本文提出了一个新的算法系列，用于在线优化复合目标。该算法可以解释为凸起梯度和$ p $ - 纳米算法的组合。结合适应性和乐观的算法思想，所提出的算法获得了序列依赖的遗憾上限，与稀疏目标决策变量的最著名界限相匹配。此外，该算法具有对流行的复合目标和约束的有效实现，并且可以通过最佳加速速率转换为随机优化算法，以实现流畅的目标。
translated by 谷歌翻译
对RAS和RAF蛋白的行为与细胞膜中局部脂质环境之间关系之间的关系的了解对了解癌症形成的基础机制至关重要。在这项工作中，我们采用深度学习（DL）来学习这种关系，通过预测基于脂质膜的RAS和RAS-RAF蛋白复合物的蛋白质定位状态，该状态基于蛋白质结构域周围的脂质密度（CG），相对于脂质膜。分子动力学（MD）模拟。我们的DL模型可以预测六个蛋白质状态，总体准确性超过80％。这项工作的发现为蛋白质如何调节脂质环境提供了新的见解，这反过来又可以帮助设计新型疗法以调节与癌症发展相关的机制中的这种相互作用。
translated by 谷歌翻译
捕获复杂的生物学现象通常需要多尺度建模，在使用有限的昂贵和高保真模型的有限组件开发粗糙和廉价的模型的情况下。在这里，我们在癌症生物学的背景下考虑了这样的多尺度框架，并解决了评估使用分子动力学模型的一维统计数据开发的连续模型的描述能力的挑战。使用深度学习，我们开发了一个高度预测性的分类模型，该模型可以从连续模型中识别复杂和新兴行为。两次模拟证明了超过99.9％的精度，我们的方法证实了蛋白质特异性的“脂质指纹”的存在，即脂质的空间重排以响应感兴趣的蛋白质。通过此演示，我们的模型还提供了对连续模型的外部验证，肯定了这种多尺度建模的价值，并可以通过进一步分析这些指纹来促进新的见解。
translated by 谷歌翻译