细胞因子释放综合征（CRS），也称为细胞因子风暴，是嵌合抗原受体疗法的最大程度不良反应之一，在癌症治疗中表现出了有希望的结果。当出现时，可以通过分析特异性细胞因子和趋化因子谱的分析来识别CR，这些因子和趋化因子谱倾向于在患者之间表现出相似性。在本文中，我们使用机器学习算法利用了这些相似性，并着手开拓元观看知识的方法，以基于特定的细胞因子峰浓度和先前临床研究的证据来识别CRS。我们认为，这样的方法可以通过将临床医生与过去临床研究的CR知识相匹配，以分析可疑的细胞因子谱，以Swift CRS诊断的最终目的。在使用Real-World CRS临床数据评估期间，我们强调了我们提出的产生可解释结果方法的潜力，除了有效地识别细胞因子风暴的发作。
translated by 谷歌翻译
短单链RNA和DNA序列（适体）的逆设计是找到满足一组所需标准的序列的任务。相关标准可能是特定折叠基序的存在，与分子配体，传感属性等结合。适体设计的大多数实用方法都使用高通量实验（例如SELEX）和SELEX）和然后，仅通过对经验发现的候选人引入较小的修改来优化性能。具有所需特性但在化学成分上截然不同的序列将为搜索空间增加多样性，并促进发现有用的核酸适体。需要系统的多元化协议。在这里，我们建议使用一种无监督的机器学习模型，称为Potts模型，以发现具有可控序列多样性的新的有用序列。我们首先使用最大熵原理训练POTTS模型，这是一组由公共特征统一的经验鉴定的序列。为了生成具有可控多样性程度的新候选序列，我们利用了模型的光谱特征：能量带隙分离序列，与训练集相似，与训练集相似。通过控制采样的POTTS能量范围，我们生成的序列与训练集不同，但仍然可能具有编码功能。为了证明性能，我们将方法应用于设计不同的序列池，该序列具有30-MER RNA和DNA适体中指定的二级结构基序。
translated by 谷歌翻译
随着大数据挖掘和现代大量文本分析的出现和普及，自动化文本摘要在从文档中提取和检索重要信息而变得突出。这项研究从单个和多个文档的角度研究了自动文本摘要的各个方面。摘要是将庞大的文本文章凝结成简短的摘要版本的任务。为了摘要目的，该文本的大小减小，但保留了关键的重要信息并保留原始文档的含义。这项研究介绍了潜在的Dirichlet分配（LDA）方法，用于从具有与基因和疾病有关的主题进行摘要的医学科学期刊文章进行主题建模。在这项研究中，基于Pyldavis Web的交互式可视化工具用于可视化所选主题。可视化提供了主要主题的总体视图，同时允许并将深度含义归因于流行率单个主题。这项研究提出了一种新颖的方法来汇总单个文档和多个文档。结果表明，使用提取性摘要技术在处理后的文档中考虑其主题患病率的概率，纯粹是通过考虑其术语来排名的。 Pyldavis可视化描述了探索主题与拟合LDA模型的术语的灵活性。主题建模结果显示了主题1和2中的流行率。该关联表明，本研究中的主题1和2中的术语之间存在相似性。使用潜在语义分析（LSA）和面向召回的研究测量LDA和提取性摘要方法的功效，以评估模型的可靠性和有效性。
translated by 谷歌翻译
我们正在使用使用Kinect V2传感器收集的美国手语（ASL）的数据集，该数据集包含包含Fluent和非浮力签名者的视频。该数据集是作为一个项目的一部分收集的，该项目旨在开发和评估计算机视觉算法，以支持新技术以自动检测ASL流利度属性。总共要求45名流利和非全体参与者执行与介绍性或中级ASL课程中使用的作业相似的签名作业作业。注释数据以确定签名的几个方面，包括语法特征和非手动标记。手语识别目前非常数据驱动，该数据集可以支持识别技术的设计，尤其是可以使ASL学习者受益的技术。对于想要对比流利和非流利签名的ASL教育研究人员来说，该数据集也可能很有趣。
translated by 谷歌翻译
在现实世界数据集中，结果标记歧义和主观性是无处不在的。尽管从业者通常以临时方式将所有数据点（实例）的模棱两可的结果标签结合在一起，以提高多级分类的准确性，但缺乏通过任何最佳标准来指导所有数据点标签组合的原则方法。为了解决这个问题，我们提出了信息理论分类准确性（ITCA），该标准可以在预测准确性（预测标签与实际标签一致）和分类分辨率（可预测的标签）（可预测的标签）之间进行平衡，这是平衡的。指导从业者如何结合模棱两可的结果标签。为了找到ITCA指示的最佳标签组合，我们提出了两种搜索策略：贪婪的搜索和广度优先搜索。值得注意的是，ITCA和两种搜索策略适应所有机器学习分类算法。再加上分类算法和搜索策略，ITCA有两个用途：提高预测准确性并识别模棱两可的标签。我们首先通过两种搜索策略来找到合成和真实数据的正确标签组合，首先验证ITCA是否可以实现高精度。然后，我们证明了ITCA在各种应用中的有效性，包括医学预后，癌症存活预测，用户人口统计预测和细胞类型分类。我们还通过研究Oracle和线性判别分析分类算法来提供对ITCA的理论见解。 Python软件包ITCA（可在https://github.com/jsb-ucla/itca上找到）ITCA和搜索策略。
translated by 谷歌翻译
已知人类凝视是在操纵任务期间的潜在人类意图和目标的强大指标。这项工作研究人类教师的凝视模式证明了机器人的任务，并提出了这种模式可用于增强机器人学习的方式。使用Kinesthetic教学和视频演示，我们在教学中识别新颖的意图揭示凝视行为。这些在各种问题中被证明是从参考帧推理到多步任务的分割的各种问题。基于我们的研究结果，我们提出了两个概念验证算法，该算法表明，凝视数据可以增强多台任务的子任务分类，高达6％，奖励推理和策略学习，可为单步任务高达67％。我们的调查结果为机器人学习中的自然人凝视模型提供了基础，从演示设置上学习，并在利用人凝游来提高机器人学习的开放问题。
translated by 谷歌翻译