XiaoMi-AI文件搜索系统
World File Search System集合
洪水河水水平的预测，使用集合机器学习预警系统
Amrul Faruq* 1,2，Shamsul Faisal Mohd Hussein 2，Aminaton Marto 2,3和Shahrum Shah Abdullah* 2 1 1 1 1 1 1 1 1 1 1 15144 MALANG，65144 MALANG，INDONESIA 2 MALAYSIA 2 MALAYSIA-INSTICAIT INSTICE INDENTION INSTICER ENCENCOULTY，INDISIA-INSTICAIL INSTICEIT INSTICEINION ENGISTION ENGINEERION马来西亚54100马来西亚的Teknologi，马来西亚吉隆坡3号，3柔软土壤研究中心，马来西亚的86400 Batu Pahat，Malaysia，Malaysia，马来西亚86400 Batu Pahat * shahrum@utm.my摘要。洪水预测对于预警系统和减少灾害风险至关重要。然而，洪水的水位既困难又具有挑战性，因此无法通过古典时间序列的方法轻松捕获它。这项研究提出了一种新型的智能系统，将各种机器学习技术用作单个模型，包括径向基函数神经网络（RBF-NN），适应性神经模糊的推理系统（ANFIS），支持向量机（SVM）和长期短期内存网络（LSTM），以建立智能委员会的机器学习Flood Flood Flood Flooder Flood Forecasting Forecasting（ICM-Fff）。通过简单的平均方法实现的这些单个模型的组合，并使用加权平均最终的邻居（𝐾 -NN）和遗传算法（GA）进一步优化。使用马来西亚凯兰丹河的实案例研究评估了所提出的模型的有效性。结果表明，ANFI的表现优于单个模型，而基于ICML-FF的模型比任何一个人都产生了更好的准确性和最低的误差。一般而言，发现拟议的ICML-FF能够为洪水预警系统提供健全的预测模型。
集合利润分享计划与参与者主导计划 40
作者：John Shubert，是投资管理公司和 RIA Blue Granite Capital 的合伙人。Shubert 先生拥有 30 多年的 ERISA 顾问和投资顾问经验，为全国各地的公司和机构提供服务。他曾为机构、政府和财富 500 强客户管理退休计划资产。Shubert 先生在退休和投资行业享有很高的声誉，曾担任国家顾问委员会成员，曾担任行业会议发言人和主持人，并推动创新以改善雇主和雇员的成果。如有任何疑问，可以通过以下方式联系 Shubert 先生：( john@bluegranitecapital.com )。本电子邮件（包括任何附件）中包含的信息是特权和机密的，仅供预期收件人使用，只能用于发送目的，并且可能包含专有信息。如果您不是预期收件人，或不是负责将其发送给预期收件人的人，请通过回复此电子邮件通知作者并立即删除电子邮件和附件。严禁未经授权复制、披露、保留或分发本电子邮件、其内容或附件，或依赖本电子邮件采取任何行动。本信息不构成税务或法律建议，也不构成在任何司法管辖区购买或出售任何证券的要约或邀请，也不构成向任何非法进行此类要约或邀请的人的要约或邀请。过往业绩并不保证未来回报。不就本信息中提供的信息的正确性、完整性或及时性提供任何陈述、保证或担保，这些信息可能基于假设，可能会在未经通知的情况下发生变化，不应依赖这些信息做出投资决策。Blue Granite Capital, LLC 对因依赖本电子邮件或其附件的内容而采取的任何行动而产生的任何直接、间接或后果性损失不承担任何责任。投资咨询服务由注册投资顾问 Blue Granite Capital, LLC 提供。
MotifDb：蛋白质-DNA 结合序列基序的注释集合
tbl.tfClassExample <- data.frame(motifName=c("MA0006.1", "MA0042.2", "MA0043.2"), chrom=c("chr1", "chr1", "chr1"), start=c(1000005, 1000085, 1000105), start=c(1000013, 1000092, 1000123), score=c(0.85, 0.92, 0.98), stringsAsFactors=FALSE) # 这里我们说明如何添加具有所需名称的列：tbl.tfClassExample$shortMotif <- tbl.tfClassExample$motifName tbl.out <- associateTranscriptionFactors(MotifDb, tbl.tfClassExample, source="TFClass", expand.rows=TRUE) dim(tbl.out) # 许多 tfs 已映射，主要是 FOX 家族基因 tbl.motifDbExample <- data.frame(motifName=c("Mmusculus-jaspar2016-Ahr::Arnt-MA0006.1", "Hsapiens-jaspar2016-FOXI1-MA0042.2", "Hsapiens-jaspar2016-HLF-MA0043.2"), chrom=c("chr1", "chr1", "chr1"), start=c(1000005, 1000085, 1000105), start=c(1000013, 1000092, 1000123), score=c(0.85, 0.92, 0.98),字符串因子=FALSE）
蛋白质集合通过变异自动编码器潜在空间采样
摘要：映射有助于功能的蛋白质构象的整体，可以用小分子药物来靶向，这仍然是一个重大的挑战。在这里，我们探讨了变异自动编码器的使用来减少蛋白质结构合奏生成问题中维度的挑战。我们将高维蛋白质结构数据转换为连续的，低维的表示，在以结构质量度量为导向的空间中进行搜索，然后使用由采样的结构信息引导的Rosettafold来生成3D结构。我们使用这种方法为癌症相关的蛋白质K-RAS生成合奏，在可用的K-Ras晶体结构的子集上训练VAE和MD模拟快照，并评估接近与训练中与晶体结构接近的取样程度。我们发现，我们的潜在空间采样程序迅速生成具有高结构质量的合奏，并且能够在固定晶体结构的1Å内进行采样，其一致性高于MD模拟或Alphafold2预测。采样结构充分概括了固定的K-RAS结构中的隐性口袋，以允许小分子对接。
通过集合建模和转移学习朝着药物目标相互作用预测
摘要 - 拖延目标相互作用（DTI）预测在药物发现中起着至关重要的作用，而深度学习方法在这一领域中达到了最先进的表现。我们为DTI预测介绍了深度学习模型（ENSEMBLEDLM）的合奏。eNSEMBLEDLM仅使用化学化合物和蛋白质的序列信息，它汇总了来自多个深神经网络的预测。这种方法不仅在戴维斯和基巴数据集中实现了最先进的性能，而且在不同的生物活性类型和不同蛋白质类别的跨域应用中达到了尖端性能。我们还证明了EnseMbleDLM在新域中取得了良好的性能（Pearson相关系数和一致性指数> 0.8），而训练集的数据是传输学习的两倍数据。索引术语 - Trug-Target互动预测，集合建模，转移学习，卷积神经网络，深神经网络
一个针对脑肿瘤分类的优化的集合深学习模型
* md。 div>Alamin Talukder电子邮件地址：Alamintalukder.cse.jnu@gmail.com（MD。 div>）Alamin Talukder），manowar@cse.jnu.ac.bd（Md。 div>） Manowarul Islam），Ashraf.uddin@deakin.edu.au（Md Ashraf Uddin） div>Alamin Talukder），manowar@cse.jnu.ac.bd（Md。 div>）Manowarul Islam），Ashraf.uddin@deakin.edu.au（Md Ashraf Uddin） div>Manowarul Islam），Ashraf.uddin@deakin.edu.au（Md Ashraf Uddin） div>
分层聚类与可解释的患者分层的原理成分集合
摘要。患者分层通过基于其分子和/或临床特征鉴定出不同的亚组，在个性化医学中起着至关重要的作用。但是，许多基于机器学习的分层技术无法识别与每个患者组相关的本质生物标志物特征。在本文中，我们提出了一种使用分层集合聚类来解释的患者分层的新方法。我们的方法利用具有与主成分分析（PCA）结合的采样，以捕获最重要的模式和贡献生物标志物。我们使用机器学习基准数据集和来自癌症基因组地图集（TCGA）的现实世界数据的方法的有效性，展示了检测到的患者簇的可解释性。
揭示蛋白质集合：用于X射线晶体学和冷冻EM
1加利福尼亚大学旧金山分校的生物工程和治疗科学系，加利福尼亚州旧金山，美国2结构生物学计划，CUNY高级科学研究中心，纽约，纽约，纽约，10031 3博士。生物学计划，研究生中心 - 纽约市纽约市，纽约，纽约10016 4 Atomwise，Inc。，旧金山，加利福尼亚州，美国加利福尼亚州，美国5化学和生物化学系，纽约市城市学院，纽约，纽约，纽约，10031年，10031年10031 6 Ph.D.生物化学，生物学和化学方案，研究生中心 - 纽约市城市大学，纽约，纽约10016†当前地址：重播，5555 Oberlin Drive，Ste。 120，圣地亚哥，CA 92121 *通信：mullane.stephanie@gmail.com摘要：在其折叠状态下，在多种构象状态之间交换对其功能至关重要的构象状态。 传统的结构生物学方法，例如X射线晶体学和低温电子显微镜（Cryo-EM），产生了集合平均值的密度图，反映了各种构象的分子。 然而，大多数从这些地图得出的模型明确表示单个构象，从而忽略了生物分子结构的复杂性。 为了准确反映生物分子形式的多样性，迫切需要朝着建模反映实验数据的结构合奏。 但是，将信号与噪声区分开的挑战使手动创建这些模型的努力变得复杂。 为了响应，我们将最新的增强功能引入了QFIT，这是一种自动化计算策略，旨在将蛋白质构象异质性纳入内置在密度图中的模型中。 Phenix，Refmac，Buster）。生物学计划，研究生中心 - 纽约市纽约市，纽约，纽约10016 4 Atomwise，Inc。，旧金山，加利福尼亚州，美国加利福尼亚州，美国5化学和生物化学系，纽约市城市学院，纽约，纽约，纽约，10031年，10031年10031 6 Ph.D.生物化学，生物学和化学方案，研究生中心 - 纽约市城市大学，纽约，纽约10016†当前地址：重播，5555 Oberlin Drive，Ste。120，圣地亚哥，CA 92121 *通信：mullane.stephanie@gmail.com摘要：在其折叠状态下，在多种构象状态之间交换对其功能至关重要的构象状态。 传统的结构生物学方法，例如X射线晶体学和低温电子显微镜（Cryo-EM），产生了集合平均值的密度图，反映了各种构象的分子。 然而，大多数从这些地图得出的模型明确表示单个构象，从而忽略了生物分子结构的复杂性。 为了准确反映生物分子形式的多样性，迫切需要朝着建模反映实验数据的结构合奏。 但是，将信号与噪声区分开的挑战使手动创建这些模型的努力变得复杂。 为了响应，我们将最新的增强功能引入了QFIT，这是一种自动化计算策略，旨在将蛋白质构象异质性纳入内置在密度图中的模型中。 Phenix，Refmac，Buster）。120，圣地亚哥，CA 92121 *通信：mullane.stephanie@gmail.com摘要：在其折叠状态下，在多种构象状态之间交换对其功能至关重要的构象状态。传统的结构生物学方法，例如X射线晶体学和低温电子显微镜（Cryo-EM），产生了集合平均值的密度图，反映了各种构象的分子。然而，大多数从这些地图得出的模型明确表示单个构象，从而忽略了生物分子结构的复杂性。为了准确反映生物分子形式的多样性，迫切需要朝着建模反映实验数据的结构合奏。但是，将信号与噪声区分开的挑战使手动创建这些模型的努力变得复杂。为了响应，我们将最新的增强功能引入了QFIT，这是一种自动化计算策略，旨在将蛋白质构象异质性纳入内置在密度图中的模型中。Phenix，Refmac，Buster）。这些QFIT中的这些算法改进是由跨蛋白质范围的上级和几何指标证实的。重要的是，与更复杂的多拷贝集合模型不同，可以在大多数主要的模型构建软件中手动修改QFIT生产的多构形式模型（例如，coot）和拟合度可以通过使用标准管道来进一步改善（例如通过减少创建多配量模型的障碍，QFIT可以促进有关大分子构象动力学和功能之间关系的新假设的发展。
基于序列表示驱动程序同义突变的基于集合学习的预测指标
曾经被认为是中性的同义突变，现在被认为对多种疾病，尤其是癌症具有重要意义。必须在人类癌症中识别这些驱动程序的同义突变是必不可少的，但是当前方法受数据限制的约束。在这项研究中，我们最初研究了基于序列特征的影响，包括DNA形状，物理化学特性和核苷酸的一式编码以及基于BERT的预训练的化学分子语言模型的深度学习衍生特征。随后，我们提出了EPEL，这是使用集合学习的同义突变的效应预测指标。EPEL结合了五个基于树的模型，并优化了效率选择，以提高预测精度。值得注意的是，从化学分子中掺入DNA形状的效果和深度学习的特征代表了评估同义突变对癌症的影响的开创性效果。与现有的最新方法相比，EPEL在独立的测试数据集上展示了出色的性能。此外，我们的分析揭示了各种癌症类型的效果评分与患者结局之间的显着相关性。有趣的是，虽然深度学习方法在其他领域显示出希望，但其DNA序列表示并不能显着增强本研究中驾驶员同义突变的识别。总体而言，我们预计EPEL将促进研究人员更精确地靶向驱动器同义词突变。EPEL的用户友好网络服务器可在http://ahmu.epel.bio/上获得。EPEL的设计具有灵活性，使用户可以重新训练预测模型，并为人类癌症中的同义突变产生效果分数。