MATLAB代码存储库-Nat-Commun-2018解耦共表达基因的正交核糖体动态分配

Matlab KPCA程序动态神经正交映射用于故障检测，可直接运行“Comparison_DPCA_DKPCA_DNOM.m”获取图表1中的DPCA、DKPCA和DNOM结果。文件“Comparison_DPCA_DKPCA_DNOM.m”、 “KPCA.m”和“constructKernel.m”需放置同一目录下。Matlab版本为R2017b。未在其他版本测试过。为了GPU加速和快速计算，使用PyTorch开发了Python代码。在运行Python代码前，请安装所需库文件：“dnom.py”。详细信息参见跑步在Linux上：python3 dnom.py。

这篇文章讨论了物种之间共表达网络的比较分析，使用了名为“compare_PCMs.m”的Matlab管道脚本。输入数据来自Excel中的标准化基因表达样本表，每个表代表单个物种的数据集。测试数据集“expression_per_species_test.xlsx”是原始数据的子集。输出结果“ggc_（今日日期）.mat”包含多个结构化数据：成对相关矩阵（PCM）、每个数据集的表达相关性分析结果、比较监管相似性评分表等。

Matlab代码优化MSR基因组信号的多尺度表达（MSR）是基因组信号在不同空间尺度上的分段集合。利用显著倍数变化（SFC）分数对每个比例特定的细分进行信号富集或耗竭评分。MSR的创建包括两个主要组件，第三个组件为可选。为了检测MSR中相关但非冗余的段，计算修剪的多尺度分割证监会被创建。我们在Matlab的msr_example_script.m中描述了这些组件。此外，我们还提供了一个脚本，用于从ENCODE数据创建MSR，并为Unix和Windows提供Matlab编译器运行时，无需安装Matlab即可运行MSR应用程序。需要注意，根据数据大小和参数设置，计算MSR可能会消耗大量内存和CPU时间。

介绍了基于自组织映射（SOM）神经网络的MATLAB代码，用于多智能体任务分配的方法。该方法由李昕在上海海事大学水下航行器与智能系统实验室开发。

前后端解耦利器：HBase 中间层实践 在 HBase 应用中，引入中间层能够有效隔离前后端，带来诸多优势： 1. 简化前端开发: 前端只需与中间层交互，无需了解 HBase 的复杂细节，降低学习成本和开发难度。 中间层可以提供更友好的接口，例如 RESTful API，便于前端调用。 2. 提升系统可维护性: 前后端代码分离，各自独立开发、测试和部署，提高开发效率和代码质量。 修改后端逻辑或 HBase 版本时，只需调整中间层，无需修改前端代码，降低维护成本。 3. 增强系统安全性: 中间层可以实现权限控制、数据校验等功能，保护 HBase 数据安全。 隐藏 HBase 集群的内部细节，降低系统被攻击的风险。 4. 提高系统性能: 中间层可以缓存数据，减少对 HBase 的直接访问，提升查询效率。 中间层可以实现负载均衡，将请求分发到不同的 HBase 节点，提高系统吞吐量。 5. 实现数据聚合和转换: 中间层可以对 HBase 数据进行处理和转换，例如数据聚合、格式转换等，满足前端多样化的数据需求。 中间层的技术选型 常用的中间层技术包括： RESTful API 框架：Spring Boot, Flask RPC 框架：Thrift, gRPC 消息队列：Kafka, RabbitMQ 总结 引入中间层是 HBase 应用开发的最佳实践之一，能够有效提高开发效率、降低维护成本、增强系统安全性、提升系统性能和扩展性。

双馈感应电机解耦控制是电力系统中的重要技术，其通过新的控制方法实现了对电力传输的高效优化。详细探讨了这一技术在提高发电效率和稳定性方面的应用。通过实验验证，新方法不仅提升了系统的响应速度，还减少了系统中的能量损耗。这些创新将有助于未来电力系统的可持续发展。

本模型基于Unger的论文[1,2]，针对平面应力问题，实现了将塑性行为与损伤行为分离计算的损伤塑性模型。该模型不考虑压缩硬化。 模型输入 函数 [Material_State2,D]=Damage_Plasticity_Model_2D(Material,Material_State,e) 拥有以下输入参数： Material: 包含材料属性的结构体，包括： Material.E (弹性模量) Material.v (泊松比) Material.f_t (拉伸强度) Material.g_f (归一化断裂能) Material.f_c (单轴抗压强度) Material.f_c2 (双轴抗压强度) Material_State: 包含先前增量或迭代步骤中材料状态变量历史记录的结构体，包括： Material_State.s (应力向量) Material_State.e (应变向量) Material_State.s_eff (有效应力) Material.k_RK (兰金屈服准则的当前状态变量) e: 当前应变增量 模型输出 Material_State2: 更新后的材料状态变量 D: 损伤变量 参考文献 [1] Unger, J. F., & Eckardt, C. (2011). Multiscale modeling of concrete: From damage behavior to structural analysis. Springer Science & Business Media. [2] Unger, J. F. (2007). Ein mehrskalenmodell für die beschreibung des trag- und verformungsverhaltens von beton unter kurzzeitiger belastung (Doctoral dissertation, Universität Stuttgart).

生物信息学领域中，基因表达和基因对分析对于肿瘤研究至关重要。详述了如何利用C++编程语言进行基因对的两两配对，并计算在肿瘤和正常样本中出现反转配对的基因。我们讨论了C++在生物信息学中的应用、基因表达的原理以及基因对分析的具体方法。C++因其高效性和性能优势，在处理大规模基因数据时具有明显优势。基因表达和反转配对分析可以帮助识别出肿瘤相关的关键基因对，为后续的病理研究和药物靶点筛选提供重要线索。

建模用户的长期和短期兴趣对于准确的推荐至关重要。然而，由于缺乏手动标注用户兴趣的标签，现有方法常常将长短期兴趣纠缠在一起，导致推荐的准确性和可解释性不佳。为解决这一问题，提出了一种对比学习框架，专注于将长期和短期兴趣的推荐分开。我们首先引入了独立的编码器，分别捕捉不同时间尺度下的用户兴趣。然后，通过从交互序列中提取长期和短期兴趣的代理标签，来监督兴趣表示与其相似性。最后，考虑到长短期兴趣的动态变化，我们提出了基于注意力机制的自适应聚合方法来进行预测。我们在电子商务和短视频推荐的两个大规模真实数据集上进行了实验，结果显示，所提出的方法始终优于现有的模型，显著提高了推荐效果：GAUC提升超过0.01，NDCG提升超过4%。进一步的反事实评估表明，本方法成功实现了长期和短期兴趣的更强解耦。