ОКВЭД 41.2 — Строительство жилых и нежилых зданий
ОКВЭД 41.2 — Строительство жилых и нежилых зданийК списку категорий
код ОКВЭД 41.2
Найдено 942 593 организации с ОКВЭД 41.2
ИП Пятничко Денис Александрович
Действующий ИП
ИНН
165914886134
Дата регистрации
05.08.2020
ОГРН
320508100244142
ИП Утюжников Александр Валерьевич
Действующий ИП
ИНН
110502080104
Дата регистрации
05.08.2020
ОГРН
320508100244595
ИП Куликов Александр Дмитриевич
Действующий ИП
ИНН
643500746605
Дата регистрации
05.08.2020
ОГРН
320508100244640
ИП Сава Илие Петрович
Действующий ИП
ИНН
710411272101
Дата регистрации
05.
08.2020ОГРН
320508100244911
ИП Диденко Игорь Фёдорович
Действующий ИП
ИНН
772775901245
Дата регистрации
05.08.2020
ОГРН
320508100244930
ИП Яковлева Алла Петровна
Действующий ИП
ИНН
463404001935
Дата регистрации
05.08.2020
ОГРН
320508100244963
ИП Хвостов Сергей Сергеевич
Действующий ИП
ИНН
680500237904
Дата регистрации
05.08.2020
ОГРН
320508100245516
ИП Гоголева Екатерина Александровна
Действующий ИП
ИНН
502479242546
Дата регистрации
05.08.2020
ОГРН
320508100245602
ИП Тропа Олег Сергеевич
Действующий ИП
ИНН
601901352662
Дата регистрации
05.
08.2020ОГРН
320508100245624
ИП Данилин Андрей Вячеславович
Действующий ИП
ИНН
504804645627
Дата регистрации
05.08.2020
ОГРН
320508100245668
ИП Урусова Татьяна Владимировна
Действующий ИП
ИНН
501308185688
Дата регистрации
05.08.2020
ОГРН
320508100245851
ИП Тараскин Александр Михайлович
Действующий ИП
ИНН
352503144490
Дата регистрации
05.08.2020
ОГРН
320508100246014
ИП Сухов Александр Дмитриевич
Действующий ИП
ИНН
500709931148
Дата регистрации
05.08.2020
ОГРН
320508100246133
ИП Кривошея Юрий Владимирович
Действующий ИП
ИНН
343504474584
Дата регистрации
06.
08.2020ОГРН
320508100246318
ИП Ачабаев Назир Джамалович
Действующий ИП
ИНН
071002522513
Дата регистрации
06.08.2020
ОГРН
320508100246352
08.2020
08.2020
08.2020153536535375353862840
Как проверить контрагента
Проверьте адрес регистрации, директора и коды ОКВЭД
Запросите учредительные документы, лицензии и свидетельства
Запросите документы, которые подтвердят полномочия руководителя. Если заниматься счетом будет кто-то другой — попросите доверенность
|
|
Юрге
Юрге
Юрге
ЮргеЛюдей, которым нравится «Сериал ENDURO KINGS» на Vimeo
- Сортировка:
- Дата
- Алфавитный
Ройз.
твклоренц
Владлен Овчар
Дрю МакКаллох
Абдул Вахаб Данка
сэнро такамуре
Аманда Сифуэнтес Р.
Сьерра Гернси
ХёнМин Джо
Владислав Трифонов
Дена МакМюррей
Микель Брезоли
Эдди Энрикес
Чармин Гонки
— ЛУЛО —
хянджэ-ли
ОДЖО ДЕ ПЕЗ
Гора/\Ясень
маказика
Кодрут Алексоая
Квант
Грант Уилер
тв
Обзор лайков
“ ЭНДУРО КОРОЛЕВ ТВ Серия ” от Throttle Entertainment понравился 22 людям .
Мы знаем, что это может показаться безумием, но если вам тоже понравится это видео, возможно, вы и они поладите. Проверьте их профиль и, если вам нравится то, что вы видите, подпишитесь на них.
Подробнее об этом видео
Язык белков: НЛП, машинное обучение и белковые последовательности
1. Ахтар Малик Н., Саути Брюс Р., Андрен Пер Э., Свидлер Джонатан В., Родригес-Зас Сандра Л. Оценка программ поиска в базе данных для точных Обнаружение нейропептидов в экспериментах по тандемной масс-спектрометрии. J Протеом Res. 2012;11(12):6044–6055. doi: 10.1021/pr3007123. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
2. Аллам Ахмед, Наги Мате, Тома Джордж, Краутхаммер Майкл. Нейронные сети по сравнению с логистической регрессией для 30-дневного прогноза реадмиссии по всем причинам. Научный доклад 2019;9(1):9277. doi: 10.1038/s41598-019-45685-z. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
3. Элли Итан С., Химуля Григорий, Бисвас Суроджит, Аль Кураиши Мохаммед, Черч Джордж М.
Унифицированная рациональная белковая инженерия с обучением на основе последовательностей с глубоким представлением. Нат Методы. 2019;16(12):1315–1322. дои: 10.1038/s41592-019-0598-1. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
4. Альмагро Арментерос, Хосе Хуан, Александр Розенберг Йохансен, Оле Винтер и Хенрик Нильсен. Языковое моделирование для биологических последовательностей — тщательно отобранные наборы данных и базовые уровни. BioRxiv 2020. Март, 2020.03.09.983585. 10.1101/2020.03.09.983585.
5. Альмагро Арментерос, Хосе Хуан, Каспер Каае Сондерби, Сёрен Каае Сондерби, Хенрик Нильсен и Оле Винтер. 2017. «DeepLoc: прогнозирование субклеточной локализации белка с использованием глубокого обучения». Под редакцией Джона Хэнкока. Биоинформатика 33 (21): 3387–9.5. 10.1093/биоинформатика/btx431. [PubMed]
6. Ангермюллер Кристоф, Пярнамаа Танель, Партс Леопольд, Стегле Оливер. Глубокое обучение для вычислительной биологии. Мол Сист Биол. 2016;12(7):878.
doi: 10.15252/msb.20156651. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
7. Арора, Санджив, Инью Лян и Тэнью Ма. 2016. «Простая, но сложная основа для встраивания предложений», ноябрь. https://openreview.net/forum?id=SyK00v5xx.
8. Асгари Эхсанеддин, Макхарди Элис С., Мофрад Мохаммад Р.К. Вероятностная сегментация белковых последовательностей переменной длины для дискриминационного обнаружения мотивов (DiMotif) и встраивания последовательностей (ProtVecX) Sci Rep. 2019doi: 10.1038/s41598-019-38746-w. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
9. Асгари Эхсанеддин, Мофрад Мохаммад Р.К. Непрерывное распределенное представление биологических последовательностей для глубокой протеомики и геномики. ПЛОС ОДИН. 2015; 10(11) doi: 10.1371/journal.pone.0141287. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
10. Усадьба Ашкенази, Марто Джаррод А., Линиал Михал. Полный словарь пептидов — метапротеомный ресурс. Протеомика.
2010;10(23):4306–4310. doi: 10.1002/pmic.201000270. [PubMed] [CrossRef] [Академия Google]
11. Барла Аннализа, Юрман Джузеппе, Риккадонна Саманта, Мерлер Стефано, Кьеричи Марко, Фурланелло Чезаре. Методы машинного обучения для прогнозной протеомики. Брифинги Биоинф. 2008;9(2):119–128. doi: 10.1093/bib/bbn008. [PubMed] [CrossRef] [Google Scholar]
12. Бен-хур Аса, Брутлаг Дуглас, Бен-хур Дуглас Брутлаг Аса. Мотивы белковых последовательностей: высокопрогнозирующие особенности функции белков. Stud Fuzziness Soft Comput. 2006;207 [Google Scholar]
13. Беплер, Тристан, Бонни Бергер. 2019. «Изучение встраивания белковых последовательностей с использованием информации из структуры». ArXiv:1902.08661 [Cs, q-Bio, Stat], октябрь. http://arxiv.org/abs/1902.08661.
14. Berman H.M., Westbrook J., Feng Z., Gilliland G., Bhat T.N., Weissig H. Банк данных о белках. Нуклеиновые Кислоты Res. 2000;28(1):235–242. doi: 10.1093/нар/28.1.235. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
15.
Билески М.Л., Белангер Д., Брайант Д., Сандерсон Т., Брэндон Картер Д., Скалли М.А. Использование глубокого обучения для аннотирования белковой вселенной. БиоРксив. 2019дои: 10.1101/626507. [CrossRef] [Google Scholar]
16. Бояновский П., Грейв Э., Жоулин А., Миколов Т. Обогащение векторов слов информацией о подсловах. Trans Assoc Computat Linguis. 2017; 5 (декабрь): 135–146. doi: 10.1162/tacl_a_00051. [CrossRef] [Google Scholar]
17. Буте Э., Либерхер Д., Тоньолли М., Шнайдер М., Байрох А. UniProtKB/Swiss-Prot: аннотированный вручную раздел базы знаний uniprot. Методы Мол Биол. 2007; 406:89–112. [PubMed] [Академия Google]
18. Брандес Н., Офер Д., Линиал М. ASAP: Структура машинного обучения для локальных свойств белка. База данных. 2016; doi 2016: 10.1093/database/baw133. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
19. Браун, Том Б., Бенджамин Манн, Ник Райдер, Мелани Суббиа, Джаред Каплан, Прафулла Дхаривал, Арвинд Нилакантан и др. 2020.
Языковые модели — это немногие ученики. ArXiv:2005.14165 [Cs], июль. http://arxiv.org/abs/2005.14165.
20. Будовски-Тал, Инбал, Юваль Нов и Рэйчел Колодны. FragBag, точное представление структуры белка, быстро и точно извлекает структурных соседей из всей PDB. Труды Национальной академии наук Соединенных Штатов Америки. 2010. 107 (8): 3481–86. 10.1073/пнас.0914097107. [Бесплатная статья PMC] [PubMed]
21. Чен, Тинг, Саймон Корнблит, Кевин Сверски, Мохаммад Норузи и Джеффри Э. Хинтон. 2020. «Большие модели с самостоятельным наблюдением — это сильные учащиеся с частичным наблюдением». Достижения в области нейронных систем обработки информации 33.
22. Шолле, Франсуа. 2015. Керас.
23. Хоромански, Кшиштоф, Валерий Лихошерстов, Дэвид Дохан, Синью Сонг, Андреа Гане, Тамас Сарлос, Питер Хокинс и др. 2020. «Переосмысление внимания с исполнителями». АрХив: 2009.14794 [Cs, Stat], сентябрь. http://arxiv.org/abs/2009.14794.
24. Кларк К., Минх-Тханг Луонг, Куок В.
Ле и Кристофер Д. Мэннинг. 2020. «ELECTRA: предварительное обучение текстовых кодировщиков как дискриминаторов, а не генераторов». ArXiv абс/2003.10555.
25. Коццетто, Доменико, Федерико Миннечи, Ханна Каррант и Дэвид Т. Джонс. 2016. «FFPred 3: прогнозирование функций на основе признаков для всех доменов онтологии генов». Научный отчет 6 (август). 10.1038/srep31865. [Бесплатная статья PMC] [PubMed]
26. Демис Хассабис. 2020. «Высокоточное прогнозирование структуры белка с использованием глубокого обучения». Четырнадцатая критическая оценка методов предсказания структуры белка (абстрактная книга), декабрь. https://predictioncenter.org/casp14/doc/CASP14_Abstracts.pdf.
27. Девлин Дж., Минг-Вей Чанг, Кентон Ли и Кристина Тутанова. 2019. «BERT: предварительное обучение глубоких двунаправленных преобразователей для понимания языка». В НААКЛ-HLT. 10.18653/v1/N19-1423.
28. Датта Д., Чен Т. Ускорение поиска в базе данных тандемной масс-спектрометрии: метрические вложения и быстрый поиск соседей.
Биоинформатика. 2007;23(5):612–618. дои: 10.1093/биоинформатика/btl645. [PubMed] [CrossRef] [Google Scholar]
29. Эльнаггар, Ахмед, Майкл Хайнзингер, Кристиан Даллаго, Галия Рихави, Ю Ван, Ллион Джонс, Том Гиббс и др. 2020. «ProtTrans: на пути к взлому кода языка жизни с помощью самоконтролируемого глубокого обучения и высокопроизводительных вычислений», июль. http://arxiv.org/abs/2007.06225.
30. Фэн, Чжанъинь, Дая Го, Дую Тан, Нан Дуань, Сяочэн Фэн, Мин Гонг, Линьцзюнь Шоу и др. 2020. «CodeBERT: предварительно обученная модель для программирования и естественных языков», февраль. https://arxiv.org/abs/2002.08155v4.
31. Гиллис, Джесси, Пол Павлидис. 2013. «Характеристика современного состояния вычислительного присвоения функции гена: уроки первой критической оценки функциональной аннотации (CAFA)». BMC Bioinformatics 14 Приложение 3 (январь): S15. [Бесплатная статья PMC] [PubMed]
32. Голдберг Ю., Леви О. Объяснение Word2vec: получение Миколова и др. Метода встраивания слов с отрицательной выборкой.
ArXiv:1402.3722 [Cs, Stat] 2014 [Google Scholar]
33. Халеви А., Норвиг П., Перейра Ф. Необоснованная эффективность данных. IEEE Intel Syst. 2009 г.;24(2):8–12. doi: 10.1109/MIS.2009.36. [CrossRef] [Google Scholar]
34. Хайнцингер М., Ахмед Эльнаггар Ю., Ван К.Д., Нечаев Д., Маттес Ф., Рост Б. Моделирование аспектов языка жизни с помощью белковых последовательностей передачи-обучения. БМК Биоинф. 2019;20(1):1–17. doi: 10.1186/s12859-019-3220-8. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
35. Хи Б., Чжун Э.Д., Бергер Б., Брайсон Б. Изучение языка вирусной эволюции и побега. Наука. 2021;371(6526):284–288. doi: 10.1126/science.abd7331. [PubMed] [CrossRef] [Академия Google]
36. Хохрайтер С., Шмидхубер Дж. Долговременная кратковременная память. Нейронные вычисления. 1997; 9 (8): 1735–1780. [PubMed] [Google Scholar]
37. Höglund A., Dönnes P., Blum T., Adolph H.-W., Kohlbacher O. MultiLoc: предсказание субклеточной локализации белка с использованием n-концевых целевых последовательностей, мотивов последовательностей и аминокислотный состав.
Биоинформатика (Оксфорд, Англия) 2006;22(10):1158–1165. doi: 10.1093/биоинформатика/btl002. [PubMed] [CrossRef] [Google Scholar]
38. Ховард Дж., Рудер С. Тонкая настройка универсальной языковой модели для классификации текста. Архив . 2018 [Google Scholar]
39. Джанин, Жоэль, Ким Хенрик, Джон Моулт, Линн Тен Эйк, Майкл Дж. Э. Стернберг, Шандор Вайда, Илья Ваксер и Шошана Дж. Водак. 2003. CAPRI: Критическая оценка предсказанных взаимодействий. Белки: структура, функция, биоинформатика 52 (1): 2–9. 10.1002/прот.10381. [PubMed]
40. Цзи, Янжун, Чжихан Чжоу, Хань Лю и Рамана В. Давулури. 2021. «DNABERT: предварительно обученные представления двунаправленного кодировщика из модели трансформеров для языка ДНК в геноме». Под редакцией доктора Джанет Келсо и Джанет Келсо. Биоинформатика, февраль, btab083. 10.1093/биоинформатика/btab083. [PubMed]
41. Jiang Y., Oron T.R., Clark W.T., Bankapur A.R., D’Andrea D., Lepore R. Расширенная оценка методов прогнозирования функции белков показывает повышение точности.
Геном биол. 2016; 17(1) doi: 10.1186/s13059-016-1037-6. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
42. Жулен, Арман, Эдуард Грав, Петр Бояновский и Томас Миколов. 2016. «Сумка хитростей для эффективной классификации текстов». ArXiv:1607.01759 [Cs], август. http://arxiv.org/abs/1607.01759.
43. Кескар, Нитиш Шириш, Брайан Макканн, Лав Р. Варшни, Каймин Сюн и Ричард Сочер. 2019. «CTRL: языковая модель условного преобразователя для управляемой генерации». ArXiv:1909.05858 [Cs], сентябрь. http://arxiv.org/abs/1909.05858.
44. Кляйн Гийом, Ким Юн, Дэн Юнтян, Сенелларт Жан, Раш Александр. В: Система демонстраций., изд. OpenNMT: набор инструментов с открытым исходным кодом для нейронного машинного перевода; В материалах ACL 2017; Ванкувер, Канада: Ассоциация компьютерной лингвистики; 2017. С. 67–72. [Академия Google]
45. Кумакис Л. Модели глубокого обучения в геномике; мы уже на месте? Comput Struct Biotechnol J. 2020;18:1466–1473. doi: 10.1016/j.
csbj.2020.06.017. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
46. Крижевский А., Суцкевер И., Хинтон Г.Е. Классификация Imagenet с помощью глубоких сверточных нейронных сетей. Классификация ImageNet с глубокими свёрточными нейронными сетями. 2012 г.: 10.1145/3065386. [CrossRef] [Google Scholar]
47. Крыштафович А., Шведе Т., Топф М., Фиделис К., Моулт Дж. Критическая оценка методов предсказания структуры белка (касп) — раунд xiii. Белки Структура Функция Биоинф. 2019;87(12):1011–1020. doi: 10.1002/прот.25823. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
48. Кудо, Таку. 2018. «Регуляризация подслов: улучшение моделей перевода нейронной сети с несколькими кандидатами подслов». ArXiv:1804.10959 [Cs], апрель. http://arxiv.org/abs/1804.10959.
49. Лэмпл, Гийом и Франсуа Шартон. 2019. «Глубокое обучение символьной математике». ArXiv:1912.01412 [Cs], декабрь. http://arxiv.org/abs/1912.01412.
50. Лан З., Чен М., Гудман С., Гимпел К.
, Шарма П., Сорикут Р.д. АЛЬБЕРТ: облегченный BERT для самостоятельного изучения языковых представлений. Архив . 2020 [Google Scholar]
51. Лесли, Кристина, Элеазар Эскин и Уильям Стаффорд Ноубл. 2002. «Ядро спектра: ядро строки для классификации белков SVM». Тихоокеанский симпозиум по биокомпьютингу. Тихоокеанский симпозиум по биокомпьютерам 575 (январь): 564–75. [PubMed]
52. Лесли К.С., Эскин Э., Коэн А., Уэстон Дж., Ноубл В.С. Ядра строк несоответствия для дискриминационной классификации белков. Биоинформатика (Оксфорд, Англия) 2004;20(4):467–476. дои: 10.1093/биоинформатика/btg431. [PubMed] [CrossRef] [Google Scholar]
53. Лян, Ван и Чжао Кайюн. 2015. «Обнаружение «белковых слов» с помощью неконтролируемой сегментации слов». ArXiv: 1404.6866 [Cs, q-Bio], октябрь. http://arxiv.org/abs/1404.6866.
54. Литтманн, Мария, Майкл Хайнцингер, Кристиан Даллаго, Тобиас Олени и Буркхард Рост. 2020. «Встраивания из аннотаций Deep Learning Transfer GO за пределы гомологии».
BioRxiv, сентябрь 2020.09.04.282814. 10.1101/2020.09.04.282814. [Бесплатная статья PMC] [PubMed]
55. Лю, Иньхан, Майл Отт, Наман Гоял, Цзинфей Ду, Мандар Джоши, Данки Чен, Омер Леви, Майк Льюис, Люк Зеттлемойер и Веселин Стоянов. 2019. «RoBERTa: надежно оптимизированный подход к предварительной подготовке к BERT». ArXiv:1907.11692 [Cs], июль. http://arxiv.org/abs/1907.11692.
56. Мадани, Али, Брайан Макканн, Нихил Найк, Нитиш Шириш Кескар, Намрата Ананд, Рафаэль Р. Эгучи, По-Ссу Хуанг и Ричард Сочер. 2020. «ProGen: языковое моделирование для генерации белков». BioRxiv, январь 2020.03.07.982272. 10.1101/2020.03.07.982272.
57. Макканн, Брайан, Джеймс Брэдбери, Каймин Сюн и Ричард Сочер. 2018. «Учился переводу: контекстуализированные векторы слов». ArXiv:1708.00107 [Cs], июнь. http://arxiv.org/abs/1708.00107.
58. Mignan A., Broccardo M. Один нейрон более информативен, чем глубокая нейронная сеть для прогнозирования моделей афтершоков. Природа. 2019;574(7776):E1–E3.
doi: 10.1038/s41586-019-1582-8. [PubMed] [CrossRef] [Google Scholar]
59. Миколов Т., Чен К., Коррадо Г., Дин Дж. Распределенные представления слов и фраз и их композиционность. Соски. 2013;1–9doi: 10.1162/jmlr.2003.3.4-5.951. [CrossRef] [Google Scholar]
60. Мин, Сону, Бёнхан Ли и Сонгро Юн. 2016. «Глубокое обучение в биоинформатике». Брифинги Биоинф, июль, bbw068. 10.1093/нагрудник/толстушка068. [PubMed]
61. Мерфи Л.Р., Валлквист А., Леви Р.М. Упрощенные аминокислотные алфавиты для распознавания белковых складок и последствия для складок. Белок англ. 2000;13(3):149–152. doi: 10.1093/белок/13.3.149. [PubMed] [CrossRef] [Google Scholar]
62. Наамати Г., Ашкенази М., Линиал М. ClanTox: Классификатор коротких токсинов животных. Нуклеиновые Кислоты Res. 2009 г.;37(Приложение 2) doi: 10.1093/nar/gkp299. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
63. Nematzadeh A., Meylan S.C., Griffiths T.L. Оценка моделей представления слов в векторном пространстве или необоснованная эффективность подсчета слов рядом с другими словами.
CogSci. 2017 [Google Scholar]
64. Офер Д., Линиал М., Офер Д., Линиал М. НейроПИД: предиктор для идентификации предшественников нейропептидов из протеомов многоклеточных животных. Биоинформатика (Оксфорд, Англия) 2014;30(7):931–939.40. doi: 10.1093/bioinformatics/btt725. [PubMed] [CrossRef] [Google Scholar]
65. Офер, Дэн. 2016. «Машинное обучение для функции белка». ArXiv:1603.02021 [q-Bio], март. http://arxiv.org/abs/1603.02021.
66. Офер, Дэн и Михал Линиал. 2015. «ProFET: разработка функций захватывает функции белков высокого уровня». Биоинформатика (Оксфорд, Англия), июнь. 10.1093/биоинформатика/btv345. [PubMed]
67. Папаниколау Н., Павлопулос Г.А., Теодосиу Т., Илиопулос И. Прогнозирование взаимодействия белок-белок с использованием методов анализа текста. Методы . 2015;74:47–53. doi: 10.1016/j.ymeth.2014.10.026. [PubMed] [CrossRef] [Google Scholar]
68. Пашке, Адам, Сэм Гросс, Франсиско Масса, Адам Лерер, Джеймс Брэдбери, Грегори Чанан, Тревор Киллин и др.photoTBA.jpg)
2019. «PyTorch: императивный стиль, высокопроизводительная библиотека глубокого обучения». ArXiv:1912.01703 [Cs, Stat], декабрь. http://arxiv.org/abs/1912.01703.
69. Пеер Ицик, Фелдер Клиффорд Э., Ман Орна, Силман Исраэль, Суссман Джоэл Л., Бекманн Жак С. Протеомные сигнатуры: аминокислотные и олигопептидные композиции различаются среди типов. Белки. 2004;54(1):20–40. doi: 10.1002/прот.10559. [PubMed] [CrossRef] [Google Scholar]
70. Пеннингтон, Джеффри, Ричард Сочер и Кристофер Мэннинг. 2014. «Перчатка: глобальные векторы для представления слов». В материалах конференции 2014 г. по эмпирическим методам обработки естественного языка (EMNLP), 1532–43. Доха, Катар: Ассоциация компьютерной лингвистики. 10.3115/v1/D14-1162.
71. Питерс, Мэтью Э., Марк Нойманн, Мохит Ийер, Мэтт Гарднер, Кристофер Кларк, Кентон Ли и Люк Зеттлемойер. 2018. «Глубокие контекстуализированные представления слов». ArXiv:1802.05365 [Cs], март. http://arxiv.org/abs/1802.05365.
72. Петерсон Эрик Л.
, Кондев Джане, Териот Джули А., Филлипс Роб. Алфавиты восстановленных аминокислот проявляют повышенную чувствительность и селективность при назначении укладки. Биоинформатика (Оксфорд, Англия) 2009;25(11):1356–1362. doi: 10.1093/биоинформатика/btp164. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
73. Pierse Nuo Wang, Jingwen Lu. Согласование целей предварительной подготовки и тонкой настройки языковых моделей. ArXiv. 2020 [Google Scholar]
74. Птицын О.Б. Как синтез белка приводит к 3D-структуре? ФЭБС лат. 1991;285(2):176–181. doi: 10.1016/0014-5793(91)80799-9. [PubMed] [CrossRef] [Google Scholar]
75. Цинь Чунюань, Ло Сян, Дэн Чуань, Шу Куньсянь, Чжу Вэйминь, Грисс Йоханнес. Метод глубокого обучения и инструмент для поиска подобия масс-спектров. Журнал протеомики. 2021; 232 (февраль) doi: 10.1016/j.jprot.2020.104070. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
76. Рэдфорд, Алек, Джеффри Ву, Ревон Чайлд, Дэвид Луан, Дарио Амодей и Илья Суцкевер.
2019. «Языковые модели — многозадачные учащиеся без присмотра», 24.
77. Раффель Колин, Шазир Ноам, Робертс Адам, Ли Кэтрин, Наранг Шаран, Матена Майкл. Изучение ограничений трансферного обучения с помощью унифицированного преобразователя текста в текст. J Рез. машинного обучения. 2020;21(140):1–67. [Google Scholar]
78. Райман Джонатан, Райман Оливье. DeepType: Многоязычная сущность, связанная эволюцией системы нейронных типов. Архив . 2018 [Google Scholar]
79. Рао, Рошан, Николас Бхаттачарья, Нил Томас, Ян Дуань, Си Чен, Джон Кэнни, Питер Аббил и Юн Сонг. 2019. «Оценка обучения переносу белка с помощью TAPE», июнь. https://arxiv.org/abs/1906.08230. [Бесплатная статья PMC] [PubMed]
80. Рао, Рошан М., Джейсон Лю, Роберт Веркуил, Джошуа Мейер, Джон Кэнни, Питер Аббил, Том Серку и Александр Ривз. 2021. «MSA Transformer». BioRxiv, февраль 2021.02.12.430858. 10.1101/2021.02.12.430858.
81. Разавиан Шариф Али, Азизпур Хоссейн, Салливан Жозефин, Карлссон Стефан, Роял К.
Т.Х. CVPRW ’14 Материалы конференции IEEE 2014 г. по семинарам по компьютерному зрению и распознаванию образов. 2014. Готовые функции CNN: поразительная основа для признания; стр. 512–519. [CrossRef] [Google Scholar]
82. Реммерт Михаэль, Бигерт Андреас, Хаузер Андреас, Сёдинг Йоханнес. HHblits: Молниеносный итеративный поиск белковой последовательности путем выравнивания хм-хм. Нат Методы. 2011;9(2):173–175. doi: 10.1038/nmeth.1818. [PubMed] [CrossRef] [Google Scholar]
83. Ривз, Александр, Сиддхарт Гоял, Джошуа Мейер, Деми Го, Майл Отт, К. Лоуренс Зитник, Джерри Ма и Роб Фергус. 2019. «Биологическая структура и функция возникают в результате масштабирования обучения без учителя до 250 миллионов последовательностей белков». 10.1101/622803.
84. Роклин Габриэль Дж., Чидяусику Тамука М., Горешник Инна, Форд Алекс, Хулистон Скотт, Лемак Александр. Глобальный анализ сворачивания белков с использованием массивно-параллельного дизайна, синтеза и тестирования. Наука. 2017;357(6347):168–175.
doi: 10.1126/science.aan0693. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
85. Рудер Себастьян. Момент имиджнета НЛП настал. Градиент. 2018 https://thegradient.pub/nlp-imagenet/ [Google Scholar]
86. Садка Т., Линиал М. Семейства мембранных белков можно охарактеризовать аминокислотным составом их трансмембранных доменов. Биоинформатика. 2005;21(1):i378–i386. дои: 10.1093/биоинформатика/bti1035. [PubMed] [CrossRef] [Google Scholar]
87. Салтон, Джерард и Майкл Дж. Макгилл. 1983. Введение в современный поиск информации. Серия компьютерных наук McGraw-Hill. Нью-Йорк: Макгроу-Хилл.
88. Савохардо, Кастренсе, Пьер Луиджи Мартелли, Пьеро Фариселли и Рита Касадио. 2018. «DeepSig: глубокое обучение улучшает обнаружение сигнальных пептидов в белках». Под редакцией Альфонсо Валенсии. Биоинформатика 34 (10): 1690–96. 10.1093/биоинформатика/btx818. [Бесплатная статья PMC] [PubMed]
89. Шноэс Александра М., Реам Дэвид С., Торман Александр В., Бэббит Патриция С.
, Фридберг Иддо. Предубеждения в экспериментальных аннотациях функции белка и их влияние на наше понимание функционального пространства белка. PLoS Comput Biol. 2013;9(5) doi: 10.1371/journal.pcbi.1003063. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
90. Schweiger Regev, Linial Michal. Кооперативность в пределах проксимальных сайтов фосфорилирования выявляется из крупномасштабных данных протеомики. Биология Директ. 2010;5(январь):6. doi: 10.1186/1745-6150-5-6. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
91. Старший Эндрю В., Эванс Ричард, Джампер Джон, Киркпатрик Джеймс, Сифре Лоран, Грин Тим. Улучшенное предсказание структуры белка с использованием потенциалов глубокого обучения. Природа. 2020; 577 (7792): 706–710. doi: 10.1038/s41586-019-1923-7. [PubMed] [CrossRef] [Google Scholar]
92. Сеннрих, Рико, Барри Хэддоу и Александра Берч. 2016. «Нейронно-машинный перевод редких слов с подсловными единицами». В материалах 54-го ежегодного собрания Ассоциации компьютерной лингвистики (Том 1: Длинные статьи), 1715–25.
Берлин, Германия: Ассоциация компьютерной лингвистики. 10.18653/v1/P16-1162.
93. Шеннон К.Э. Прогнозирование и энтропия печатного английского языка. Bell Syst Tech J. 1951; 30 (1): 50–64. doi: 10.1002/j.1538-7305.1951.tb01366.x. [CrossRef] [Google Scholar]
94. Сингер, Уриэль, Кира Радински и Эрик Хорвиц. 2020. «Об искажении внимания в научных открытиях». Под редакцией Джонатана Рена. Биоинформатика, декабрь, btaa1036. 10.1093/биоинформатика/btaa1036. [PubMed]
95. Смит, Ной А. 2019. «Контекстные представления слов: контекстуальное введение», февраль. http://arxiv.org/abs/1902.06006.
96. Солан З., Хорн Д., Руппин Э., Эдельман С. Proc Natl Acad Sci. 2005: 11629–116344. doi: 10.1073/pnas.0409746102. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
97. Steinegger Martin, Söding Johannes. MMseqs2 обеспечивает поиск чувствительных белковых последовательностей для анализа массивных наборов данных. Нац биотехнолог. 2017;35(11):1026–1028. doi: 10.
1038/nbt.3988. [PubMed] [CrossRef] [Google Scholar]
98. Стрейт Б.Дж., Дьюи Т.Г. Информационная энтропия Шеннона белковых последовательностей. Биофиз Дж. 1996;71(1):148–155. doi: 10.1016/S0006-3495(96)79210-X. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
99. Strodthoff Nils, Wagner Patrick, Wenzel Markus, Samek Wojciech. UDSMProt: универсальные модели глубоких последовательностей для классификации белков. Биоинформатика. 2020;36(8):2401–2409. doi: 10.1093/биоинформатика/btaa003. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
100. Сунарсо, Фредди, Срикумар Венугопал и Федерико Лауро. 2013. «Поиск сходства масштабируемых белковых последовательностей с использованием хеширования с учетом местоположения и MapReduce». ArXiv:1310.0883 [Cs], октябрь. http://arxiv.org/abs/1310.0883.
101. Суцкевер, Илья, Ориол Виньялс, Куок В. Ле. 2014. «Последовательное обучение с помощью нейронных сетей». Достижения в области систем обработки нейронной информации, 3104–12.
102. Трифонов Эдуард Николаевич. Происхождение генетического кода и первых олигопептидов. Рез микробиол. 2009;160(7):481–486. doi: 10.1016/j.resmic.2009.05.004. [PubMed] [CrossRef] [Google Scholar]
103. Варшавский, Рой, Менахем Фромер, Амит Ман и Михал Линиал. 2007. «Когда меньше значит больше: улучшение классификации белковых семейств с минимальным набором общих характеристик», 12–24.
104. Васвани Ашиш, Шазир Ноам, Пармар Ники, Ушкорейт Якоб, Джонс Ллион, Гомес Айдан Н. Вам нужно только внимание. Adv Neural Inf Process Syst. 2017;30:5998–6008. [Google Scholar]
105. Виг, Джесси, Али Мадани, Лав Р. Варшней, Каймин Сюн, Ричард Сочер и Назнин Фатема Раджани. 2020. «BERTology встречает биологию: интерпретация внимания в моделях белкового языка», июнь. http://arxiv.org/abs/2006.15222.
106. Ван Алекс, Сингх Аманприт, Майкл Джулиан, Хилл Феликс, Леви Омер, Боуман Сэмюэл Р. Клей: многозадачный тест и платформа анализа для понимания естественного языка.
Препринт ArXiv ArXiv: 1804.07461. 2018 [Академия Google]
107. Ван Яньбинь, Ю Чжу-Хун, Ян Шань, Ли Сяо, Цзян Тонг-Хай, Чжоу Си. Высокоэффективная модель биологического языка для прогнозирования межбелковых взаимодействий. Клетки. 2019;8(2):122. doi: 10.3390/cells8020122. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
108. Weathers Edward A., Paulaitis Michael E., Woolf Thomas B., Hoh Jan H. Сокращенный аминокислотный алфавит достаточен для точного распознавания внутренне неупорядоченного белка. . ФЭБС лат. 2004;576(3):348–352. doi: 10.1016/j.febslet.2004.090,036. [PubMed] [CrossRef] [Google Scholar]
109. Вэнь Бо, Цзэн Вэнь-Фэн, Ляо Юйсин, Ши Чжао, Сэвидж Сара Р., Цзян Вэнь. Глубокое обучение в протеомике. Протеомика. 2020; 20(21–22) doi: 10.1002/pmic.201
5. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 110. Ву Закари, Ян Кевин К., Лишка Майкл Дж., Ли Алисия, Батзилла Алина, Верник Дэвид. Сигнальные пептиды, генерируемые нейронными сетями, основанными на внимании.
ACS Synth Biol. 2020;9(8):2154–2161. doi: 10.1021/acssynbio.0c00219. [PubMed] [CrossRef] [Google Scholar]
111. Ямада, Икуя и Хироюки Синдо. 2019. «Нейронно-внимательная модель мешка сущностей для классификации текстов». В материалах 23-й конференции по компьютерному обучению естественному языку (CoNLL), 563–73. Гонконг, Китай: Ассоциация компьютерной лингвистики. 10.18653/v1/K19-1052.
112. Ян Жэньхун, Чжан Юаньюань, Янин Ли Лу., Ся Инъин Го, Чжоу Цян. Структурная основа распознавания sars-cov-2 полноразмерным человеческим ACE2. Наука. 2020;367(6485):1444–1448. doi: 10.1126/science.abb2762. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
113. Ян, Кевин К., Закари Ву, Клэр Н. Бедбрук и Фрэнсис Х. Арнольд. 2018. «Выученные белковые встраивания для машинного обучения». Под редакцией Джонатана Рена. Биоинформатика 34 (15): 2642–48. 10.1093/биоинформатика/bty178. [PMC бесплатная статья] [PubMed]
114. Ян Жилин, Дай Цзыхан, Ян Имин, Карбонелл Хайме, Салахутдинов Руслан, Куок В.
Ле. XLNet: обобщенная авторегрессионная предварительная подготовка для понимания языка. Advanc Neural Inform Process Sys. 2019; 32 (июнь) [Академия Google]
115. Яо, Лян, Чэншэн Мао и Юань Луо. 2019. «KG-BERT: BERT для завершения диаграммы знаний». ArXiv:1909.03193 [Cs], сентябрь. http://arxiv.org/abs/1909.03193.
116. Ю. Фишер, Колтун Владлен, Фанхаузер Томас. Расширенные остаточные сети. Архив . 2017 [Google Scholar]
117. Ю, Лиджия, Дипак Кумар Танвар, Эмануэль Диего С. Пенха, Юрий И. Вольф, Юджин В. Кунин и Малай Кумар Басу. 2019. «Грамматика архитектур белковых доменов». Труды Национальной академии наук 116 (9): 3636–45. 10.1073/пнас.1814684116.
118. Юйлль, Алан Л. и Чэньси Лю. 2020. «Глубокие сети: что они когда-либо делали для Vision?» ArXiv:1805.04025 [Cs], ноябрь. http://arxiv.org/abs/1805.04025.
119. Захир, Манзил, Гуру Гуруганеш, Авинава Дубей, Джошуа Эйнсли, Крис Альберти, Сантьяго Онтанон, Филип Фам и др. 2020. «Большая птица: трансформеры для более длинных последовательностей».