XiaoMi-AI文件搜索系统
World File Search System自动编码
通过自我监督的识别一致的神经合奏
从记录的神经活动中解码刺激或行为是研究大脑功能在研究中的常见方法，也是脑部计算机和脑机界面的重要组成部分。可靠的解码即使是从小型神经种群中也可能导致高维神经种群活动，通常占据低维man-可通过合适的潜在可变模型可发现的低维man。随着时间的流逝，单个神经元的活性和神经记录设备中不稳定性的漂移可能是基础的，使几天和几周的稳定解码变得不切实际。虽然无法在单个神经元水平上预测这种漂移，但是当连续记录会话（例如不同的神经元集以及记录数据中一致的神经元的变化排列）时，人群水平的变化可能是可以学习的。在会话中的一致性与陌生神经元的分类以及按照记录的一致记录神经元的偏差来考虑偏差，然后可以保持解码性能并揭示与任务相关的神经歧管。在这里，我们表明，对深神经网络的自我监督培训可用于弥补这一间歇间的可变性。结果，顺序的自动编码模型可以维持最新的行为解码性能，以使未来几天的完全看不见的记录会话。我们的方法仅需要一次录制会话来培训模型，这是迈向可靠，无重新校准的大脑计算机接口的一步。关键字：多种学习，神经科学，自我监督学习，神经解码，神经种群活动，顺序自动编码器，电生理学
感知少，生成更多：用蒙版自动编码器进行超高效率3D传感的训练激光雷达感知
摘要 - 在这项工作中，我们提出了一种破坏性节俭的激光雷达感知数据流，该数据流产生而不是感知环境的一部分，这些部分是基于对环境的广泛培训，或者对整体预测准确性的影响有限的。因此，所提出的方法将传感能量与训练数据进行交易，以获取低功率机器人和自动导航，以便用传感器省将，从而在一次电池充电时延长了其寿命。我们提出的为此目的提出的生成预训练策略称为径向掩盖的自动编码（R-MAE），也可以在典型的激光雷达系统中很容易实施，通过选择性激活和控制在现场操作过程中随机生成的角区域的激光功率。我们的广泛评估表明，使用R-MAE进行预训练可以重点关注数据的径向段，从而比常规程序更有效地限制了空间关系和对象之间的距离。因此，所提出的方法不仅降低了传感能量，而且还提高了预测准确性。例如，我们对Waymo，Nuscenes和Kitti数据集进行了广泛的评估表明，该方法在跨数据集的检测任务的平均精度提高了5％，并且从Waymo和Nuscenes转移到Kitti的检测任务的平均精度提高了4％。在3D对象检测中，它在KITTI数据集中的中等难度水平下，在AP中最多可增强小对象检测。即使使用90％的径向掩蔽，它在Waymo数据集中所有对象类中的MAP/MAPH中都超过了基线模型。此外，我们的方法在Nuscenes数据集上分别获得了MAP和NDS的3.17％和2.31％的提高，这表明了其在单个和融合的LIDAR相机模态方面的有效性。代码可在https://github.com/sinatayebati/radial Mae上公开获取。索引项 - lidar预训练，掩盖自动编码器，超有效的3D传感，边缘自治。
人口普查中用于编码职业的机器学习
职业分类是统计学家，经济学家，社会学家使用的有用工具，可以为工作任务和内容的相似之处提供描述者，以及经济和机构背景下的相似之处。要提供现实的社会或经济分析，必须定期更新职业分类词典。在2020年，散布了法国职业分类的新词典（PCS 2020），并配有一种自动完成工具，该工具将5,000个工作的列表完美地链接到其分类类别。只有此列表中的响应仍有待编码。insee选择不将其基于规则的自动编码系统设置为上一个词典中的代码（PCS 2003）中的代码，以适应新词典。Insee而不是选择使用机器学习技术来执行这种类型的分类任务，期望它们的表现良好。在2021年，进行了大型的手动标签活动：在2020年PCS中标记了大约100,000个人口普查工作答案，每两次由两个不同的手动编码器进行标记，并在需要时进行第三次套装，以确保培训/测试集的质量培训/测试设置。最终选择了一种两层神经网络算法（N-gram和分类器的FastText嵌入）。该实验表明，两种自动编码模式（非上市的列表和监督学习）的组合允许在当前职业中达到甚至超过上一个系统的准确率，但对于先前的职业（退休和失业）而言，它具有更多的纸张滑倒。与发送到手动工作的零件的组合可以获得一些准确性。基于这些结果，在2022年研究了预测和培训工具到人口普查生产链中的集成，目的是在PCS 2020中编码2024年的人口普查活动。这涵盖了评估（一部分）在实验过程中开发的（一部分）集成的成本和收益。这涵盖了定义与职业编码相对于职业编码的新组织，定义了通过算法评估和控制编码质量的不同角色和策略。这还涵盖了另一个最佳目标，更雄心勃勃的挑战是构建完全互惠的工具，以从不同来源和不同参与者中编码PCS 2020数据中编码。
Echo-Vision-FM：超声心动图视频视频基础模型
背景：超声心动图为心脏健康提供了基本见解，但是它们复杂的多维数据为分析和解释带来了重大挑战。现有用于超声心动图分析的深度学习模型通常严重依赖于监督培训，这限制了它们在不同数据集和临床环境中的普遍性和鲁棒性。目的：开发和评估Echo-Vision-FM（Echo Cardiogram视频视频视频f oundelation M Odel），这是一个自我监督的视频学习框架，旨在预先培训视频编码器，以大规模，未标记的超声心动图数据进行预编码。Echo-Vision-FM旨在产生可靠且可转移的视频表示形式，从而改善超声心动图数据集和临床条件的下游性能。方法：所提出的框架通过掩盖的自动编码技术采用高级自我监督的视频学习，该技术可以压缩视频数据的片段，并通过掩盖非重叠视频补丁来重建完整的视频。不对称的编码器架构架构是此方法的基础。为了进一步增强学习的表示形式，我们介绍了STF-NET，这是一个patial-t emporal f usion Net，该网络整合了视频表示的空间和时间相关性。我们使用MIMIC-IV-ECHO数据集进行了预训练的Echo-Vision-FM，并在多个下游数据集中进行了微调，以进行特定的临床任务，包括形态学价值估计以及心脏功能和疾病的诊断。在回归任务中，Echo-Vision-FM优于最先进的模型，对于LV EF预测，达到平均绝对误差（MAE）为3.87％，R 2的平均误差（MAE）为0.825。结果：Echo-Vision-FM在分类左心室射血分数（LV EF）方面取得了出色的性能，精度为0.905，F1得分为0.941，AUC为0.931。该模型在估计终端施加局和末期量体积方面也有显着改善，R 2值分别为0.782和0.742。合并STF-NET进一步增强了所有任务的性能。结论：我们的结果表明，关于Echocarigon图数据的大规模自学视频学习可以提取可转移和临床相关的特征，超过现有方法。Echo-Vision-FM框架，特别是在包含STF-NET的情况下，显着改善了时空特征的提取，从而提高了一系列心脏参数的预性准确性。Echo-Vision-FM为超声心动图分析提供了可扩展有效的解决方案，并在临床诊断和研究中采用了有希望的应用。
什么是元基因组学中的binning
宏基因组学是对直接从土壤，水和肠道含量等环境样品中提取的遗传物质的研究，而无需隔离单个生物。该领域使用宏基因组学框来根据相似性将DNA序列分为组。目标是将这些序列分配给其相应的微生物或分类群，从而更深入地了解样本中的微生物多样性和功能。计算方法（例如序列相似性，组成和其他特征）用于分组。宏基因组学的方法包括：基于序列组成的binning，它分析了不同基因组中的不同模式；基于覆盖范围的binning，它使用测序深度将分组读取为垃圾箱；混合式分子，结合了两种方法以提高准确性；基于聚类的封装，可用于高基因组多样性数据集；和基于机器学习的封装，需要带注释的参考基因组进行培训。每种方法都有其优势和局限性，其选择取决于特定的元基因组数据集和研究问题。宏基因组学箱很复杂。2017年，本教程将涵盖元基因组式融合工具，以及咖啡发酵生态系统和metabat 2算法metabat的数据生成MAGS，可以轻松地与下游分析和工具集成，例如分类学注释和功能预测。已经对六个样本进行了测序，生成了6个用于咖啡发酵系统的原始数据集。2。宏基因组套件是分析复杂的微生物群落的关键步骤，但面临着几个挑战，包括水平基因转移污染危险嵌合序列和Maxbin Metabat mycc mycc mycc groopm groopm metawrap anvi'o semibin of de nove bin bin bin bin bin bin bin bin bin bin bin的物种计算工具中的物种计算工具中的应变变化，例如已显示出高度准确的有效扩展和用户友好的基准研究发现，Metabat 2在准确性和计算效率方面都优于其他替代方案，以提供有关宏基因组学软件的更多信息，请参见Sczyrba等。使用Illumina MiSeq全基因组测序进行了六次颞枪i弹枪元基因组研究，以全面分析咖啡微生物组的结构和功能。我们基于这些现实世界数据为本教程创建了模拟数据集。我们将介绍本教程中的以下主题：准备分析历史记录和数据，将metabat 2运行到bin元基因组测序数据。要运行binning，我们首先需要将数据纳入Galaxy，任何分析都应具有自己独特的历史记录。让我们通过单击历史记录面板的顶部创建一个新的历史记录并重命名它。要将序列读取数据上传到星系中，您可以直接从计算机导入它，也可以使用这些链接从Zenodo或数据库中获取它：等等。首先，创建一个名为GTN的文件夹 - 带有主题名称和教程名称的子文件夹的材料。选择所需的文件要从顶部附近的下拉菜单中导入。3。通过在弹出窗口中选择“选择历史记录”，选择要导入数据（或创建新数据）的历史记录。通过重命名示例名称的读取对创建配对集合，然后按照以下步骤：检查所有要包含的数据集，并通过单击“数据集对构建列表”来构建数据集对列表。将未配对的前进和反向读取文本更改为每对的常见选择器。单击“配对这些数据集”以进行有效的前进和反向对。输入一个集合名称，然后单击“创建列表”以构建集合。binning有几个挑战，包括高复杂性，碎片序列，不均匀的覆盖率，不完整或部分基因组，水平基因转移，嵌合序列，应变变异和开放图像1：binning。在本教程中，我们将通过Galaxy使用Metabat 2（Kang等，2019）来学习如何键入元基因组。metabat是“基于丰度和四核苷酸频率的元基因组binning的工具”，该工具将shot弹枪元基因组序列组装到微生物群落中。它使用基因组丰度和四核苷酸频率的经验概率距离来达到98％的精度，并在应变水平下以281个接近完全独特的基因组为准。我们将使用上传的汇编FastA文件作为Metabat的输入，为简单起见保留默认参数。设置为“否”。在输出选项中，“垃圾箱的最小尺寸作为输出”设置为200000。对于ERR2231567样品，有6个箱子，将167个序列分类为第二箱。手：1。4。该工具将在Galaxy版本1.2.9+Galaxy0中使用这些参数：“包含重叠群的Fasta文件”汇编FASTA文件； “考虑融合的良好重叠群的百分比”设置为95； “ binning边缘的最低分数”为60； “每个节点的最大边数”为200； “构建TNF图的TNF概率截止”为0；和“关闭丢失还是小重叠的额外的押金？”The output files generated by MetaBAT 2 include (some are optional and not produced unless required): - Final set of genome bins in FASTA format (.fa) - Summary file with info on each genome bin, including length, completeness, contamination, and taxonomy classification (.txt) - File with mapping results showing contig assignment to a genome bin (.bam) - File containing abundance estimation of each genome bin （.txt） - 每个基因组bin（.txt）的覆盖曲线的文件 - 每个基因组bin的核苷酸组成（.txt） - 文件具有每个基因组bin（.faa）的预测基因序列（.faa）的基因序列，可以进一步分析和用于下游应用，例如功能性注释，相比的植物组合和化学分析，并可以用于下游应用。去复制是识别基因组列表中“相同”的基因组集的过程，并从每个冗余集中删除除“最佳”基因组之外的所有基因组。在重要概念中讨论了相似性阈值以及如何确定最佳基因组。基因组去复制的常见用途是元基因组数据的单个组装，尤其是当从多个样本中组装简短读数时（“共同组装”）。这可能会导致由于组合类似菌株而导致碎片组件。执行共同组装以捕获低丰度微生物。另一种选择是分别组装每个样品，然后去重新复制箱以创建最终的基因组集。metabat 2不会明确执行放松，而是通过利用读取覆盖范围，样品差异覆盖范围和序列组成来提高构架准确性。DREP等工具的设计用于宏基因组学中的复制，旨在保留一组代表性的基因组，以改善下游分析。评估：DREP评估集群中每个基因组的质量，考虑到完整性，污染和应变异质性等因素。基因组选择：在每个群集中，DREP根据用户定义的标准选择代表性基因组。该代表性基因组被认为是群集的“翻译”版本。放松输出：输出包括有关消除基因组的信息，包括身份，完整性和污染。用户可以选择基因组相似性的阈值，以控制删除水平。使用您喜欢的汇编程序分别组装每个样本。bin每个组件分别使用您喜欢的Binner。bin使用您喜欢的Binner共同组装。5。将所有组件中的垃圾箱拉在一起，然后在它们上运行DREP。6。在解复的基因组列表上执行下游分析。检查质量：1。一旦完成，必须检查其质量。2。可以使用CheckM（Parks等，2015）评估binning结果，这是一种用于元基因组学框的软件工具。3。2。检查通过将基因组仓与通用单拷贝标记基因进行比较，评估了基因组仓的完整性和污染。宏基因组学：1。宏基因组学将DNA碎片从混合群落分离为单个垃圾箱，每个垃圾箱代表一个独特的基因组。checkm估计每个基因组箱的完整性（存在的通用单拷贝标记基因集的总数）和污染（在一个以上bin中发现的标记基因的百分比）。关键功能：1。基因组完整性的估计：CheckM使用通用单拷贝标记基因来估计回收基因组的比例。2。基因组污染的估计：CHECKM估计多个箱中存在的标记基因的百分比，表明来自多种生物的潜在DNA。3。识别潜在的杂料：CheckM基于基因组的标记基因分布来识别杂种。4。结果的可视化：CheckM生成图和表，以可视化基因组垃圾箱的完整性，污染和质量指标，从而使解释更加容易。checkm也可以根据与不同分类学组相关的特定标记基因（例如sineage_wf：评估使用谱系特异性标记集对基因组垃圾箱的完整性和污染）进行分类分类的基因组分类。checkm lineage_wf工作流使用标记基因和分类信息的参考数据库来对不同分类学水平的基因组垃圾箱进行分类。来源：-Turaev，D。，＆Rattei，T。（2016）。（2014）。使用metabat 2的元基因组重叠群构造教程强调了选择最合适的binning工具的重要性。不同的方法具有不同的优势和局限性，具体取决于所分析的数据类型。通过比较多种封装技术，研究人员可以提高基因组融合的精度和准确性。可用于元基因组数据，包括基于参考的，基于聚类的混合方法和机器学习。每种方法都有其优点和缺点，从而根据研究问题和数据特征使选择过程至关重要。比较多种封装方法的结果有助于确定特定研究的最准确和最可靠的方法。在完整性，污染和应变异质性方面评估所得垃圾箱的质量至关重要。另外，比较已识别基因组的组成和功能谱可以提供有价值的见解。通过仔细选择和比较binning方法，研究人员可以提高基因组箱的质量和可靠性。这最终导致对微生物群落在各种环境中的功能和生态作用有了更好的了解。微生物群落系统生物学的高清晰度：宏基因组学以基因组为中心和应变分辨。- Quince，C.，Walker，A。W.，Simpson，J。T.，Loman，N。J.，＆Segata，N。（2017）。shot弹枪宏基因组学，从采样到分析。-Wang，J。和Jia，H。（2016）。元基因组范围的关联研究：微生物组细化。-Kingma，D。P.和Welling，M。（2014年）。自动编码变分贝叶斯。-Nielsen，H。B.等。鉴定和组装基因组和复杂元基因组样品中的遗传因素，而无需使用参考基因组。-Teeling，H.，Meyerdierks，A.，Bauer，M.，Amann，R。，＆Glöckner，F。O.（2004）。将四核苷酸频率应用于基因组片段的分配。-Alneberg，J。等。（2014）。通过覆盖范围和组成的结合元基因组重叠群。-Albertsen，M。等。（2013）。通过多个元基因组的差异覆盖层获得的稀有，未培养细菌的基因组序列。-Kang，D.D.，Froula，J.，Egan，R。，＆Wang，Z。（2015）。metabat，一种有效的工具，用于准确地重建来自复杂微生物群落的单个基因组。simmons b a和singer s w提出了一种新算法，称为Maxbin 2.0，用于2016年生物信息学期刊中多个元基因组数据集的binning基因组。此外，Kang等人开发了Metabat 2，一种自适应binning算法，该算法于2019年在Peerj发表。PlazaOñate等人引入了MSPMiner，这是一种从shot弹枪元基因组数据重建微生物泛元组的工具，如2019年的生物信息学报道。Other studies like those of Lin and Liao, Chatterji et al, Parks et al, Pasolli et al, Almeida et al, Brooks et al, Sczyrba et al, Qin et al, Bowers et al, Sieber et al, Cleary et al, Huttenhower et al, Saeed et al, and Pride et al have also contributed to the development of metagenomics tools and approaches for genome recovery.这些发现表明，宏基因组分析和计算方法的最新进展使研究人员能够从环境样本中恢复几乎完整的基因组。本文讨论了有关宏基因组学的各种研究，这是对特定环境中多种生物的遗传物质的研究。研究集中于人类肠道微生物组及其在不同人群和年龄之间的组成。引用了几篇论文，其中包括Chen等人的论文。（2020），他开发了一种从宏基因组获得准确而完整的基因组的方法。Daubin等人的另一篇论文。（2003）探讨了细菌基因组中侧向转移基因的来源。本文还提到了有关人肠道微生物组的研究，包括Schloissnig等人的工作。（2013），他绘制了人类肠道微生物组的基因组变异景观。Yatsunenko等。 （2012）研究了在不同年龄和地理位置的人类肠道微生物组。 此外，本文参考了有关微生物从母亲传播到婴儿的研究，包括Asnicar等人的工作。 （2017）和Ferretti等。 （2018）。 本文还涉及宏基因组学分析中使用的机器学习和深度学习技术，例如变化自动编码器和无监督的聚类方法。 最后，本文提到了用于分析元基因组数据的软件工具，包括Li（2013）的BWA-MEM和Paszke等人的Pytorch。 （2019）。 以下是生物信息学和基因组学领域的各种研究文章的摘要。Yatsunenko等。（2012）研究了在不同年龄和地理位置的人类肠道微生物组。此外，本文参考了有关微生物从母亲传播到婴儿的研究，包括Asnicar等人的工作。（2017）和Ferretti等。（2018）。本文还涉及宏基因组学分析中使用的机器学习和深度学习技术，例如变化自动编码器和无监督的聚类方法。最后，本文提到了用于分析元基因组数据的软件工具，包括Li（2013）的BWA-MEM和Paszke等人的Pytorch。（2019）。以下是生物信息学和基因组学领域的各种研究文章的摘要。释义旨在保留原始文章的主要思想和发现，同时以更简洁和易于访问的方式介绍它们。1。**聚类**：一种用于将相似数据点分组在一起的算法，应用于基于Web的数据。2。** art **：用于下一代测序的模拟器可以模仿现实世界数据。3。** metaspades **：一种可以从混合微生物群落中重建基因组的宏基因组组装子。4。** minimap2 **：一种以高精度和速度对齐核苷酸序列的工具。5。** blat **：用于比较基因组序列的爆炸样比对工具。6。** Circos **：用于比较基因组学的可视化工具，用于显示多个基因组之间的关系。7。**高通量ANI分析**：使用平均核苷酸同一性（ANI）指标估算原核基因组之间距离的方法。8。** checkm **：一种评估微生物基因组完整性和污染的工具。9。** BLAST+**：具有改进功能和用户界面的BLAST算法的更新版本。10。** mash **：使用Minhash估算基因组或元基因组距离的工具。11。**浪子**：原核基因组的基因识别和翻译起始位点识别工具。12。** InterPro 2019 **：蛋白质序列注释的InterPro数据库的更新，具有改进的覆盖范围和访问功能。13。14。15。16。**控制虚假发现率**：一种用于管理生物信息学研究中多种假设检验的统计方法。** checkv **：一种用于评估元基因组组装的病毒基因组质量的工具。**使用深度学习从宏基因组数据中识别病毒**：使用机器学习从混合微生物群落中检测病毒的研究。**标准化的细菌分类法**：基于基因组系统发育的细菌进行分类的新框架，该细菌修改了生命之树。17。** gtdb-tk **：一种用于与基因组分类学数据库（GTDB）分类的工具包。18。** iq-Tree **：使用快速有效算法估算最大可能的系统发育的工具。这些摘要概述了生物信息学和基因组学领域的各种研究文章，突出显示了与序列比对，组装，注释和系统发育有关的工具，方法和研究。最新的多个序列对齐软件的进步显着提高了D. M. Mafft版本7，Modelfinder，Astral-III，UFBOOT2，Life V4和APE 5.0等工具的性能和可用性。这些工具通过引入新颖特征，例如快速模型选择，多项式时间种树重建，超快的自举近似和交互式可视化来提高系统发育估计值的准确性。这些软件包的整合已简化了构建进化树的过程，使研究人员可以更轻松地探索复杂的系统发育关系。