开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何将水平行调整为跨大型数据集的多行

水平行调整是指将数据集中的一行数据转换为多行数据。在处理大型数据集时，可以使用水平行调整来提高数据处理的效率和性能。

具体步骤如下：

分割数据集：首先，将大型数据集分割成较小的数据块，以便更好地处理和管理数据。可以根据数据集的大小和特点来确定分割的方式，例如按照时间、地理位置或其他相关因素进行分割。
并行处理：对于每个数据块，可以使用并行处理的方式将水平行调整应用于每一行数据。并行处理可以同时处理多个数据块，提高处理速度和效率。
数据转换：对于每一行数据，将其转换为多行数据。具体的转换方式取决于数据的结构和需求。可以使用编程语言和工具来实现数据转换，例如使用Python的pandas库或SQL语句。
数据合并：在完成数据转换后，将所有数据块中的多行数据合并为一个大型数据集。可以使用合并操作来将数据块中的多行数据合并为一个数据集，以便后续的分析和处理。

水平行调整的优势在于能够提高数据处理的效率和性能。通过将数据集分割成较小的数据块，并使用并行处理的方式进行数据转换，可以加快数据处理的速度。此外，水平行调整还可以更好地管理大型数据集，减少内存和存储的需求。

水平行调整适用于处理大型数据集的场景，例如数据分析、机器学习、数据挖掘等领域。通过将数据集水平行调整为多行数据，可以更好地利用计算资源，提高数据处理的效率和准确性。

腾讯云提供了一系列与大数据处理相关的产品和服务，例如腾讯云数据仓库（Tencent Cloud Data Warehouse，CDW），腾讯云数据湖（Tencent Cloud Data Lake，CDL）等。这些产品和服务可以帮助用户高效地处理和管理大型数据集。更多关于腾讯云大数据产品的信息可以参考腾讯云官方网站：https://cloud.tencent.com/product/cdw

相关搜索:R data.table如果超过大型数据集的某个阈值，则将列值的剩余部分设置为下一个列值 SQL -为每个组创建最后一行的视图(大型数据集)为大型数据集汇总数据帧中的列为大型数据集的Excel中的单元格格式编写公式:将离群值变为红色为大型数据集的HMC创建自定义梯度函数为大型数据集设定种子时的Stackoverflow异常实体框架3.1.3 使用算法为SQL中的大型数据集创建列名称大型数据集的跨因素时间序列密度图如何将两个不同的数据集合并或连接为一个数据集如何将这两个数据集归纳为R中的线性回归模型？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

Commun. Biol. | BrainTACO: 一个可探索的多尺度多模态大脑转录组和连接性数据资源

今天为大家介绍的是来自Katja Buhler团队的一篇论文。探索基因与大脑回路之间的关系，可以通过联合分析来自3D成像数据、解剖数据以及不同尺度、分辨率和模态的大脑网络的异构数据集来加速。为了超越各个资源原始目的的单一视角而生成一个综合视图，需要将这些数据融合到一个共同的空间，并通过可视化手段弥合不同尺度之间的差距。然而，尽管数据集不断扩展，但目前很少有平台能够整合和探索这种异构数据。为此，作者推出了BrainTACO（Brain Transcriptomic And Connectivity Data，大脑转录组和连接性数据）资源，这是一个将异构的、多尺度的神经生物学数据空间映射到一个常见的、分层的参考空间，并通过整体数据整合方案进行组合的选择。为了访问BrainTACO，作者扩展了BrainTrawler，这是一个基于网络的空间神经生物学数据的可视化分析框架，并增加了对多个资源的比较可视化。这使得大脑网络的基因表达分析有着前所未有的覆盖范围，并允许识别在小鼠和人类中可能对连接性发现有贡献的潜在遗传驱动因素，这有助于发现失调连接表型。因此，BrainTACO减少了计算分析中通常需要的耗时的手动数据聚合，并通过直接利用数据而不是准备数据来支持神经科学家。BrainTrawler，包括BrainTACO资源，可以通过网址https://braintrawler.vrvis.at/访问到。

01

SUPER车道线检测：异构数据集训练、物理驱动拟合

介绍一篇今年的车道线检测论文 SUPER: A Novel Lane Detection System，作者来自密歇根大学和SF Motors 公司。

03

纽约大学联合谷歌大脑提出「COG」数据集，可提高系统的「视觉推理」能力

【新智元导读】在认知心理学和神经科学中丰富的视觉推理和记忆传统的启发下，我们开发了一个人工的、可配置的视觉问题和答案数据集（COG），用于在人类和动物中进行平行实验。COG比视频分析的一般问题要简单得多，但它解决了许多与视觉、逻辑推理和记忆有关的问题——这些问题对现代的深度学习架构来说仍然具有挑战性。可以这样说，人工智能中一个令人烦恼的问题是对发生在复杂的、不断变化的视觉刺激中的事件进行推理，比如视频分析或游戏。在认知心理学和神经科学中丰富的视觉推理和记忆传统的启发下，我们开发了一个人工的、可配置

综述：用于自动驾驶的全景鱼眼相机的理论模型和感知介绍

文章：Surround-view Fisheye Camera Perception for Automated Driving: Overview, Survey & Challenges

02

每日学术速递5.27

1.Control-A-Video: Controllable Text-to-Video Generation with Diffusion Models

02

Nat. Commun. | Cellar一个交互式单细胞数据分析工具

本文介绍由美国卡内基梅隆大学的Ziv Bar-Joseph教授团队和加拿大麦吉尔大学健康中心的Jun Ding助理教授团队联合发表在 Nature Communications 的研究成果。细胞分类为高通量单细胞数据的主要挑战，在许多情况下，这种分配需要重复使用外部和补充数据源。为了提高跨大型联盟、平台和模态统一分配细胞类型的能力，作者开发了一种软件工具Cellar，可为分配和数据集比较过程中涉及的所有不同步骤提供交互式支持。作者讨论了由Cellar实现的不同方法，以及如何将这些方法用于不同的数据类型，如何组合互补的数据类型以及如何分析和可视化空间数据。作者通过使用Cellar注释几个来自多组学单细胞测序和空间蛋白质组学研究的HuBMAP数据集来展示Cellar的优势。

02

英特尔开发模型训练新技术，效率更高且不影响准确性

一般而言，AI模型的大小与其训练时间相关，因此较大的模型需要更多的时间来训练。通过修剪可以优化数学函数（或神经元）之间的连接，从而减小其整体尺寸而不会影响准确性，但是训练之后才能进行修剪。

01

Hadoop是什么？

Hadoop是使用Java编写，允许分布在集群，使用简单的编程模型的计算机大型数据集处理的Apache的开源框架。Hadoop框架应用工程提供跨计算机集群的分布式存储和计算的环境。Hadoop是专为从单一服务器到上千台机器扩展，每个机器都可以提供本地计算和存储。

05

每日论文速递 | MIT新作：使用多个大模型协作decode

摘要：我们提出了一种方法，通过在token level交错使用多个大语言模型（LLM），让它们学会协作。我们将由哪个 LLM 生成下一个token的决定建模为一个潜变量。通过在我们的潜变量模型下优化训练集的边际可能性，base LLM 会自动学习何时自行生成，何时调用其中一个 "辅助 "语言模型生成，所有这一切都无需直接监督。解码过程中的token level协作可以根据手头的具体任务融合每个模型的专长。我们的协作解码尤其适用于跨领域环境，在这种环境中，通用base LLM 会学习调用领域专家模型。在指令遵循、特定领域质量保证和推理任务中，我们证明联合系统的性能超过了单个模型。通过对所学潜在决策的定性分析，我们发现用我们的方法训练出来的模型表现出几种有趣的协作模式，例如模板填充。

01

RoboNet的大规模机器人学习数据集

在过去的十年中，我们已经看到深度学习系统为各种感知和推理问题提供了转化解决方案，例如从识别图像中的对象到识别和翻译人类语音。

01

数据分区设计(0)-前言

对大数据集或非常高吞吐量，仅复制还不够，还需将数据拆分，成为分区（partitions），也称分片（sharding）1。

02

基于深度学习的农作物行检测，用于农业机器人的田间导航

粮食生产需求的增加导致了农业任务所需劳动力的增加。在这一背景下，农业机器人成为满足不断增长的劳动力需求的关键。然而，农业技术绩效的不确定性已成为新技术采用者的主要关注点。

00

如何在图数据库中训练图卷积网络模型

典型的前馈神经网络将每个数据点的特征作为输入并输出预测。利用训练数据集中每个数据点的特征和标签来训练神经网络。这种框架已被证明在多种应用中非常有效，例如面部识别，手写识别，对象检测，在这些应用中数据点之间不存在明确的关系。但是，在某些使用情况下，当v（i）与v（i）之间的关系不仅仅可以由数据点v（i）的特征确定，还可以由其他数据点v（j）的特征确定。j）给出。例如，期刊论文的主题（例如计算机科学，物理学或生物学）可以根据论文中出现的单词的频率来推断。另一方面，在预测论文主题时，论文中的参考文献也可以提供参考。在此示例中，我们不仅知道每个单独数据点的特征（词频），而且还知道数据点之间的关系（引文关系）。那么，如何将它们结合起来以提高预测的准确性呢？

01

学界 | FAIR新一代无监督机器翻译：模型更简洁，性能更优

选自arXiv 作者：Guillaume Lample等机器之心编译参与：张倩、路近日，FAIR 研究人员提出两种机器翻译模型的变体，一种是神经模型，另一种是基于短语的模型。研究者结合了近期提出

06

复杂环境下的目标视觉检测 | 人工场景与实际场景平行研究三部曲 | 新损失函数与组归一化

为解决复杂环境下的目标视觉检测，人工场景与实际场景平行研究三部曲：

03

使用正确的技术创建出色的生成式 AI 应用程序

生成式人工智能是当今人工智能技术发展最快的领域。如果您是生成式 AI 的新手或从传统机器学习过渡，那么使用生成式 AI 似乎令人生畏。

00

每日论文速递 | 通过Token-level的Feedback进行强化学习控制文本生成

摘要：为了满足实际应用的要求，控制大型语言模型（LLM）的生成至关重要。之前的研究试图将强化学习（RL）引入可控文本生成，而大多数现有方法都存在过拟合问题（基于微调的方法）或语义崩溃（后处理方法）。然而，目前的强化学习方法一般由粗粒度（句子/段落级）反馈指导，这可能会由于句子内部的语义扭曲或进展而导致性能不佳。为了解决这个问题，我们提出了一种名为 TOLE 的新型强化学习算法，它为可控文本生成制定了 TOken-LEvel 奖励，并采用 "first-quantize-then-noise" "先量化后噪声 "的范式来增强 RL 算法的鲁棒性。实验结果表明，我们的算法在单属性和多属性控制任务上都能取得优异的性能。

01

【DL】Deep learning in all，深度学习不再困难

这限制了深度学习的效果，将其限制在满足这些条件的少数项目中。但是，在过去的几年中，情况发生了变化。在Cortex(https://github.com/cortexlabs/cortex)上，我们看到用户推出了基于深度学习的新一代产品，而且与以前不同，这些产品并非全部使用同类模型架构来构建。

02

学界 | Facebook 新研究：大批量SGD准确训练ImageNet仅需1小时

选自arXiv 机器之心编译参与：蒋思源由于近来互联网数据越来越大，深度学习模型越来越复杂，执行训练的时间也越来长。因此近日 Facebook 提出了一种将批量大小提高的分布式同步 SGD 训练方法，希望能有助于解决越来越长的训练时间。以下机器之心对该文论进行了部分编译，该论文详细内容请查看论文链接。论文：Accurate, Large Minibatch SGD: Training ImageNet in 1 Hour 论文链接：https://research.fb.com/wp-content

07

BigTransfer (BiT)：计算机视觉领域最前沿迁移学习模型

我们将在本文中为您介绍如何使用 BigTransfer (BiT)。BiT 是一组预训练的图像模型：即便每个类只有少量样本，经迁移后也能够在新数据集上实现出色的性能。

01

2024年5月第四周LLM重要论文总结

本文总结了2024年5月第四周发表的一些最重要的LLM论文。这些论文的主题包括模型优化和缩放到推理、基准测试和增强性能。

01

7 papers | 对抗样本前，BERT也不行；AutoML的商业实践综述

1.标题：Probing Neural Network Comprehension of Natural Language Arguments

02

每日论文速递 | Agent-FLAN: Agent指令训练让开源大模型Agent能力更进一步

摘要：开源的大型语言模型（LLM）在各种 NLP 任务中取得了巨大成功，但在作为代理时，它们仍然远远不如基于 API 的模型。如何将代理能力整合到开源 LLM 中成为一个关键而紧迫的问题。本文首先提出了三个关键观察结果：(1) 当前的代理训练语料与格式遵循和代理推理都纠缠在一起，与其训练前的数据分布有很大不同；(2) LLMs 对代理任务所需的能力表现出不同的学习速度；(3) 当前的方法在提高代理能力时会引入幻觉，从而产生副作用。基于上述发现，我们提出了 Agent-FLAN 来有效地微调代理的 LANguage 模型。通过对训练语料的仔细分解和重新设计，Agent-FLAN 使 Llama2-7B 在各种代理评估数据集上的表现比之前的最佳作品高出 3.5/%。通过全面构建负样本，Agent-FLAN 极大地缓解了基于我们既定评估基准的幻觉问题。此外，在扩大模型规模时，它还能持续提高 LLM 的代理能力，同时略微增强 LLM 的一般能力。

01

【机器学习】机器学习与大型预训练模型的前沿探索：跨模态理解与生成的新纪元

二、多模态数据处理多模态数据处理是跨模态理解与生成技术的基础。在这一过程中，需要对来自不同模态的数据进行预处理、特征提取和表示学习等操作。例如，对于文本数据，可以通过分词、词嵌入等技术提取出关键信息；对于图像数据，可以通过卷积神经网络等技术提取出图像特征。这些预处理和特征提取操作能够将原始数据转化为机器可理解的形式，为后续的处理和生成提供基础。

00

大数据-Hadoop介绍

Hadoop是一个分布式系基础框架,它允许使用简单的编程模型跨大型计算机的大型数据集进行分布式处理.

03

60种常用可视化图表的使用场景——（上）

点阵图表 (Dot Matrix Chart) 以点为单位显示离散数据，每种颜色的点表示一个特定类别，并以矩阵形式组合在一起。

01

教程 | 基于Keras的LSTM多变量时间序列预测

选自machinelearningmastery 机器之心编译参与：朱乾树、路雪长短期记忆循环神经网络等几乎可以完美地模拟多个输入变量的问题，这为时间序列预测带来极大益处。本文介绍了如何在 Keras 深度学习库中搭建用于多变量时间序列预测的 LSTM 模型。诸如长短期记忆（LSTM）循环神经网络的神经神经网络几乎可以无缝建模具备多个输入变量的问题。这为时间序列预测带来极大益处，因为经典线性方法难以适应多变量或多输入预测问题。通过本教程，你将学会如何在 Keras 深度学习库中搭建用于多变量时间

08

ACL 2022 | 一口气翻两千词，字节AI Lab提出篇章到篇章的机器翻译新思路

机器之心专栏作者：孙泽维一会儿「梦露」，一会儿「门罗」，如何帮机器翻译改掉这类低级错误？大家都听过大名鼎鼎的图灵测试。近年来取得巨大进步的机器翻译在众多场景下都取得了媲美人类的成绩[1]，许多人惊呼，机器翻译能成功「骗」过人类了。但如果深入研究，就能发现机器翻译在一些特殊的场景下，仍然有些肉眼可见的瑕疵。篇章级翻译就是一个典型的场景。人类在翻译的过程中会保持上下文一致，比如翻译英文名「Monroe」，不会一会儿翻译成「梦露」，一会儿翻译成「门罗」，但许多商用机器翻译仍然会犯这种「低级错误」。

04

教你搭建多变量时间序列预测模型LSTM（附代码、数据集）

来源：机器之心本文长度为2527字，建议阅读5分钟本文为你介绍如何在Keras深度学习库中搭建用于多变量时间序列预测的LSTM模型。长短期记忆循环神经网络等几乎可以完美地模拟多个输入变量的问题，这为时间序列预测带来极大益处。本文介绍了如何在 Keras 深度学习库中搭建用于多变量时间序列预测的 LSTM 模型。诸如长短期记忆（LSTM）循环神经网络的神经神经网络几乎可以无缝建模具备多个输入变量的问题。这为时间序列预测带来极大益处，因为经典线性方法难以适应多变量或多输入预测问题。通过本教程，你

07

用圣经来训练算法，针对不同受众将文字转换为不同风格

为了寻找提高计算机文本翻译能力的灵感，达特茅斯学院的研究人员求助于圣经。其结果是对不同版本的圣经文本进行训练的算法，可以将书面语言转换为不同的风格，以适应不同的受众。

04

下一代 RAG 技术来了！微软正式开源 GraphRAG：大模型行业将迎来新的升级？

7 月 2 日，微软开源了 GraphRAG，一种基于图的检索增强生成 (RAG) 方法，可以对私有或以前未见过的数据集进行问答。在 GitHub 上推出后，该项目快速获得了 2700 颗 star！

01

超详超硬Jeff Dean万字总结火热出炉！图解谷歌2022年AIGC、LLM、CV三大领域成就

来源：深度学习与图网络本文约7500字，建议阅读15分钟本文总结了2022年谷歌在ML领域取得的新进展。 2022年，谷歌在机器学习方面有什么进展？ Google Research高级研究员兼高级副总裁Jeff Dean一文帮你总结！ Jeff Dean代表Google Research社区发布一篇干货满满的长文，总结了谷歌在2022年激动人心的新进展。显然，大佬花了很久（也许是一年），酝酿了一个大的。在这次的第一篇中，Jeff Dean首先讨论了语言、生成、视觉和多模态模型。接下来，他还将讨

03

深度学习鼻祖Geoffrey Hinton带你入门机器学习（36页干货PPT）

雷锋网注：Geoffrey Everest Hinton（杰弗里·埃弗里斯特·辛顿）是一位英国出生的计算机学家和心理学家，以其在神经网络方面的贡献闻名。辛顿是反向传播算法和对比散度算法的发明人之一，

04

超详超硬Jeff Dean万字总结火热出炉！图解谷歌2022年AIGC、LLM、CV三大领域成就

---- 新智元报道编辑：编辑部【新智元导读】2022年，谷歌在ML领域取得了哪些新进展？Jeff Dean发万字长文总结。 2022年，谷歌在机器学习方面有什么进展？ Google Research高级研究员兼高级副总裁Jeff Dean一文帮你总结！昨天，Jeff Dean代表Google Research社区发布一篇干货满满的长文，总结了谷歌在2022年激动人心的新进展。显然，大佬花了很久（也许是一年），酝酿了一个大的。在这次的第一篇中，Jeff Dean首先讨论了语言、生成、视

03

ICLR 2020满分论文解读 | 一种镜像生成式机器翻译模型：MGNMT

论文链接：https://static.aminer.cn/misc/pdf/minrror.pdf

02

10个大型语言模型(LLM)常见面试问题和答案解析

提示校准包括调整提示，尽量减少产生的输出中的偏差。微调修改模型本身，而数据增强扩展训练数据。梯度裁剪防止在训练期间爆炸梯度。

01

每日论文速递 | 【ICLR24】用语言模型预测表格Tabular

摘要：深度神经网络（DNNs）的可迁移性在图像和语言处理领域取得了显著进展。然而，由于表格之间的异构性，这种DNN的优势在表格数据预测（例如回归或分类任务）方面仍未充分利用。语言模型（LMs）通过从不同领域提炼知识，具有理解来自各种表格的特征名称的能力，有望成为在不同表格和多样化预测任务之间转移知识的多才多艺的学习者，但它们的离散文本表示空间与表格中的数值特征值不兼容。在本文中，我们介绍了TP-BERTa，这是一个专门针对表格数据预测进行预训练的LM模型。具体而言，一种新颖的相对大小标记化将标量数值特征值转换为精细离散的高维标记，而一种内部特征注意方法则将特征值与相应的特征名称集成在一起。全面的实验证明，我们的预训练TP-BERTa在表格DNNs中表现出色，并且在典型的表格数据领域与梯度提升决策树模型相竞争。

01

南大 & 上海 Ai Lab AWT 框架 | 革新视觉-语言模型的零样本与少样本学习能力，提升语义相关性挖掘！

近期在视觉语言模型（VLMs）方面取得了进展，这些模型经过大规模的网络图像文本对预训练，已经在各种分类任务中表现出显著的成功。VLMs被训练以将图像与相关的文本描述相联系。在标准协议（图1(a)）中，原始图像和类别名称被投射到一个联合视觉语言嵌入空间中，选择距离图像表示最近的类别作为预测结果。

01

每日学术速递7.13

1.AnimateDiff: Animate Your Personalized Text-to-Image Diffusion Models without Specific Tuning

01

Citus 11(分布式 PostgreSQL) 文档贡献与本地运行

Citus 可以使用分片跨多台计算机来水平缩放查询。其查询引擎会将这些服务器的传入 SQL 查询并行化，加快大型数据集上的响应。它为需要比其他部署选项更大规模和更高性能的应用程序提供服务：通常，工作负载接近或已经超过 100 GB 的数据。

03

scRNA-seq聚类分析(一)

现在我们有了高质量的细胞，在将细胞聚类并确定不同的潜在细胞类型之前，我们需要执行一些步骤。我们的数据集包含来自两个不同条件（Control and Stimulated）的两个样本，因此整合这些样本有助于更好地进行比较。在此之前，我们需要归一化我们的基因表达值，并根据我们数据集中最大的变异来源跨条件排列我们的细胞。在本节中，我们将在聚类之前讨论并执行这些初始步骤。

02

清华大学提出CapS-Adapter | 利用CLIP的单模态和跨模态优势，通过使用多模态支持集提高了预测准确性！

视觉-语言基础模型（VLMs）[17, 21, 29]的最新进展在各个计算机视觉任务上取得了显著的进步。这些模型展现出了强大的零样本能力，这是由于它们在大规模图像-文本配对数据集上进行了预训练，其中一个突出的例子是CLIP。当将VLMs应用于下游任务时，如果下游数据集的数据分布与VLMs预训练时使用的图像分布存在显著差异，其零样本性能会大幅度下降[10]。

01

Nature Genetics | 基于人工智能神经网络的基因组解读系统Nvwa并揭示细胞命运决定共性规律

本文介绍由浙江大学基础医学院的郭国骥、韩晓平和良渚实验室的王晶晶共同通讯发表在 Nature Genetics 的研究成果：目前研究人员在生成和分析基因组方面做了大量努力，但大多数物种仍缺乏预测基因调控和细胞命运决定的遗传模型。在该研究中，作者利用自主构建的高通量单细胞测序平台Microwell-seq绘制了斑马鱼、果蝇和蚯蚓的全身单细胞转录组图谱，并探究了八种代表性的后生动物细胞类型的跨物种可比性，揭示了脊椎动物细胞类型保守的调控程序。作者开发了一种基于深度学习的模型Nvwa，用于在单细胞分辨率下预测基因表达和识别调控序列。作者还系统地比较了细胞类型特异性转录因子，以揭示脊椎动物和无脊椎动物细胞类型的保守遗传调控。该工作有助于为研究不同生物系统的调控语法提供宝贵的资源和新的策略。

02

斯坦福大学 & 亚马逊 AI 探索视觉-语言模型的前沿，当前方法与未来方向的调查！

大型语言模型（LLM）的出现标志着人工智能一个转型时代的开始， Reshape 了整个领域。跨越学术界和工业界的研究实验室正积极参与一场竞争，以推进LLM的能力。然而，一个值得注意的限制已经显现出来——这些模型仅限于处理单一类型的数据，特别是文本。这一限制凸显了在追求完善LLM以跨多个模态无缝运行的过程中一个关键挑战，这标志着在AI领域进一步创新的一个重要方向。

01

Maxout Networks

我们考虑的问题是如何设计模型来利用最近引入的近似模型平均技术(dropout)。我们定义了一个简单的新模型maxout(之所以这样命名，是因为它的输出是一组输入的最大值，而且它是dropout的一个自然伙伴)，旨在促进dropout优化和提高dropout的快速近似模型平均技术的准确性。我们通过经验验证模型成功地完成了这两个任务。我们使用maxout和dropout来演示在四个基准数据集上的最新分类性能:MNIST、CIFAR-10、CIFAR-100和SVHN。

01

一文说尽「大模型推理」！12家高校机构联合发布150页报告，综述750篇论文

推理，作为复杂问题解决中的关键能力，在各种现实世界场景中发挥着核心作用，如谈判、医疗诊断和刑事调查，在人工通用智能（AGI）领域中也是一种基本的方法论。

01

InstructPLM: 对齐蛋白质语言模型以遵循蛋白结构指令

今天为大家介绍的是来自之江实验室、浙江大学、南京师范大学、香港中文大学、清华大学、阿里巴巴团队的一篇论文。大型语言模型以其在捕捉复杂模式（包括共同进化关系和潜在的蛋白质语言）方面的有效性而著称。然而，当前的方法通常难以展示基因组插入、复制和插入/缺失（indels）的出现，而这些因素占人类致病性突变的约14%。鉴于结构决定功能，结构相似的突变蛋白更有可能在生物进化中保存下来。受此启发，作者利用受大型语言模型启发的跨模态对齐（cross-modality alignment）和指令微调（instruct fine-tuning）技术，将生成式蛋白质语言模型与蛋白质结构指令对齐。具体而言，我们提出了一种生成可变长度和多样化蛋白质的方法，以探索和模拟生命的复杂进化，从而扩大蛋白质工程的选择范围。作者提出的基于蛋白质语言模型的方法InstructPLM在计算机模拟和实验中都表现出显著的性能提升。在天然蛋白质主链上，它实现了2.68的困惑度（perplexity）和57.51的序列恢复率（sequence recovery rate），分别比ProteinMPNN高39.2%和25.1%。此外，作者通过重新设计PETase和L-MDH验证了模型的有效性。对于PETase，所有设计的15个可变长度的PETase都表现出解聚活性，其中11个超过了野生型的活性水平。对于L-MDH，一种缺乏实验确定结构的酶，InstructPLM能够设计出具有AF2预测结构的功能性酶。InstructPLM的代码和模型权重都公开在https://github.com/Eikor/InstructPLM。

01

深度 | 通过NMT训练的通用语境词向量：NLP中的预训练模型？

选自 einstein.ai 机器之心编译参与：Nurhachu Null、蒋思源自然语言处理（NLP）这个领域目前并没有找到合适的初始化方法，它不能像计算机视觉那样可以使用预训练模型获得图像的基本信息，我们在自然语言处理领域更常用的还是随机初始化词向量。本文希望通过 MT-LSTM 先学习一个词向量，该词向量可以表征词汇的基本信息，然后再利用该词向量辅助其它自然语言处理任务以提升性能。本文先描述了如何训练一个带注意力机制的神经机器翻译，其次描述了如何抽取该模型的通用词向量与将其应用于其它任务的性能。

05

Science：人类神经科学中的功能基因组学和系统生物学

由于对资源建设和工具开发的强大的财政和智力支持，神经科学研究已经进入了神经基因组学领域的关键发展阶段。以前的组织异质性的挑战已经遇到了技术的应用，可以让我们研究单个细胞尺度的功能轮廓。此外，以细胞类型特异性的方式干扰基因、基因调控元件和神经元活性的能力已经与基因表达研究相结合，以在系统水平上揭示基因组的功能基础。虽然这些见解必须基于模型系统，但由于人类遗传学、大脑成像和组织收集方面的进步，我们现在有机会将这些方法应用于人类和人体组织中。我们承认，在我们将模型系统中开发的基因组工具应用于人类神经科学的程度上，可能总是有限制的；然而，正如我们在这个角度所描述的，神经科学领域现在已经为解决这一雄心勃勃的挑战奠定了最佳基础。将系统级的网络分析应用于这些数据集，将有助于对人类神经基因组学的更深入的理解，否则，这是无法从直接可观察到的现象中实现的。

01

单细胞分析：归一化和回归（八）

现在有了高质量的细胞，首先探索数据并确定任何不需要的变异来源。然后需要对数据进行归一化，计算方差并回归任何对数据有影响的协变量。

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭