基于秃鹰搜索的抗乳腺癌候选药物优化建模

乳腺癌在全球范围内已取代肺癌成为最常见的癌症,并且其死亡率居高不下。因此,利用机器学习和智能优化算法等技术筛选乳腺癌药物对于推动乳腺癌治疗药物的发展至关重要。本文提出了一种基于改进的随机森林算法构建ERa活性预测模型的方法,并筛选出对生物活性最具影响力的前20个分子描述符。然后,使用该模型对50个化合物的IC50值和对应的pIC50值进行预测。同时,借助支持向量机(SVM)和Adaboost二分类模型,对化合物Caco-2、CYP3A4、hERG、HOB、MN的5种成分进行分别预测,并建立ADMET分类预测模型。最后,利用秃鹰搜索算法构建化合物筛选模型,使用黑鹰搜索算法融合前两个模型,解决各类复杂数值优化问题,以找到可行性药物操作变量范围。实验结果表明,所提出的预测模型具有很高的准确性,可应用于抗乳腺癌药物的研发。

基于循环一致性对抗网络的稀疏阵列宽带合成波束效应消除

射电天文稀疏干涉阵列成像过程中由于无线电接收器的带宽限制会使观测后的图像产生宽带合成波束效应,针对这个问题,本文设计了一个带宽合成波束效应的消除CycleGAN模型。该模型利用CycleGAN模型中的残差学习机制对具有空间复杂结构的射电源信号携带的带宽合成波束效应图像进行特征提取,进而提高恢复效果。通过天文通用软件CASA模拟出来的脏图和原图作为图像对模型进行训练。这种结合方式能够有效地将两种图像风格进行转换,从而使得模型能够更好地适应不同的射电源信号。实验结果显示,该深度学习算法与现有的宽带合成波束算法在图像指标PSNR和SSIM上得到明显提升,能够有效地恢复天空图像,这一技术将为我们提供更为准确的天文学数据,并推动天文学的发展。

注意力特征融合VGG-16网络的胸透病理识别方法

美国国立卫生研究院发布了一个名为“Chest-ray8”的胸部X光图像数据库,这些图像共标记八种类型的疾病。从临床图像中识别病理,开发人工智能辅助诊断系统,帮助医生识别病理一直是一项具有挑战性的任务,为更好地解决这一问题,本文提出注意力特征融合VGG-16网络的胸透病理识别方法。首先,X光图像通过VGG-16特征提取网络得到特征向量;然后,特征向量分别通过通道注意力机制得到不同通道加权系数的特征向量A、空间注意力机制得到不同区域系数的特征向量B,将特征向量A和特征向量B以及第一层卷积层输出的特征向量C进行向量拼接;最后将拼接的向量输入全连接层输出分类结果。实验结果证明,本方法实现多分类正确率达到75.94%,相比基线VGG-16高3.75%;和其他使用“Chest-ray8”数据库进行二分类病理识别方法相比,本文模型实现了病理的多分类问题。为深度学习技术应用于胸部X光不同病理的计算机辅助诊断系统提供了可行性。