首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    Nature neuroscience:眶额皮层对纹状体的控制导致了经济决策

    动物必须不断地评估其环境中的刺激,以决定追求哪些机会,在许多情况下,这些决定可以从根本上的经济角度来理解。虽然几个大脑区域单独参与了这些过程,但与这些区域在决策中相关的全脑机制尚不清楚。通过一种大鼠的经济决策任务,我们发现两个连接的大脑区域,即腹外侧眶额皮层(OFC)和背内侧纹状体(DMS)的神经活动是经济决策所必需的。这两个大脑区域的相关神经活动惊人地相似,主要是由决策过程的空间特征决定的。然而,OFC中选择方向的神经编码先于DMS,并且这种时间关系与选择的准确性密切相关。此外,为了进行适当的经济决策,还需要特别开展OFC预测DMS的活动。这些结果表明,OFC中的选择信息被传递到DMS,以引导准确的经济决策。

    01

    高通SDX12:跨子系统数据共享实例分享

    SVN英文全称software version number,直译软件版本号,通常为两位数字,取值也必须是0~9的数字,而且99这个值是被保留的。高通平台的SVN号通常存储在Modem镜像中,X12项目也不例外,一般是modem在初始化时读取预编译就已经定义好的SVN号,并且同时从nv中读取到svn号,进行对比,若不一致,则将新svn号写入nv,这样就可以确保svn号能够一直随版本更新,且能够与imei号组成16位的IMEISV,在注网时通过空口上报给网络侧。 通常各通信模组厂商有一套自己定义的规则,用于定义软件版本号和SVN之间的对应关系,如取软件全版本号末两位作为SVN号,后续将以此为例;但通信模组通常会被用于MIFI、CPE、工业网关、工业路由器等场景,由于通信模组本身就是多核,CPU处理性能较强,尤其是高速通信模组,如高通SDX12、SDX55、SDX62、SDX65等平台,其处理能力优越,完全可以作为独立的处理器使用,无需再借助于host设备,这就催生了OpenCPU的方案,很多MIFI、CPE等厂商会直接基于上述平台进行二次开发,并且重新制定自己的版本号、SVN号规则。 但通常SDK仅会给第三方厂商开放boot、system、user等分区,boot分区存储kernel镜像,客户可以集成外设驱动和应用,如wifi、phy等;system是文件系统,客户可以增加自己的应用,删除一些不必要的应用,如网络管理相关、webui、网关配置等;user是客户存储客制化数据的分区,如客户的wifi配置、lan侧管理参数、客制化信息等。客户可以对这三个镜像或分区进行二次开发。

    04

    一个表主键信息采集脚本

    查询目前哪些表有主键,可以通过information_schema.key_column_usage表来确定哪些列使用了主键约束,这个表中包含如下列,每个列的含义如下: CONSTRAINT_CATALOG :约束所属目录的名称。 该值始终为def。 CONSTRAINT_SCHEMA :约束所属schema(database)名称 CONSTRAINT_NAME :约束名称 TABLE_CATALOG :表所属目录的名称。 该值始终为def。 TABLE_SCHEMA :表所属schema(database)名称 TABLE_NAME :具有约束的表的名称 COLUMN_NAME :具有约束的列的名称。 如果约束是外键,则这是外键的列,而不是外键引用的列。 ORDINAL_POSITION :列在约束内的位置,而不是列在表中的位置。列位置从1开始编号。 POSITION_IN_UNIQUE_CONSTRAINT:NULL对于唯一和主键约束。对于外键约束,此列是正在引用的表的键中的序号位置。 REFERENCED_TABLE_SCHEMA :约束引用的schema(数据库)的名称。 REFERENCED_TABLE_NAME :约束引用的表的名称。 REFERENCED_COLUMN_NAME :约束引用的列的名称。 我们来看看这个表中的记录吧:

    01

    ECNet:学习进化信息指导蛋白质工程

    深度学习已经越来越多地应用于蛋白质工程领域。使用语言模型学习大规模序列的数据,得到序列分布的规律最为流行。但是,从Uniprot、Pfam等大规模序列库中学到的信息只能捕获广义上的context,缺乏对需要工程改造序列的特异性。在蛋白质工程中,学习整个序列空间context性质的模型,应对突变后的序列性质预测往往不够敏感。针对这一问题,伊利诺伊大学香槟分校的Huimin Zhao教授课题组与Jian Peng教授课题组发展了ECNet,可以挖掘全序列空间与同源序列内的进化信息(context),用以蛋白质工程中的序列功能预测。ECNet对于序列-功能的关系预测超过了现有的机器学习方法,该工作近期发表在Nature Communications上。

    02
    领券