XiaoMi-AI文件搜索系统
World File Search System长短期
长链非编码RNA 编码的微肽研究进展
[摘要]长的非编码RNA（LNCRNA）是由200多个核苷酸构成的RNA分子，表现出相对较低的序列保护。很长一段时间以来，它们被视为“转录噪声”，即在生物领域中的非功能性RNA分子。近年来，随着研究的进步，科学家们在lncrnas中揭示了许多小型开放式阅读框（SORF），其中一些可以编码微肽。这些微肽已被证实参与了各种细胞过程和基因表达调节网络，扮演着至关重要的作用。这一发现为进一步探索生活活动以及临床诊断和疾病治疗的新研究方向开辟了新的研究方向。本综述总结了LNCRNA编码的菌根在病理和生理过程中的作用，微肽的亚细胞定位和功能机制以及微肽研究方法的进展，旨在为新型积分基于磨性的诊断诊断和治疗方法提供洞察力和参考。[关键词]长的非编码RNA；小开放阅读框；微肽；肿瘤
LSTM 与Informer 融合预测冠层区域温度
摘 要： 针对传统温度预测方法难以充分捕捉多尺度信息，导致模型预测性能不佳等问题，该研究提出了一种基于 Informer 架构和长短时记忆网络（ long short-term memory, LSTM ）与多源数据融合的冠层区域温度预测模型。在编码层 中，采用稀疏注意力机制提取输入因子的多尺度信息及其与长时序数据之间的耦合关系；在解码层中，利用 LSTM 提取 短期时序依赖，以增强时间序列的连贯性，同时引入改进的反向残差前馈网络（ improved residual feedforward network, IRFFN ）以优化模型结构。首先采用孤立森林法对数据进行异常值清理，并进行了归一化处理；然后使用斯皮尔曼相关 系数法对冠层区域温度进行相关性分析，并选择相关程度较高的环境因子作为模型的输入特征；最终通过网格搜索法对 超参数进行优化，并通过迭代训练实现模型的最优配置。通过与其他 4 种主流算法进行对比分析，提出的 Informer- LSTM 在冠层区域温度预测方面表现出更高的精度，其平均绝对误差（ mean absolute error, MAE ）、均方根误差（ root mean square error, RMSE ）和决定系数（ R 2 ）分别达到了 0.166 、 0.224 ℃和 97.8% ，与基础模型 Informer 相比，冠层区 域温度的预测精度提高了 32.36% 。该模型在时间序列预测方面具有较高的精度，为区域气象温度的中短期精准预测提 供了一种新的技术方法。 关键词： 冠层 ； 温度 ； 非线性时间序列 ； 长短期记忆神经网络 ； Informer doi ： 10.11975/j.issn.1002-6819.202409001 中图分类号： TP18 ； S165 文献标志码： A 文章编号： 1002-6819(2025)-07-0001-11
文章基于社会长短期记忆网络的多飞机轨迹协同预测
摘要：飞机轨迹预测是进离场排序、冲突检测与解决等空中交通管理技术的基础。准确的轨迹预测有助于增加空域容量，确保飞机安全有序运行。目前的研究主要集中在单架飞机轨迹预测，没有考虑飞机之间的相互作用。因此，本文提出一种基于社会长短期记忆（S-LSTM）网络的模型，实现多架飞机轨迹协同预测。该模型为每架飞机建立一个LSTM网络，并通过一个池化层来整合关联飞机的隐藏状态，可以有效捕捉它们之间的相互作用。本文以北加州终端区的飞机轨迹为实验数据。结果表明，与主流的轨迹预测模型相比，本文提出的S-LSTM模型具有较小的预测误差，证明了该模型性能的优越性。另外，在存在飞机相互作用的空域场景中进行了对比实验，发现S-LSTM的预测效果优于LSTM，证明了前者考虑飞机相互作用的有效性。
使用长短期记忆网络的端到端癫痫发作预测方法
越来越多的癫痫患者遭受着癫痫发作的痛苦，有效预测癫痫发作可以改善他们的生活质量。为了获得高灵敏度的癫痫发作预测，当前的研究通常需要复杂的特征提取操作，这严重依赖于人工经验（或领域知识）并且具有很强的主观性。为了解决这些问题，本文提出了一种基于长短期记忆网络（LSTM）的端到端癫痫发作预测方法。在新方法中，仅提取原始脑电图（EEG）信号的伽马波段作为网络输入直接进行癫痫发作预测，从而避免了主观和昂贵的特征设计过程。尽管方法简单，但在从脑电图信号中识别发作前期时，所提出的方法在波士顿-麻省理工学院儿童医院（CHB-MIT）头皮脑电图数据库上分别实现了 91.76% 的平均灵敏度和 0.29/h 的错误预测率（FPR）。此外，与仅考虑发作前和发作间期脑电图分类的传统方法不同，我们在所提出的方法中引入了发作后阶段作为额外类别。因此，癫痫发作预测的性能进一步提高，获得了更高的灵敏度 92.17% 和较低的 FPR 0.27/h。平均预警时间为 44.46 分钟，这表明该预测方法为患者采取干预措施预留了足够的时间。
基于长短期记忆神经网络的深度学习药物-靶标相互作用预测方法
目前，DTI 预测的计算方法可以分为三类：基于配体的方法、对接方法和特征学习方法。基于配体的方法通常用于通过计算给定药物或化合物与已知靶标的活性化合物的化学结构相似性来估计潜在的作用靶标。Keiser 等人 [3] 提出了一种根据配体的化学相似性推断蛋白质靶标的方法。Yamanishi 等人 [7-9] 通过将化合物的化学结构相似性和蛋白质的氨基酸序列相似性整合到均匀空间来预测未知的药物-靶标相互作用。Campillos 等人 [9] 将化合物的化学结构相似性和蛋白质的氨基酸序列相似性整合到均匀空间中。 [6]通过表型副作用的相似性来预测潜在的靶标蛋白。这种基于配体的方法在化学结构相似性较高的情况下简单有效，但也在很大程度上限制了其应用的范围和准确性。对接方法是计算药物与潜在靶标在三维结构中的形状和电性匹配程度，从而推断药物可能的作用靶点。其中，反向对接方法是最常用的预测方法，该方法通过预测给定化合物与靶标之间的相互作用模式和亲和力对药物靶标进行排序，从而确定该药物的可能靶点。程等[10]开发了基于结构的最大亲和力模型。李等[11]开发了利用对接方法识别药物靶点的网络服务器Tar-FisDock。此类方法充分考虑了目标蛋白质的三维结构信息，但分子对接方法本身仍存在一些尚未得到有效解决的问题，如蛋白质的灵活性、打分函数的准确性以及溶剂水分子等，导致逆对接，该方法的预测准确率较低。对接的另一个严重问题是它不能应用于三维结构未知的蛋白质，到目前为止，已知三维结构的蛋白质仍只占所有蛋白质的一小部分，这严重限制了该方法的推广和普及。特征学习方法将药物靶标关系视为相互作用和非相互作用的二类问题，此类方法利用机器学习算法学习已知化合物-靶标对的潜在模式，通过迭代优化生成预测模型，进而推断潜在的DTI。Yu等[12]提出了一种基于化学、基因组和药理学信息的系统方法。Faulon等[13]提出了一种基于化学、基因组和药理学信息的系统方法。[ 13 ] 预测药物
使用具有长短期记忆的循环神经网络估计锂离子电池的充电状态
摘要 —本文提出了一种针对实际条件下运行的锂离子电池 (LIB) 使用长短期记忆循环神经网络 (LSTM) 的精确充电状态 (SOC) 估计算法。凭借其自学习能力，这种数据驱动的方法能够模拟整个电池寿命期间由于环境和工作条件变化而导致的 LIB 高度非线性行为。结果表明，在准确性和稳定性方面，LSTM 方法优于使用扩展卡尔曼滤波器 (EKF) 的常见物理模型。为了证明这一优势在实际应用中的优势，使用从储能领域的商业行业应用收集的数据对所提供的网络进行训练和测试。在不同工作条件下使用 EKF 对 LSTM 进行评估并将其与等效电路模型 (ECM) 进行比较。对于动态负载曲线，ECM-EKF 的误差 (RMSE) 为 9.5%，而 LSTM 的误差 (RMSE) 为 5.0%。
通过长短期记忆循环深度神经网络提高基于脑电图的情绪识别的准确性
人们已经采用了多种方法来辨别人类的情绪，包括分析语音模式和语调（ Moriyama 和 Ozawa，2003；Zeng 等人，2009）。然而，值得注意的是，这种身体状态很容易被操纵或模仿（ Schuller 和 Schuller，2021）。面部表情及其变化通常用于情绪识别；然而，这些表情可以被个人有意修改，这对准确辨别他们的真实情绪提出了挑战（ Aryanmehr 等人，2018； Dzedzickis 等人，2020； Harouni 等人，2022）。 EEG（脑电图）是一种通过测量大脑内集体神经活动产生的电压变化来监测大脑活动的技术（San-Segundo 等人，2019 年；Dehghani 等人，2020 年、2022 年、2023 年；Sadjadi 等人，2021 年；Mosayebi 等人，2022 年）。脑电图是大脑活动和功能的反映，具有多种应用，包括但不限于情绪识别（Dehghani 等人，2011a、b、2013；Ebrahimzadeh 和 Alavi，2013；Nikravan 等人，2016；Soroush 等人，2017、2018a、b、2019a、b、2020；Bagherzadeh 等人，2018；Alom 等人，2019；Ebrahimzadeh 等人，2019a、b、c、2021、2022、2023；Bagheri 和 Power，2020；Karimi 等人，2022；Rehman 等人，2022；Yousefi 等人，2022， 2023 年）。
短期
一年级学生将参加Core 102或加入Hollins赞助的旅行/学习计划。除了旅行计划参与者外，一年级学生必须在短期内留在校园中。研讨会学生可以参加以下列出的任何一个研讨会。该研讨会系列旨在调查新问题或以创新的方式研究传统主题。完整的描述，包括费用和先决条件，位于Hollins网站www.hollins.edu，在学术界，短期。以下列出的短期课程可能会发生变化，只是最终产品的样本。核心102：冲突与协作（4）建立在第一年基金会中发展的一些技能的基础上，本课程的学生将练习如何承担风险，向前失败，导航艰难的对话，谈判冲突，作为团队的一部分工作，并接受成长心态的反馈。学生还将磨练他们的口头沟通技巧，特别是在谈判和自我顾问的背景下。所有这些活动将被仔细脚手架。将鼓励学生将这些策略应用于自己的生活。SEM 1077：Studio Art高级项目（4）Zompetti在此强化研讨会上将自己沉浸在工作室练习中，着重于为高级工作室艺术展览开发您的作品。与Studio Art教师和您的同龄人一起研究您的方法，概念和工作室工作流程，同时与您的同龄人一起参加两个小组评论，并与教职员工一起访问。您将学到的内容：期望在研讨会时间表之外每周额外的10-15个小时，以供您独立的工作室工作。SEM 1193：现代世界的生存（4）Imbriani本课程提供了独特而个人的互动学习经验，可以帮助学生反思自己的领导风格，教育生活和个人生活。通过学习生存的七个优先事项以及利用他们所需的技术技能，将确定荒野生存技术，大学生活和个人生活之间存在的相似之处。SEM 1244：反复试验（4）卡森，由罗阿诺克市巡回法院法官戴维·卡森（David Carson）教授的舒姆（Schumm），本课程是法律，法律制度和审判案件的密集指南。班级将在校园和法庭上向学生介绍实体法律领域和审判倡导程序。作为审判实践的一部分，要求学生观察法庭诉讼，并进行基本的审判练习；包括开放陈述，结束论点，直接考试和跨考试。专业服装和参加所有预定课程的能力是入学学生的。SEM 1278：舞台战斗简介（4）史密斯探究舞台战斗世界，并带来戏剧性的冲突！本课程超越了传统的表演，教您如何在舞台上安全和令人信服地描绘身体对抗。
长...
纤维锂离子电池（FLIBS）对可穿戴电子设备供电。但是，它们的实际应用受到有限的周期和日历寿命的阻碍，这主要是由于通过封装层渗透而导致的活跃LI损失。为了应对这一挑战，将低渗透性和高灵性四氟乙二醇六烷基共聚物共聚物（FEP）管提出，以通过熔化挤出法连续封装FLIB。由于氟氨酸树脂的固有疏水性和聚合物基质的适当结晶度，FEP管表现出明显低的蒸气渗透性，水蒸气透射率（WVTR）为0.3 mg·day -day -day -day -1·Pkg - 1·PK -PK -PK -1，15倍（4. 3倍）（4.6）。 1·PKG - 1）。Leveraging the low permeability and elastic modulus of FEP tubes, FLIBs demonstrate a capacity retention of 80.05% after 180 cycles and exceptional flexibility with a capacity retention of 98.32% after 10 000 bending cycles, showcasing superior performance compared to the conventional polymer tubes (for example, the capacity of PP-FLIBs declined by 20.68% after 30周期）。这项工作提出了一种一般且有效的策略，用于连续封装FLIB，有效地延长了FLIB的循环和日历寿命，从而增强了其可穿戴电子应用的实际生存能力。