言模型（LLMS）6 2。 2利用ICD代码层次结构进行距离计算8 2。 3在模型训练中解决非差异损失功能9 2。 4不确定性10 3方法13 3。 这项工作中使用的1个LLM 13 3。 2数据集16 3。 3数据处理16 3。 3。 1临床笔记处理16 3。 3。 2 ICD- 10代码处理17 3。 3。 3数据拆分17 3。 4 T 5-基本编码的模型17 3。 5使用t 5中的任务前缀进行ICD编码18 3。 6将ICD-10代码层次结构纳入培训过程18 3。 6。 1定义基于距离的损耗函数18 3。 6。 2克服解码模型输出的挑战23 3。 7用于ICD编码的微调T 5 24 3。 8评估指标24 3。 8。 1总距离（TD）24 3。 8。 2 ICD第2章（IIC）25 3。 8。 3无关的ICD块（IIB）25 3。 8。 4无关的ICD第三级（IIT）25 3。 9模型不确定性估计25 3。 10实验设置27 4结果29 4。 1数据分析结果29 4。 2。1 ICD编码的先前方法5 2。1。1传统的机器学习方法5 2。1。2深度学习方法6 2。1。3个大语言模型（LLMS）6 2。2利用ICD代码层次结构进行距离计算8 2。3在模型训练中解决非差异损失功能9 2。4不确定性10 3方法13 3。这项工作中使用的1个LLM 13 3。2数据集16 3。3数据处理16 3。3。1临床笔记处理16 3。3。2 ICD- 10代码处理17 3。3。3数据拆分17 3。4 T 5-基本编码的模型17 3。 5使用t 5中的任务前缀进行ICD编码18 3。 6将ICD-10代码层次结构纳入培训过程18 3。 6。 1定义基于距离的损耗函数18 3。 6。 2克服解码模型输出的挑战23 3。 7用于ICD编码的微调T 5 24 3。 8评估指标24 3。 8。 1总距离（TD）24 3。 8。 2 ICD第2章（IIC）25 3。 8。 3无关的ICD块（IIB）25 3。 8。 4无关的ICD第三级（IIT）25 3。 9模型不确定性估计25 3。 10实验设置27 4结果29 4。 1数据分析结果29 4。 2。4 T 5-基本编码的模型17 3。5使用t 5中的任务前缀进行ICD编码18 3。6将ICD-10代码层次结构纳入培训过程18 3。6。1定义基于距离的损耗函数18 3。6。2克服解码模型输出的挑战23 3。7用于ICD编码的微调T 5 24 3。8评估指标24 3。8。1总距离（TD）24 3。8。2 ICD第2章（IIC）25 3。 8。 3无关的ICD块（IIB）25 3。 8。 4无关的ICD第三级（IIT）25 3。 9模型不确定性估计25 3。 10实验设置27 4结果29 4。 1数据分析结果29 4。 2。2 ICD第2章（IIC）25 3。8。3无关的ICD块（IIB）25 3。8。4无关的ICD第三级（IIT）25 3。9模型不确定性估计25 3。10实验设置27 4结果29 4。1数据分析结果29 4。2。2实验结果30 4。1 LLM和ICD编码的输入长度的比较31 4。2。2比较ICD编码的不同块策略32