XiaoMi-AI文件搜索系统
World File Search System过大
tivozanib在经过大量预处理的晚期透明细胞肾细胞癌
摘要背景：基于Tivo-3试验，Tivozanib已被批准为晚期肾细胞癌的第三线或后来的疗法，该试验是在免疫检查点疗法（ICT），Cabozantinib和Lenvatinib/everolimus/Everolimus之前进行的，该试验是在当前的顺序治疗paradigm中纳入了Advanced Cliel Cell Rcc（CCRCCC）。方法：我们对6/2021-7/2023中的MD Anderson癌症中心治疗的晚期CCRCC患者进行了回顾性研究。一名盲放射科医生评估了RECIST V1.1的肿瘤反应。我们评估了总体反应率（ORR），临床益处率（CBR）[所有获得放射学反应或稳定疾病（SD）（SD）的患者的百分比≥6个月]，无进展生存率（PFS），整体存活率（OS）和安全性。结果：在30名分析患者中，23％的性能状态≥2； 47％的人患有国际转移性RCC数据库财团（IMDC）贫困疾病。先前疗法的中位数为4（范围1-8）。所有患者均接受过先前的ICT，87％的Cabozantinib和60％Lenva tinib±Everolimus。在26名可评估患者中，有2名患者已确认部分反应（ORR 7.7％）； 5例患者的SD≥6个月（CBR 23.3％）。中位PFS为3.8个月（范围0.7-13.9）；中位OS为14.1个月（范围0.3-28.5）。15例患者（50％）患有≥1例与治疗相关的不良事件（TRAE）。有6级≥3级TRAES [高血压，充血性心力衰竭（3），粘膜炎和GI每锻（5级）]。traes与先前发表的报告一致。结论：在经过大量预处理的患者中，Tivozanib在接受ICT，Cabozantinib和Lenvatinib±依依他的少数患者中产生了适度的临床益处。关键词：肾细胞癌； tivozanib;酪氨酸激酶抑制剂； VEGF封锁；测序。
通过大语言模型指导预测学习
强化学习算法通常在没有密集，形状良好的奖励功能的情况下挣扎。本质上动机的利用方法通过奖励访问新颖状态或过渡的代理来解决这一限制，但是这些方法在大多数发现的新颖性与下游任务无关的大环境中提供了有限的好处。我们描述了一种使用文本语料库中背景知识来塑造探索的方法。此方法称为Ellm（e xploring at llm s）奖励代理，以实现由促使代理当前状态描述的语言模型所建议的目标。通过利用大规模的语言模型进行预处理，Ellm指导代理人朝着人类善意而有用的行为来实现，而无需在循环中进行人类。我们在手工游戏环境和管家机器人模拟器中评估ELLM，表明经过训练期间，经过ELLM训练的代理在训练过程中具有更好的覆盖范围，并且通常在一系列下游任务上匹配或提高性能。
通过大语言模型探索零拍的跨语性生物医学概念归一化
摘要。在过去的几年中，歧视性和生成性的大语言模型（LLM）已成为自然语言处理的主要方法。，尽管取得了重大进步，但在比较跨语性生物医学概念归一化中判别和生成性LLM的性能仍然存在差距。在本文中，我们对几个LLM进行了比较研究，涉及跨语言生物医学概念通过致密检索的具有挑战性的任务。我们利用涵盖10种语言的XL-BEL数据集来评估模型在不进一步适应的情况下在各种语言环境中概括的能力。实验发现表明，E5是一种判别模型，表现出卓越的性能，而生物分类出现为表现最佳的生成LLM。复制实验的代码可在以下网址提供：https：//github.com/hrouhizadeh/zsh_cl_bcn。
通过大脑语言训练恢复失语症–...
失语症是一种理解或产生语言障碍的疾病，是中风后常见的一种疾病，具有毁灭性的影响。传统的言语和语言治疗包括各种正式的干预措施，以提高语言和沟通能力。在中风后的慢性期，与不治疗相比，这种方法是有效的，但效果不大。我们提出了一种基于脑机接口系统的失语症患者康复的新语言训练方法。该方法利用其提供与大脑状态时间锁定的反馈的能力。因此，它实现了这样一种想法，即强化适当的语言处理策略可能会诱导有益的大脑可塑性。在我们的方法中，患者在记录脑电图的同时执行一个简单的听觉目标词检测任务。机器学习模型对这些信号的不断解码会产生个性化和即时的大脑状态相关反馈。它向患者表明他们在训练过程中完成任务的程度，即使他们无法说话。对 10 名患有轻度至重度慢性失语症的中风患者（年龄范围：38-76 岁）进行的概念验证研究的结果非常显著。首先，我们发现，尽管词语呈现速度较快且中风引起的脑电图信号特征不佳，但高强度训练（每周 4 天，每天 30 小时）是可行的。其次，训练使失语症持续恢复，这种恢复扩展到训练任务之外的多个语言方面。具体而言，所有测试的语言评估（亚琛失语症测试、Snodgrass & Vanderwart、交流活动日志）都显示，训练前后患者的表现有显著的中度到高度改善，亚琛失语症测试的标准化平均差异为 0.63，五名患者在训练后评估中被归类为非失语症。第三，我们的数据显示，这些语言能力的提高并没有伴随注意力技能和非语言技能的显著变化。研究这种基于大脑 - 计算机界面的语言训练的可能作用模式，神经影像数据（EEG 和静息状态功能 MRI）表明训练可以加快文字处理速度、增强语言网络以及语言和默认模式网络之间的重新平衡。
通过大肠杆菌代谢工程提高微生物燃料电池的性能以实现吩嗪的生产
摘要：基于介质的微生物电化学系统（例如微生物燃料电池 (MFC)）的设计、开发和应用进展的核心作用之一是通过细胞外电子转移 (EET) 模式在导电电极表面和微生物之间建立有效且成功的通信。大多数基于微生物的系统需要使用人工电活性介质来促进和/或增强电子转移。我们之前的工作建立了一个外源性吩嗪类介质库作为介质系统，以使模型微生物大肠杆菌作为一种有前途的生物技术宿主能够进行 EET。然而，向微生物电化学系统中添加外源性介质具有某些限制性缺点，特别是关于介质对细胞的毒性和增加的运营费用。在此，我们展示了通过将来自铜绿假单胞菌的吩嗪生物合成途径引入大肠杆菌，大肠杆菌能够内源性地自生成吩嗪代谢物的代谢和遗传工程。该生物合成途径包含一个由七个基因组成的吩嗪簇，即 phzABCDEFG（phzA-G），负责从分支酸合成吩嗪-1-羧酸 (PCA)，以及两个另外的吩嗪辅助基因 phzM 和 phzS，用于催化 PCA 转化为绿脓素 (PYO)。我们展示了通过电化学测量、RNA 测序和显微镜成像收集的工程化大肠杆菌细胞的特征。最后，工程化大肠杆菌细胞用于设计性能增强的微生物燃料电池，最大功率密度从未工程化大肠杆菌细胞的 127 ± 5 mW m − 2 增加到基因工程的、产生吩嗪的大肠杆菌的 806 ± 7 mW m − 2。我们的结果表明，将异源电子穿梭引入大肠杆菌可以提高电池的性能。大肠杆菌不仅是一种有效的策略，而且是一种很有前途的策略，可以在活生物电化学系统中建立有效的电子介导，并提高与 MFC 电流产生和功率输出相关的整体 MFC 性能。关键词：微生物燃料电池、基因工程、性能改进、细胞外电子转移 ■ 介绍
通过大语言模型的测试时间缩放生成符号世界模型
解决复杂的计划问题需要大型语言模型（LLMS）明确对状态过渡进行建模，以避免规则违规，遵守限制并确保操作性 - 这是由自然语言固有的歧义所阻碍的任务。为了克服这种歧义，规划域定义语言（PDDL）被杠杆化为一种计划，以实现精确和正式的状态描述。使用PDDL，我们可以生成一个象征性的世界模型，其中经典的搜索算法（例如A ∗）可以无缝地找到最佳计划。但是，由于缺乏PDDL培训数据，直接生成具有当前LLM的PDDL域仍然是一个开放的挑战。为了应对这一挑战，我们建议扩大LLMS的测试时间计算以增强其PDDL推理功能，从而使高质量的PDDL域的产生。具体来说，我们引入了一种简单而有效的算法，该算法首先采用了最佳的N采样方法来提高初始解决方案的质量，然后通过口头化的机器学习以细粒度的方式优化解决方案。我们的方法在PDDL域的产生中大大优于O1-Mini，在两个任务上达到了超过50％的成功率（即，从自然语言描述或PDDL问题中生成PDDL域）。这是在不需要额外培训的情况下完成的。通过利用PDDL作为状态抽象，我们的方法能够在几乎所有竞争级的计划任务上都超过当前最新方法。
通过大脑 - 计算机界面检测情绪时，分析驾驶任务的影响
抽象的交通事故是年轻人中死亡的主要原因，这个问题今天造成了大量受害者。已经提出了几种技术来预防事故，是大脑计算机界面（BCIS）是最有前途的。在这种情况下，BCI被用来检测情绪状态，集中问题或压力很大的情况，这可能在道路上起着基本作用，因为它们与驾驶员的决定直接相关。但是，没有广泛的文献应用BCI来检测受试者在驾驶场景中的情绪。在这种情况下，需要解决一些挑战，例如（i）执行驾驶任务对情绪检测的影响以及（ii）在驾驶场景中哪些情绪更可检测到的情绪。为了改善这些挑战，这项工作提出了一个框架，该框架着重于使用机器学习和深度学习算法的脑电图来检测情绪。此外，已经设计了一个用例，其中有两种情况。第一种情况是聆听声音作为要执行的主要任务，而在第二种情况下，聆听声音成为次要任务，这是使用驾驶模拟器的主要任务。以这种方式，旨在证明BCI在这种驾驶方案中是否有用。结果改善了文献中现有的结果，可用于检测两种情绪（非刺激和愤怒）的准确性99％，三种情绪（非刺激性，愤怒和中性）的93％，四种情绪（非刺激性情绪（非刺激）（非刺激性，愤怒，中立和快乐）的精度为75％。
自主电力系统监控和控制策略以避免存储容量过大
Hong TT Vu 1,2 、Benoit Delinchant 1* 、Jérôme Ferrari 1 和 Quang D Nguyen 2,3 1 格勒诺布尔阿尔卑斯大学，CNRS，格勒诺布尔 INP，G2Elab，38000 格勒诺布尔，法国 2 河内科技大学能源系，VAST，越南 3 能源与科学研究所，VAST，越南 *电子邮件：benoit.delinchant@G2Elab.grenoble-inp.fr 摘要。实现能源效率和电网稳定性的重要解决方案是升级单个光伏系统中的自动消耗。在本文中，我们提出了一种实施低成本传感器和执行器的方法，以便更好地监视和控制可行性解决方案。该方法是通过对法国格勒诺布尔 Greenhouse 的光伏系统进行案例研究进行的。我们提出了一组最少的传感器来降低系统复杂性，同时为我们提供足够的信息来做出决策。分析了一些技术问题，如系统的准确性、采样率、响应能力。考虑了逆变器运行模式对系统损耗的影响。之后，我们根据可用的设计数据和 PVSyst 的模拟数据找出了系统中的能源问题。研究了一种光伏发电预测模型，输入是从网络服务收集的预测云量数据，每 3 小时更新一次。该模型结合离网逆变器的实时监测数据和设置模式，用于确定控制策略，目标是避免存储容量过大并最大限度地延长光伏系统的自主持续时间。
TWAS 通过大豆基因表达、结构变异和可变剪接促进基因尺度性状遗传解剖
全基因组关联研究 (GWAS) 可以识别与性状相关的基因座，但识别致病基因可能是一个瓶颈，部分原因是连锁不平衡 (LD) 衰减缓慢。全转录组关联研究 (TWAS) 通过识别基因表达-表型关联或将基因表达数量性状基因座与 GWAS 结果整合来解决这一问题。在这里，我们使用自花授粉大豆 (Glycine max [L.] Merr.) 作为模型来评估 TWAS 在 LD 衰减缓慢的植物物种性状遗传解析中的应用。我们为大豆多样性面板生成了 RNA 测序数据，并识别了 29 286 个大豆基因的遗传表达调控。不同的 TWAS 解决方案受 LD 的影响较小，并且对表达源具有稳健性，可以识别与来自不同组织和发育阶段的性状相关的已知基因。通过 TWAS 鉴定出新的豆荚颜色基因 L2，并通过基因组编辑对其进行了功能验证。通过引入新的外显子比例特征，我们显著提高了由结构变异和可变剪接导致的表达变异的检测。因此，通过我们的 TWAS 方法鉴定出的基因表现出多种多样的因果变异，包括 SNP、插入或缺失、基因融合、拷贝数变异和可变剪接。使用这种方法，我们鉴定出与开花时间相关的基因，包括以前已知的基因和以前未与此特性关联的新基因，从而为 GWAS 的见解提供了补充。总之，这项研究支持将 TWAS 应用于 LD 衰减率较低的物种的候选基因鉴定。
通过大脑健身练习来提高注意力和成绩......
表 4：对照组与实验组后测学业成绩比较组别测试平均值标准差值't'值'p'值对照组后测 58.6 2.059 7.061 P< 0.0001实验组后测 52.5 2.729