XiaoMi-AI文件搜索系统
World File Search System鉴定
使用深度学习的鸟类鉴定
4 md.devendran@gmail.com摘要：鸟类鉴定在生物多样性保护和生态学研究中起着至关重要的作用，为栖息地健康和物种分布提供了见解。识别鸟类物种的传统方法是时间密集型，容易出现人为错误，因此需要自动解决方案。这个项目是使用深度学习的鸟类识别，提出了一个先进的系统，以利用深度学习的力量准确地从图像中识别鸟类。该系统利用卷积神经网络（CNN），以其在图像分类任务方面的熟练程度而闻名。一个包含多种鸟类图像的数据集进行了预处理并增强，以增强模型的鲁棒性和泛化。模型架构旨在提取复杂的特征，即使在诸如不同的照明条件，遮挡或类似物种的外观等挑战性的情况下，也可以准确识别。使用准确性，精度，召回和F1得分等指标评估模型的性能，以确保全面验证。结果表明，对传统机器学习方法的准确性改善了，这表明了物种识别中深度学习的潜力。该项目对野生动植物监测，生态研究和教育工具的应用有望，从而促进了意识和保护工作。未来的工作可能包括将系统集成到移动应用中，或将其部署在现场条件下的实时鸟类识别。
鉴定有效的paracaspase malt1抑制剂...
结果：我们使用我们专有物理学的自由能扰动（FEP+）建模技术确定了新型的小分子MALT1抑制剂。我们的化合物显示出对MALT1酶活性的有效抑制（亚NM），以及通过表面等离子体共振（SPR）测量的MALT1蛋白的高结合亲和力（sub nm）。bcl10是MALT1的结合伙伴，在C端在C端裂解。Our inhibitors were efficacious in a target engagement assay showing prevention of BCL10 cleavage in Activated B-cell (ABC) subtype of diffuse large B cell lymphoma (DLBCL) cell lines OCI-LY3 and OCI-LY10, which are Bruton tyrosine kinase (BTK) inhibitor ibrutinib-resistant and -responsive respectively.我们的化合物是OCI-LY3和OCI-LY10细胞中IL10分泌的有效抑制剂，这与NF-κB信号传导的抑制一致。我们还检查了MALT1抑制剂对ABC-DLBCL细胞增殖的影响。我们的抑制剂在OCI-LY3和OCI-LY10细胞系中都表现出有效的抗增殖作用，以及在BTKI敏感的ABC-DLBCL细胞图中与ibrutinib的协同作用。检查蛋白酶面板和脱靶安全筛选面板以及体内高剂量耐受性研究表明，我们的化合物具有出色的选择性和明显的安全余量。等离子体IL10和肿瘤BCL10在PK/PD研究中已被鉴定为可靠的PD标记。剂量依赖性肿瘤生长抑制作用，还观察到与Venetoclax结合使用的功效。
通过机器学习和异质性细胞模型的高通量筛选鉴定针对胶质母细胞瘤的候选药物
3爱丁堡大学生物科学学院，Max Born Crescent，Edinburgh，EH9 3BF，英国。 *相应的作者：d.oyarzun@ed.ac.uk; n.carragher@ed.ac.uk摘要胶质母细胞瘤多形（GBM）是一种侵略性的原发性脑肿瘤，由于其复杂的病理和异质性，引起了重大治疗挑战。 缺乏经过验证的分子靶标是发现新的治疗候选者的主要障碍，在二十年中，没有向患者提供新的有效GBM疗法。 在这里，我们报告了针对GBM干细胞存活表型的化合物的鉴定。 我们的方法采用机器学习（ML）的预测指标的细胞存活率，这些细胞存活在高通量，基于图像的，基于图像的表型筛选数据中，用于3,561种化合物，以多个浓度，跨六个异质，患者衍生的GBM干细胞系进行多个浓度。 我们在计算上筛选了跨越各种化学类别的12,000多种化合物。 对GBM干细胞系中ML识别的候选物的实验验证，导致了三种化合物对GBM表型的活性。 值得注意的是，我们经过验证的HSP90抑制剂XL888之一，靶向消除所有六个GBM干细胞系，其IC50在纳莫尔范围内。 其他两种化合物在具有不同细胞系敏感性的多个GBM细胞系中展示了广泛的活动，为将来的个性化医学运动提供了途径。 患者的预后较差，治疗方案有限（通常是手术，然后进行化学放疗），导致抗药性的出现。3爱丁堡大学生物科学学院，Max Born Crescent，Edinburgh，EH9 3BF，英国。*相应的作者：d.oyarzun@ed.ac.uk; n.carragher@ed.ac.uk摘要胶质母细胞瘤多形（GBM）是一种侵略性的原发性脑肿瘤，由于其复杂的病理和异质性，引起了重大治疗挑战。缺乏经过验证的分子靶标是发现新的治疗候选者的主要障碍，在二十年中，没有向患者提供新的有效GBM疗法。在这里，我们报告了针对GBM干细胞存活表型的化合物的鉴定。我们的方法采用机器学习（ML）的预测指标的细胞存活率，这些细胞存活在高通量，基于图像的，基于图像的表型筛选数据中，用于3,561种化合物，以多个浓度，跨六个异质，患者衍生的GBM干细胞系进行多个浓度。我们在计算上筛选了跨越各种化学类别的12,000多种化合物。对GBM干细胞系中ML识别的候选物的实验验证，导致了三种化合物对GBM表型的活性。值得注意的是，我们经过验证的HSP90抑制剂XL888之一，靶向消除所有六个GBM干细胞系，其IC50在纳莫尔范围内。其他两种化合物在具有不同细胞系敏感性的多个GBM细胞系中展示了广泛的活动，为将来的个性化医学运动提供了途径。患者的预后较差，治疗方案有限（通常是手术，然后进行化学放疗），导致抗药性的出现。我们的工作证明了在与ML串联串联中使用表型筛选的使用可以有效地识别具有很少已知分子靶标的高度异质指示中个性化处理的治疗铅。关键字：胶质母细胞瘤，人工智能，药物发现，机器学习简介胶质母细胞瘤多形（GBM）是人类成年人中最常见和最具侵略性的原发性脑肿瘤，其特征是遗传驱动因素的实质异质性和肿瘤微环境1-3。在过去20年中，新诊断的GBM患者的护理标准包括手术，替莫唑胺（TMZ）和电离辐射（IR），延长了12个月至15个月患者的总体生存期4,5。大规模的基因组分析增强了我们对GBM分子生物学的理解，后者支持
显示鉴定的抗TIM3和抗试剂新抗体
抗体发现是一个漫长而劳动密集型的过程，需要大量的实验室工作，以确保抗体证明其在人类患者中用作治疗剂所必需的适当效率，生产和安全特征。传统上，此过程始于噬菌体显示或B细胞隔离运动，在该活动中，该活动是主要的选择标准。然而，通过这种方法识别的初始引线在开发性和表位定义方面缺乏足够的表征，通常在后期进行。在这项研究中，我们提出了一条管道，该管道将早期噬菌体展示筛选与基于AI的表征相结合，从而在整个选择过程中实现了更明智的决策。使用免疫检查点Tim3和Tigit作为目标，我们识别出具有相似结合特性的五个初始铅。由于表面物理化学特性不利，这些引线中的两个被预测具有较差的开发性纤维。生成了2：T4（反对Tigit）和6E9（针对TIM3），生成了及其各自目标的复合物的结构模型。预测的表位使我们能够预期与Tim3和Tigit结合伙伴进行竞争，并推断这些抗体预期的拮抗功能。这项研究奠定了从高吞吐量分析中得出的多维AI驱动的铅候选者的基础。
鉴定儿童血液中常染色体CIS表达定量性状甲基化（顺式EQTMS）
1 Respucation of ResjudmentBioMédicen Red de Enfermedes Raras（Ciberer），西班牙巴塞罗那； 2大学庞贝·法布拉大学（UPF），西班牙巴塞罗那； 3西班牙巴塞罗那科学技术研究所（Bisti）基因组调节中心（CNAG-CRG）的Centro NacionaldeAnálisisGenómica（CNAG-CRG）； 4 Isglobal，西班牙巴塞罗那； 5西班牙巴塞罗那巴塞罗那科学技术学院基因组监管中心（CRG）； 6 CiberEpidemiologíay SaludPública（Ciberesp），西班牙巴塞罗那； 7医学基因组学集团，圣地亚哥大学，西班牙圣地亚哥·德·孔波斯特拉； 8英国布拉德福德的布拉德福德教学医院NHS基金会信托基金Bradford健康研究所； 9大学格勒诺布尔（Grenoble Alpes），Inserm，CNRS，环境流行病学团队，用于繁殖和呼吸遗产，法国格勒诺布尔； 10日环境科学系，立陶宛Kaunas Vytautas Magnus University； 11挪威挪威公共卫生学院环境卫生部；挪威； 12社会医学系，克里特岛克里特大学，希腊克里特岛； 13美国南加州大学凯克医学院预防医学系，美国洛杉矶，美国； 14 Medicine Genomics Group，Ciberer，Santiago de Compostela大学，西班牙圣地亚哥De Costela； 15加利西亚州基因组医学基金会，西班牙圣地亚哥·德·波多拉（Santiago de Costela）； 16定量基因组医学实验室（QGENOMICS），西班牙巴塞罗那的埃斯普尔·德尔·洛布雷加； 17 Departoment de Biomedicine，DeNeurociències，巴塞罗那大学，巴塞罗那大学，西班牙
通过一种创新的效应方法方法鉴定了针对小菜的抗leptosposphaeria maculans涉及的主要基因。
L. maculans是一种植物致病的真菌，负责菜籽（甘蓝纳普斯）上的茎溃疡。其感染周期正在经历叶片感染的“早期”阶段，以及茎的无症状定植的“晚期”阶段，最终导致茎溃疡。遗传抗性是控制这种疾病的主要方法，几种质量抗性基因识别了在感染的“早期”阶段表达的空白基因。我们选择关注在茎定植期间表达的“晚”效应子，因为我们假设这些效应子可以触发茎中的定量抗性，这将对病原体施加较小的选择压力，并且更耐用。
生物信息学分析和鉴定纽卡斯尔疾病病毒F蛋白的表现区域
5-贵金[1] Alexander，D.J。，Aldous，E.W。和Fuller。 C.M. ）2012年（长期观点：对40年纽卡斯尔疾病研究的选择性评论。 禽病。 41（4），329-35。 [2] Altschul，S.F.，Gish，W。Miller，W。Myers，E.W。 和Lipman，D.J。 ）1990（基本本地对齐搜索工具。 J. Mol。 生物。 215（3），403-10。 [3] Ansori，A.N。和Kharisma，V.D。 ）2020（东南亚和东亚纽卡斯尔病毒的表征：融合蛋白基因。 eksakta：J。Sci。 数据肛门。 20（1），14-20。 [4] Ayala，A.J.，Dimitrov，K.M.，Becker，C.R.，Goraichuk，I.V.，Arns，C.W.，Bolotin，V.I. （2016）野生鸟类存在疫苗衍生的纽卡斯尔病毒。 PLOS ONE 11（9），E0162484。 [5] Brown，V.R。和Bevins，S.N。 （2017）对美国有毒纽卡斯尔病毒病毒的综述以及野生鸟类在病毒持久性和传播中的作用。 兽医。 res。 48（1），1-5。 [6] De Leeuw，O。和Peeters，B。 （1999）纽卡斯尔病毒的完整核苷酸序列：在亚家族中存在新属的证据。 J. Virol。 80（1），131-6。 [7] Dimitrov，K.M.，Ferreira，H.L.，Pantin- Jackwood，M.J.，Taylor，T.L.，Goraichuk，I.V.，I.V.，Crossley，B.M。，Killian，M.L.，M.L.，M.L.，Bergeson，N.H. 病毒学531，203-18。 2017。5-贵金[1] Alexander，D.J。，Aldous，E.W。和Fuller。C.M. ）2012年（长期观点：对40年纽卡斯尔疾病研究的选择性评论。 禽病。 41（4），329-35。 [2] Altschul，S.F.，Gish，W。Miller，W。Myers，E.W。 和Lipman，D.J。 ）1990（基本本地对齐搜索工具。 J. Mol。 生物。 215（3），403-10。 [3] Ansori，A.N。和Kharisma，V.D。 ）2020（东南亚和东亚纽卡斯尔病毒的表征：融合蛋白基因。 eksakta：J。Sci。 数据肛门。 20（1），14-20。 [4] Ayala，A.J.，Dimitrov，K.M.，Becker，C.R.，Goraichuk，I.V.，Arns，C.W.，Bolotin，V.I. （2016）野生鸟类存在疫苗衍生的纽卡斯尔病毒。 PLOS ONE 11（9），E0162484。 [5] Brown，V.R。和Bevins，S.N。 （2017）对美国有毒纽卡斯尔病毒病毒的综述以及野生鸟类在病毒持久性和传播中的作用。 兽医。 res。 48（1），1-5。 [6] De Leeuw，O。和Peeters，B。 （1999）纽卡斯尔病毒的完整核苷酸序列：在亚家族中存在新属的证据。 J. Virol。 80（1），131-6。 [7] Dimitrov，K.M.，Ferreira，H.L.，Pantin- Jackwood，M.J.，Taylor，T.L.，Goraichuk，I.V.，I.V.，Crossley，B.M。，Killian，M.L.，M.L.，M.L.，Bergeson，N.H. 病毒学531，203-18。 2017。C.M.）2012年（长期观点：对40年纽卡斯尔疾病研究的选择性评论。禽病。41（4），329-35。[2] Altschul，S.F.，Gish，W。Miller，W。Myers，E.W。和Lipman，D.J。）1990（基本本地对齐搜索工具。J. Mol。 生物。 215（3），403-10。 [3] Ansori，A.N。和Kharisma，V.D。 ）2020（东南亚和东亚纽卡斯尔病毒的表征：融合蛋白基因。 eksakta：J。Sci。 数据肛门。 20（1），14-20。 [4] Ayala，A.J.，Dimitrov，K.M.，Becker，C.R.，Goraichuk，I.V.，Arns，C.W.，Bolotin，V.I. （2016）野生鸟类存在疫苗衍生的纽卡斯尔病毒。 PLOS ONE 11（9），E0162484。 [5] Brown，V.R。和Bevins，S.N。 （2017）对美国有毒纽卡斯尔病毒病毒的综述以及野生鸟类在病毒持久性和传播中的作用。 兽医。 res。 48（1），1-5。 [6] De Leeuw，O。和Peeters，B。 （1999）纽卡斯尔病毒的完整核苷酸序列：在亚家族中存在新属的证据。 J. Virol。 80（1），131-6。 [7] Dimitrov，K.M.，Ferreira，H.L.，Pantin- Jackwood，M.J.，Taylor，T.L.，Goraichuk，I.V.，I.V.，Crossley，B.M。，Killian，M.L.，M.L.，M.L.，Bergeson，N.H. 病毒学531，203-18。 2017。J. Mol。生物。215（3），403-10。[3] Ansori，A.N。和Kharisma，V.D。 ）2020（东南亚和东亚纽卡斯尔病毒的表征：融合蛋白基因。 eksakta：J。Sci。 数据肛门。 20（1），14-20。 [4] Ayala，A.J.，Dimitrov，K.M.，Becker，C.R.，Goraichuk，I.V.，Arns，C.W.，Bolotin，V.I. （2016）野生鸟类存在疫苗衍生的纽卡斯尔病毒。 PLOS ONE 11（9），E0162484。 [5] Brown，V.R。和Bevins，S.N。 （2017）对美国有毒纽卡斯尔病毒病毒的综述以及野生鸟类在病毒持久性和传播中的作用。 兽医。 res。 48（1），1-5。 [6] De Leeuw，O。和Peeters，B。 （1999）纽卡斯尔病毒的完整核苷酸序列：在亚家族中存在新属的证据。 J. Virol。 80（1），131-6。 [7] Dimitrov，K.M.，Ferreira，H.L.，Pantin- Jackwood，M.J.，Taylor，T.L.，Goraichuk，I.V.，I.V.，Crossley，B.M。，Killian，M.L.，M.L.，M.L.，Bergeson，N.H. 病毒学531，203-18。 2017。[3] Ansori，A.N。和Kharisma，V.D。）2020（东南亚和东亚纽卡斯尔病毒的表征：融合蛋白基因。eksakta：J。Sci。数据肛门。20（1），14-20。[4] Ayala，A.J.，Dimitrov，K.M.，Becker，C.R.，Goraichuk，I.V.，Arns，C.W.，Bolotin，V.I.（2016）野生鸟类存在疫苗衍生的纽卡斯尔病毒。PLOS ONE 11（9），E0162484。[5] Brown，V.R。和Bevins，S.N。（2017）对美国有毒纽卡斯尔病毒病毒的综述以及野生鸟类在病毒持久性和传播中的作用。兽医。res。48（1），1-5。[6] De Leeuw，O。和Peeters，B。（1999）纽卡斯尔病毒的完整核苷酸序列：在亚家族中存在新属的证据。J. Virol。 80（1），131-6。 [7] Dimitrov，K.M.，Ferreira，H.L.，Pantin- Jackwood，M.J.，Taylor，T.L.，Goraichuk，I.V.，I.V.，Crossley，B.M。，Killian，M.L.，M.L.，M.L.，Bergeson，N.H. 病毒学531，203-18。 2017。J. Virol。80（1），131-6。[7] Dimitrov，K.M.，Ferreira，H.L.，Pantin- Jackwood，M.J.，Taylor，T.L.，Goraichuk，I.V.，I.V.，Crossley，B.M。，Killian，M.L.，M.L.，M.L.，Bergeson，N.H.病毒学531，203-18。2017。（2019）2018年至2019年加利福尼亚疫情及其相关病毒在年轻鸡和相关病毒中的致病性和传播。[8] Dimitrov，K.M。，Afonso，C.L.，Yu，Q。和Miller，P.J。纽卡斯尔疾病疫苗 -
使用生物信息学和机器学习鉴定子宫中重要的诊断基因
摘要背景：子宫子宫内膜癌（UCEC）被称为世界第六大癌症。生物信息学和深度学习的进步提供了筛查大规模基因组数据并发现指示疾病状态的潜在生物标志物的两种工具。这项研究旨在研究使用生物信息学和机器学习算法鉴定子宫诊断和预后的重要基因。方法：分析UECE患者的RNA表达谱，使用深度学习技术鉴定差异表达的基因（DEG）。预后生物标志物。此外，彻底检查了分子途径，蛋白质 - 蛋白质相互作用（PPI）网络，DEG的共表达模式及其与临床数据的关联。最终，通过基于深度学习的分析来确定诊断标记。结果：根据我们的发现，MEX3B，CTRP2（C1QTNF2）和AASS是UCEC的新生物标志物。评估指标证明了深度学习模型的功效（DNN）功效，最小平均平方误差（MSE）为5.1096067E-5，而根平方误差（RMSE）为0.007，表示准确的预测。0.99的R平方值强调了该模型解释数据中差异的很大一部分的能力。因此，该模型在曲线（AUC）下达到了一个完美的区域，表示特殊的歧视能力，精度率为97％。因此，确定新的UCEC生物标志物有望有效护理，改善预后和早期诊断。结论：GDCA数据库和深度学习算法确定了3个重要基因-MEX3B，CTRP2（C1QTNF2）和AASS，是UCEC的潜在诊断生物标志物。关键词：子宫语料库子宫内膜癌，深度学习，生物标志物，生物信息学分析，UCEC利益冲突：无宣布的资金：这项研究得到了Shahid Beheshti医学科学大学的资助和支持。*这项工作已根据CC BY-NC-SA 4.0许可发布。版权所有©伊朗医学科学大学引用本文的引用：Valizadeh Laktarashi H，Rahimi M，Rahimi M，Abrishamifar K，Mahmoudabadi A，Nazari E.使用生物学信息和机器学习对子宫中重要的诊断基因的鉴定。Med J Islam Repub伊朗。2025（1月6日）; 39：4。 https://doi.org/10.47176/mjiri.39.4