在化学厂的运行过程中，必须始终保持产品质量，并应最大程度地降低规范产品的生产。因此，必须测量与产品质量相关的过程变量，例如工厂各个部分的材料的温度和组成，并且必须根据测量结果进行适当的操作（即控制）。一些过程变量（例如温度和流速）可以连续，即时测量。但是，其他变量（例如成分和粘度）只能通过从植物中抽样物质后进行耗时的分析来获得。已经提出了软传感器，用于估算从易于测量变量实时获得的过程变量。但是，在未记录的情况下（推断），传统统计软传感器的估计精度（由记录的测量值构成）可能非常差。在这项研究中，我们通过使用动态模拟器来估算植物的内部状态变量，该模拟器可以根据化学工程知识和人工智能（AI）技术估算和预测未记录的情况，称为增强学习，并建议使用使用估计植物的内部状态变量作为软传感器。此外，我们描述了使用此类软传感器的植物操作和控制的前景以及为拟议系统获得必要的预测模型（即模拟器）的方法。
translated by 谷歌翻译
区分乳腺癌的内在亚型对于决定最佳治疗策略至关重要。深度学习可以比常规统计方法更准确地从遗传信息中预测亚型，但是迄今为止，尚未直接利用深度学习来检查哪些基因与哪些亚型相关。为了阐明嵌入在内在亚型中的机制，我们开发了一个可解释的深度学习模型，称为点线性（PWL）模型，该模型为每个患者生成定制的逻辑回归。逻辑回归是医生和医学信息学研究人员都熟悉的，使我们能够分析特征变量的重要性，而PWL模型则利用了逻辑回归的这些实际能力。在这项研究中，我们表明分析乳腺癌亚型对患者有益，也是验证PWL模型能力的最佳方法之一。首先，我们使用RNA-Seq数据训练了PWL模型，以预测PAM50固有的亚型，并通过亚型预测任务将其应用于PAM50的41/50基因。其次，我们开发了一种深度富集分析方法，以揭示PAM50亚型与乳腺癌的拷贝数之间的关系。我们的发现表明，PWL模型利用与细胞周期相关途径相关的基因。这些在乳腺癌亚型分析中取得的初步成功证明了我们分析策略的潜力，以阐明乳腺癌的基础机制并改善整体临床结果。
translated by 谷歌翻译