XiaoMi-AI文件搜索系统
World File Search System传递
编程巨核细胞以生产用于传递非本地蛋白质的工程血小板
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权持有人，该版本发布于2025年1月27日。 https://doi.org/10.1101/2023.10.13.562311 doi：Biorxiv Preprint
工程磷树枝状聚合物作为强大的非病毒基因传递纳米平台：癌症治疗的未来的巨大希望
* 通讯作者：Serge Mignani，巴黎笛卡尔大学，巴黎西岱大学 PRES Sorbonne，CNRS UMR 860，化学、生物化学、药理学和毒理学实验室，45, rue des Saints Peres，75006 巴黎，法国； CQM-马德拉化学中心、MMRG、马德拉大学、Penteada 校区、9020-105 丰沙尔、葡萄牙。 serge.mignani@staff.uma.pt；石向阳，CQM-马德拉化学中心，MMRG，马德拉大学，Penteada 校区，9020-105 丰沙尔，葡萄牙；东华大学化工与生物技术学院，上海 201620。 xshi@dhu.edu.cn； Jean-Pierre Majoral，CNRS 协调化学实验室，205 route de Narbonne，31077 图卢兹，Cedex 4，法国；图卢兹大学，118 route de Narbonne，31077 图卢兹，Cedex 4，法国。 majoral@lcc-toulouse.fr 学术编辑：丁建勋，中国科学院长春应用化学研究所
家庭遗传：理解和预测精神疾病的代际传递
最初发表于：van Houtum，Lisanne AEM；巴雷，威廉 FC；贝克曼，Christian F；卡斯特罗-福涅莱斯，约瑟芬娜；塞西尔（Cecil），夏洛特（Charlotte）AM；朱利安·迪特里希；埃布德鲁普（Bjørn H）； Fegert，Jörg M；哈夫达尔，亚历山德拉； Hillegers，Manon HJ；卡利施，拉斐尔；库什纳，史蒂文 A； Mansuy，Isabelle M；梅日斯卡，西涅；莫雷诺，卡门； Muetzel，Ryan L；诺伊曼，亚历山大；诺登托夫特，梅雷特；平戈，让-巴蒂斯特；普雷西格（Martin）；拉巴洛，安德里亚；桑德斯，约翰； Sp-rooten，Emma；苏格拉耶斯，吉塞拉；蒂迈尔，亨宁；范沃登（van Woerden），Geeske M； Vandeleur，Caroline L； van Haren，Neeltje EM（2024）。家庭中的传承：理解和预测精神疾病的代际传播。欧洲儿童青少年精神病学，33（11）：3885-3898。 DOI：https://doi.org/10.1007/s00787-024-02423-9
没有随机传递性的成对比较
成对比较数据在统计学和机器学习中受到了广泛关注，并在各个领域有着广泛的应用。这类数据通常来自锦标赛，其中每个成对比较结果都来自两个选手或队伍之间的比赛，或来自众包环境，其中个人负责比较两个项目，例如图像、电影或产品。具体而言，著名的瑟斯顿 (Thurstone, 1927) 和布拉德利-特里 (BT; Bradley and Terry, 1952) 模型为该领域奠定了基石，随后进行了许多扩展，包括 Shah 等人 (2016a) 提出的参数序数模型，拓宽了参数模型的类别。Oliveira 等人 (2018) 放宽了已知链接函数的假设，并提出了允许链接函数属于广泛函数家族的模型。非参数方法也已出现，例如 Shah 和 Wainwright (2018) 中基于 Borda 计数算法介绍的工作，以及 Chatterjee (2015) 和 Chatterjee 和 Mukherjee (2019) 研究的非参数 Bradley-Terry 模型。此外，还开发了用于众包环境的成对比较模型，如 Chen 等人 (2013) 和 Chen 等人 (2016) 等所讨论的。成对比较模型已获得广泛的应用，包括排名聚合（Chen and Suh，2015；Chen 等人，2019；Heckel 等人，2019；Chen 等人，2022b）、预测比赛 / 锦标赛（Cattelan 等人，2013；Tsokos 等人，2019；Macr`ı Demartino 等人，2024）、测试博彩市场的效率（McHale and Morton，2011；Ly´ocsa and V`yrost，2018；Ramirez 等人，2023）以及基于人工评估改进大型语言模型（Christiano 等人，2017；Ouyang 等人，2022；Zhu 等人，2023）。虽然上述模型对该领域做出了重大贡献，但它们依赖于随机传递性的假设，这意味着球员/球队/项目之间存在严格的排名。然而，这种假设可能不切实际，特别是在涉及多种技能或策略的环境中，不传递性自然会出现。尽管它具有实际重要性，但对允许不传递性的模型的研究仍然有限。一些值得注意的例外包括 Chen 和 Joachims (2016) 和 Spearing 等人 (2023) 的工作，他们通过引入额外参数来描述不传递性以及基于 Bradley-Terry 概率指定绝对优势的参数，扩展了 Bradley-Terry 模型。Spearing 等人 (2023) 提出了一种在完整贝叶斯框架下进行参数估计的马尔可夫链蒙特卡罗算法。然而，他们的贝叶斯程序计算量大，对于涉及许多球员或相对较高潜在维度的高维设置不切实际。 Chen 和 Joachims (2016) 将参数视为固定量，并通过优化正则化目标函数来估计它们。然而，它们的目标函数是非凸的，并且它们的模型高度过度
GJB2的细胞特异性传递恢复了鼠标中的听觉功能1 DFNB1耳聋的模型，并介导了NHP Cochlea中的适当表达2
由无处不在的启动子驱动的记者。AAV9-PHP.B矢量（AAV-CBA-EGFP）在CBA启动子下表达EGFP 115（绿色），有效地转导了内毛细胞（IHC），外毛细胞（OHCS）116（Magenta）（Magenta），辅助细胞和其他小鼠Cochlea中的细胞。IHC和OHC通过117个荧光腓骨（Magenta）鉴定。 f。用AAV载体转导的细胞在GRES（AAV-GRE-EGFP）的控制下表达EGFP标记基因118。 值得注意的是，当GRE控制119表达时，在毛细胞中未观察到EGFP。 g，h。用AAV载体转导的细胞在调节元件的控制下表达120 mmgjb2.ha（g）或hsgjb2.ha（h）。 比例尺：10μm（E，F），30 121 µm（G，H）。 122IHC和OHC通过117个荧光腓骨（Magenta）鉴定。f。用AAV载体转导的细胞在GRES（AAV-GRE-EGFP）的控制下表达EGFP标记基因118。值得注意的是，当GRE控制119表达时，在毛细胞中未观察到EGFP。g，h。用AAV载体转导的细胞在调节元件的控制下表达120 mmgjb2.ha（g）或hsgjb2.ha（h）。比例尺：10μm（E，F），30 121 µm（G，H）。122
从Covid-19疫苗传递中学习儿科辉瑞-biontech Covid-19疫苗namibia
空气污染：WHO全球空气质量指南2021•WHO SDG指标11.6.2精细颗粒物的浓度（PM2.5）； 2019年数据•谁家用空气污染数据； 2019年数据•谁空气污染数据门户； 2019年的健康影响数据•UNEP 2021：调节空气质量：对空气污染立法的首次全球评估； 2020年的数据•谁家庭能源政策存储库；数据不断更新。WASH：联合国儿童基金会：供水，卫生和卫生的联合监测计划，2022年数据•谁供水，卫生和卫生：疾病负担，2019年数据•WHO GLAAS 2021/2022周期。气候变化：IEA 2023：现代可再生能源在最终能源消耗中的份额•谁健康和气候变化国家概况•Honda等。2014•Kendrovski等。 2017 • WHO Health and Climate Change Global Survey • WHO: Alliance for Transformative Action on Climate and Health (ATACH): Country Commitments • WHO 2023: 2023 WHO review of health in nationally determined contributions and long-term strategies: health at the heart of the Paris Agreement • ATACH baselines, 2024 data Biodiversity: World Bank Group, Terrestrial and marine protected areas, 2022 data • World Population Review 2024: Deforestation rates by国家 /地区•数据来源：粮农组织2020数据。 FAO 2020：全球森林资源评估•CBD在线报告工具2024化学药品：WHO：国际健康法规核心能力分数，2023年数据•2014•Kendrovski等。2017 • WHO Health and Climate Change Global Survey • WHO: Alliance for Transformative Action on Climate and Health (ATACH): Country Commitments • WHO 2023: 2023 WHO review of health in nationally determined contributions and long-term strategies: health at the heart of the Paris Agreement • ATACH baselines, 2024 data Biodiversity: World Bank Group, Terrestrial and marine protected areas, 2022 data • World Population Review 2024: Deforestation rates by国家 /地区•数据来源：粮农组织2020数据。FAO 2020：全球森林资源评估•CBD在线报告工具2024化学药品：WHO：国际健康法规核心能力分数，2023年数据•
visium HD空间基因表达，单细胞水平的空间传递分析
8。KrzysztofPolaðSki等。 BIN2CELL从高分辨率visium HD数据中重建细胞。 生物信息学，第40卷，问题KrzysztofPolaðSki等。BIN2CELL从高分辨率visium HD数据中重建细胞。生物信息学，第40卷，问题
通过有针对性的伽马射线传递和卷积神经网络来缓解化学疗法副作用：迈向精确肿瘤学的一步
化学疗法的系统性会导致广泛影响患者生活质量的广泛副作用。这项研究提出了一个新型框架，将卷积神经网络（CNN）与精确的伽马射线递送系统相结合，以选择性地靶向恶性细胞，从而最大程度地减少对健康组织的附带损害。在12,000个注释的成像数据集上对基于RESNET-50的CNN进行了培训，并与用于实时靶向的机器人辐射系统集成在一起。对合成组织模型的实验验证表明，健康组织损伤降低了92％，报告的副作用降低了78％。统计分析确认模型灵敏度（97.2％），特异性（94.8％）和提高的治疗精度。这项研究为推进个性化肿瘤学并减少化学疗法的身体和情感损失奠定了基础。
提高时间序列域适应性的可传递性和可区分性
无监督的域适应性在将知识从标记的源域转移到未标记的目标域，在时间序列应用中起关键作用。现有的时间序列域适应方法要么忽略频率特征，要么平等地处理时间和频率特征，这使得充分利用这两种功能的优势变得具有挑战性。在本文中，我们深入研究了可传递性和可区分性，这是传递表示学习中的两个至关重要的特性。可以洞悉频率特征在特定域内更具歧视性，而时间特征则在跨域上显示出更好的可传递性。基于发现，我们提出了一个dversarial co-co-co-n n etworks（acon），以通过协作学习方式在三个方面通过协作学习方式来增强可转移的表示：（1）考虑到时代的多个过度差异，提出了多个频率频率特征学习，以增强频率特征的辨别能力； （2）提出了时间域互助学习，以增强源域中时间特征的可区分性，并提高目标域中频率特征的可传递性； （3）域对抗学习是在时间频率特征的相关子空间中进行的，而不是原始特征空间，以进一步增强这两个特征的可传递性。在广泛的时间序列数据集和五个常见范围内进行的广泛实验证明了ACON的最新性能。代码可从https://github.com/mingyangliu1124/acon获得。
NFL传递路线的定量分析和可视化
本文由Scholarworks@UARK带给您免费的计算机科学和计算机工程访问。已被授权的ScholarWorks@Uark的授权管理员纳入计算机科学和计算机工程本科生的荣誉。有关更多信息，请联系scholar@uark.edu，uarepos@uark.edu。