深度学习模型成功识别胚胎发育过程

深度学习模型成功识别胚胎发育过程英国普利茅斯大学牵头的研究表明，一种新的深度学习人工智能（AI）模型可通过视频，识别出胚胎发育过程中发生的事件及其发生时间。29日发表在《实验生物学杂志》上的论文，重点介绍了这种名为“Dev-ResNet”的模型，它能识别出动物胚胎中何时发育出了关键功能，包括其心脏功能、孵化、爬行，甚至死亡。研究人员表示，虽然本研究的对象是池塘蜗牛胚胎，但该模型已经可广泛应用于所有物种，他们提供了将“Dev-ResNet”应用于不同生物系统的全面脚本和文档。

深度学习项目：Django搭建CNN网络实现图像识别 - 带源码课件

名称：深度学习项目：Django搭建CNN网络实现图像识别-带源码课件描述：快速掌握DjangoWeb框架的使用和CNN模型实现图像识别及应用。链接：https://www.alipan.com/s/vRDC5FcNmnX大小：NG标签：#学习#知识#课程#资源来自：雷锋频道：@Aliyundrive_Share_Channel群组：@alyd_g投稿：@AliYunPanBot

全息图技术迎来突破 - 深度学习用二维照片生成三维图像

全息图技术迎来突破-深度学习用二维照片生成三维图像研究人员提出了一种利用深度学习从二维彩色图像创建三维全息图的新方法。全息图提供了物体的三维（3D）视图，其细节程度是二维（2D）图像无法比拟的。三维物体逼真、身临其境的显示效果使全息图在医疗成像、制造和虚拟现实等各个领域都具有难以置信的价值。传统的全息技术需要记录物体的三维数据及其与光的相互作用，这一过程需要很高的计算能力，并需要使用专门的相机来捕捉三维图像。这种复杂性限制了全息图的广泛应用。近来，许多用于生成全息图的深度学习方法也被提出。它们可以直接从使用RGB-D相机捕获的三维数据中生成全息图，该相机可以捕获物体的颜色和深度信息。这种方法规避了与传统方法相关的许多计算挑战，是一种更容易生成全息图的方法。用新方法革新全息技术现在，千叶大学研究生院工程学研究科的下场友吉教授领导的研究团队提出了一种基于深度学习的新方法，它可以直接从使用普通相机捕捉的常规2D彩色图像生成3D图像，从而进一步简化全息图生成过程。千叶大学工程学研究生院的石井义之和伊藤友义也参与了这项研究，研究成果最近发表在《工程学中的光学与激光》（OpticsandLasersinEngineering）杂志上。下场教授在解释这项研究背后的原因时说："在实现全息显示的过程中存在几个问题，包括三维数据的获取、全息图的计算成本，以及如何转换全息图像以符合全息显示设备的特性。我们之所以开展这项研究，是因为我们相信深度学习近年来发展迅速，有可能解决这些问题。"三阶段深度学习过程所提出的方法采用了三个深度神经网络（DNN），将常规的二维彩色图像转换成可用于将三维场景或物体显示为全息图的数据。第一个DNN使用普通相机拍摄的彩色图像作为输入，然后预测相关的深度图，提供有关图像三维结构的信息。然后，第二个DNN利用第一个DNN创建的原始RGB图像和深度图生成全息图。最后，第三个DNN会完善第二个DNN生成的全息图，使其适合在不同设备上显示。研究人员发现，所提出的方法处理数据和生成全息图所需的时间优于最先进的图形处理单元。"我们的方法另一个值得注意的优点是，最终全息图的再现图像可以代表自然的三维再现图像。此外，由于在全息图生成过程中不使用深度信息，因此这种方法成本低廉，而且在训练后不需要RGB-D摄像机等三维成像设备，"下场教授在进一步讨论结果时补充道。未来应用和结论在不久的将来，这种方法可能会应用于平视显示器和头戴式显示器，以生成高保真三维显示器。同样，它还能彻底改变车载全息平视显示器的生成，使其能够以三维方式向乘客展示有关人员、道路和标志的必要信息。因此，所提出的方法有望为促进无处不在的全息技术的发展铺平道路。为研究团队取得的这一杰出成就点赞！...PC版：https://www.cnbeta.com.tw/articles/soft/1391389.htm手机版：https://m.cnbeta.com.tw/view/1391389.htm

基于深度学习的人脸识别

名称：基于深度学习的人脸识别描述：系统学习人脸识别理论知识，实战交互式系统demo。链接：https://www.aliyundrive.com/s/H36NoRknDtW大小：未统计标签：#学习#知识来自：雷锋版权：频道：@shareAliyun群组：@aliyundriveShare投稿：@aliyun_share_bot

"扒手"细菌窃取肿瘤DNA 可准确诊断癌症

"扒手"细菌窃取肿瘤DNA可准确诊断癌症在这项新研究中，研究人员试图利用这种能力来检测癌症。肿瘤往往会将其DNA片段脱落到周围环境中。因此，研究小组利用CRISPR基因编辑工具对巴氏杀菌菌器进行了改造，使其能够针对与癌症相关的KRAS基因中的一种特殊突变。如果出现这种突变，细菌就会将该基因纳入自己的基因组，从而触发一个特定的信号，医生就能检测出患者是否患有癌症。在实践中，细菌会被释放到人体的一部分，如结肠。如果细菌遇到与癌症相关的基因突变，它们就会吸收这种DNA，从而抵抗抗生素。随后，从粪便样本中提取细菌，并将其放入铺有抗生素的实验室培养皿中。如果细菌未能在实验皿中定植，就说明它们的基因组没有变化，因此没有癌症存在。但是，如果细菌生长，则表明存在癌症或癌前息肉。图示工程细菌如何充当大肠癌传感器研究人员将这项技术称为"靶向CRISPR识别水平基因转移细胞检测技术"（CATCH）。在对小鼠的测试中，该系统检测结直肠癌存在与否的准确率达到了100%。这项研究的共同第一作者约瑟芬-赖特（JosephineWright）说："当我在显微镜下看到吸收了肿瘤DNA的细菌时，我感到不可思议。患有肿瘤的小鼠长出了绿色的细菌菌落，它们已经获得了在抗生素平板上生长的能力"。研究小组表示，这项技术不仅可以帮助更早地诊断结直肠癌，还可以用于治疗这种疾病。它还可以应用于其他形式的癌症，甚至其他需要检测特定类型DNA的情况。...PC版：https://www.cnbeta.com.tw/articles/soft/1376281.htm手机版：https://m.cnbeta.com.tw/view/1376281.htm

约翰霍普金斯大学工程师开发出深度学习技术 可帮助个性化癌症治疗

约翰霍普金斯大学工程师开发出深度学习技术可帮助个性化癌症治疗细胞毒性CD8+T细胞通过受体结合新抗原识别癌细胞。图片来源：OpenAI的DALL-E2生成的图像在7月20日发表在《自然-机器智能》（NatureMachineIntelligence）杂志上的一项研究中，来自约翰霍普金斯大学生物医学工程系、约翰霍普金斯大学计算医学研究所、约翰霍普金斯大学金梅尔癌症中心和布隆伯格~金梅尔癌症免疫疗法研究所的研究人员表明，他们的深度学习方法（名为BigMHC）可以识别癌细胞上能引起肿瘤细胞杀伤性免疫反应的蛋白质片段，这是了解免疫疗法反应和开发个性化癌症疗法的重要一步。"癌症免疫疗法旨在激活患者的免疫系统来消灭癌细胞，"生物医学工程、肿瘤学和计算机科学教授、计算医学研究所核心成员雷切尔-卡钦（RachelKarchin）博士说。"这一过程的关键步骤是免疫系统通过T细胞与细胞表面的癌症特异性蛋白片段结合来识别癌细胞。"引起这种肿瘤杀伤性免疫反应的癌症蛋白片段可能源自癌细胞基因构成的变化（或突变），称为突变相关新抗原。每个患者的肿瘤都有一组独特的此类新抗原，这些新抗原决定了肿瘤的异质性，换句话说，决定了肿瘤构成与自身的不同程度。科学家可以通过分析癌症基因组来确定患者肿瘤具有哪些与突变相关的新抗原。确定哪些新抗原最有可能触发杀死肿瘤的免疫反应，科学家就能开发出个性化的癌症疫苗或定制的免疫疗法，并为患者选择这些疗法提供依据。然而，目前鉴定和验证触发免疫反应的新抗原的方法耗时费钱，因为这些方法通常依赖于劳动密集型的湿实验室实验。由于新抗原验证需要大量资源，因此可用于训练深度学习模型的数据很少。为了解决这个问题，研究人员通过一个称为迁移学习的两阶段过程训练了一组深度神经网络BigMHC。首先，BigMHC学习识别呈现在细胞表面的抗原，这是适应性免疫反应的早期阶段，可以获得许多相关数据。然后，BigMHC通过学习后期阶段（T细胞识别）进行微调，而这一阶段的数据很少。通过这种方式，研究人员利用海量数据建立了一个抗原呈递模型，并对该模型进行了改进，以预测免疫原性抗原。研究人员在一个大型独立数据集上对BigMHC进行了测试，结果表明它在预测抗原呈递方面优于其他方法。他们还对研究共同作者、布隆伯格~金梅尔癌症免疫疗法研究所（Bloomberg~KimmelInstituteforCancerImmunotherapy）肿瘤学副教授凯莉-史密斯（KellieSmith）博士的数据对BigMHC进行了进一步测试，发现BigMCH在识别可触发T细胞反应的新抗原方面明显优于其他七种方法。"BigMHC在预测免疫原性新抗原方面具有出色的精确性，"Karchin说。"为最有可能获益的患者子集量身定制癌症免疫疗法是一项迫切的、尚未得到满足的临床需求，BigMHC可以揭示驱动肿瘤异质性的癌症特征，从而触发有效的抗肿瘤免疫反应。"该研究的共同作者、胸部肿瘤学生物库主任、约翰霍普金斯大学分子肿瘤委员会和精准肿瘤学分析领导者、金梅尔癌症中心肿瘤学副教授Valsamo"Elsa"Anagnostou博士说。该团队目前正在扩大工作范围，在几项免疫疗法临床试验中测试BigMHC，以确定它是否能帮助科学家从成千上万的新抗原中筛选出最有可能引起免疫反应的抗原。这项研究的第一作者本杰明-亚历山大-阿尔伯特（BenjaminAlexanderAlbert）说："我们希望BigMHC能为癌症免疫学家提供指导，帮助他们开发可用于多名患者的免疫疗法，或开发可增强患者免疫反应以杀死癌细胞的个性化疫苗。阿尔伯特现在是加州大学圣迭戈分校的一名博士生。"Karchin和她的团队相信，BigMHC和类似的基于机器学习的工具可以帮助临床医生和癌症研究人员高效、低成本地筛选大量数据，从而开发出更加个性化的癌症治疗方法。Karchin说："深度学习在临床癌症研究和实践中发挥着重要作用。"...PC版：https://www.cnbeta.com.tw/articles/soft/1376727.htm手机版：https://m.cnbeta.com.tw/view/1376727.htm