XiaoMi-AI文件搜索系统
World File Search System使人
西非区域融合和包容性（WURI）计划的独特身份：独特的标识符，使人能够获得人类发展
一旦向目标人口发出了证书（基于个人在一个国家领土上的实际存在，而不是基于国籍，居住或其他潜在的排他性法律标准），这些人将“将F ID系统链接到安全网计划和安全网计划和社会注册机构，健康和养老金，健康和养老金计划，妇女包容性，妇女的包容性和授权和劳动力和劳动力”（World Bank 2018）。这些F ID系统旨在在ECOWAS成员国中可互操作，这是区域内迁移率重要的区域的重要因素。这包括进行贸易的常规旅行，可以每天或季节性进行。ECOWAS子区域也是游牧和牧师人口的所在地，以及在各个国家边界都有种族和家族联系的群体。这些独特的身份凭证的互操作性对于在受冲突，流离失所和脆弱性动态影响的状态中包含至关重要。
CRISPR 介导的 TGFBR2 敲除使人类卵巢癌肿瘤浸润淋巴细胞对 TGF-β 信号产生抗性
摘要 背景 卵巢癌 (OvCa) 患者 T 细胞浸润升高与生存率提高之间的相关性表明内源性肿瘤浸润淋巴细胞 (TIL) 具有一定程度的抗肿瘤活性，可用于 OvCa 免疫治疗。我们之前优化了一种体外 OvCa TIL 扩增用于过继细胞疗法的方案，该方案目前正在我们机构的临床试验中进行测试 (NCT03610490)。在此成功的基础上，我们开始对 OvCa TIL 进行基因改造，以克服肿瘤微环境中存在的关键免疫抑制因素。在这里，我们介绍了在患者来源的 OvCa TIL 中 CRISPR/Cas9 介导的 TGF-β 受体 2 (TGFBR2) 敲除的临床前优化。方法 从四名患者手术切除的肿瘤样本中生成 OvCa TIL，并进行 CRISPR/Cas9 介导的 TGFBR2 敲除，然后进行快速扩增方案。全面评估了 TGFBR2 定向 gRNA 的 TGFBR2 敲除效率和脱靶活性。此外，还测定了 TGFBR2 敲除对 TIL 扩增、功能和下游信号传导的影响。结果在四个独立的 OvCa TIL 样本中测试的 5 个 gRNA 实现了从 59±6% 到 100%±0% 的 TGFBR2 敲除效率。TGFBR2 敲除的 TIL 对免疫抑制 TGF-β 信号传导具有抗性，表现为缺乏 SMAD 磷酸化、缺乏对 TGF-β 刺激的整体转录变化、在有和没有 TGF-β 的情况下促炎细胞因子的分泌同样强烈、并且在存在 TGF-β 的情况下细胞毒性增强。CRISPR 修饰本身不会改变 OvCa TIL 的体外扩增效率、免疫表型或 TCR 克隆多样性。对于临床转化而言，重要的是，对 CRISPR 脱靶效应的全面分析表明，我们前两个靶向 TGFBR2 的 gRNA 没有脱靶活性的证据。结论 CRISPR/Cas9 介导的基因敲除在患者来源的 OvCa TIL 中是可行且有效的，可使用临床可扩展的方法。我们实现了高效且特异性的 TGFBR2 敲除，产生了一种扩增的 OvCa TIL 产品，该产品对免疫抑制剂具有抗性
没有钱的大脑：贫穷使人丧失能力
长期以来，美国一直将贫困和残疾视为不同的法律和社会类别，这种划分基于对“值得帮助”和“不值得帮助”的穷人的普遍假设。就残疾而言，人们通常认为个人在道义上不对自己的不利状况负责，而就贫困而言，人们认为个人应对自己的不利状况负责，因此不值得帮助。本文认为，脑科学和行为科学的最新进展破坏了这些假设的事实基础。贫困会抑制儿童时期的大脑发育，并在以后的生活中对决策和长期规划至关重要的认知能力产生不利影响。稀缺性科学是复杂且持续不断的，但其最基本的发现正在迅速达成共识：贫困对大脑的影响可能是致残的。
使用CRISPR/CAS9与同源指导的修复来使人拓扑异构酶IIα内含子19 5'剪接位点保持沉默：人类白血病K562细胞中依托泊苷耐药性的产生
DNA拓扑异构酶IIα（TOP2α /170）是增殖细胞必不可少的酶。为了说话繁殖恶性肿瘤，这使Top2α /170成为依托泊苷和其他临床活性抗癌药物的重要靶标。这些药物的功效通常受到与TOP2α /170表达水平的改变有关的情况的限制。我们的实验室最近显示出TOP2α /170的水平降低，并且由于内含子的聚腺苷酸化（IPA;内含子19）在获得的可获得的依托托糖苷抗性K562 k562 k562 clonal细胞系中，C末端截短的90 kDa同工型TOP2α /90降低了TOP2α /90。我们先前报道说，这种同工型用TOP2α /170异构二聚体是对依托泊苷的耐药性的决定因素。通过基因编辑恢复的TOP2α /170水平，在耐药K /VP.5细胞中优化耐药的K /VP.5细胞中的剪接位点，TOP2α /90表达降低，并降低了耐药性。通过CRISPR /CAS9对父母K562细胞中的外显子19 /内含子进行沉默，并通过同源指导修复（HDR）进行沉默，从而迫使内含子19保留，从而诱导抵抗力，从而诱导抵抗力，从而破坏正常的RNA处理（即进一步评估90 nir and 2 and 2 and 2 and 2）同工型作为抗性决定因素。通过定量聚合酶链反应（QPCR）鉴定基因编辑的克隆，并通过Sanger测序验证。RNA-SEQ和QPCR研究表明，内含子19保留导致TOP2α编辑的mRNA转录物的降解导致TOP2α /170的表达降低。TOP2α / 170 mRNA /蛋白质表达水平在TOP2α基因编辑的克隆中衰减，这会导致对依托泊苷的耐药性，如依托泊苷诱导的DNA损伤（γH2AX，彗星测定）和生长抑制所评估。在基因编辑的K562细胞中TOP2α /90的强制表达进一步降低了依托泊苷诱导的DNA损伤，以支持该截短的同工型的主要负面作用。共同支持TOP2α /170和Top2α /90作为对TOP2α-靶向剂的灵敏度 /耐药性的重要作用。
引文 (APA) Peschl, M.、Zgonnikov, A.、Oliehoek, FA 和 Cavalcante Siebert, L. (2022)。道德：通过多目标强化主动学习使人工智能与人类规范保持一致。在 C. Pelachaud 和 ME Taylor (Eds.) 中，第 21 届自主代理和多智能体系统国际会议 (AAMAS '22) 论文集 (第 1038-1046 页)。国际自主代理和多智能体系统基金会。https://dl.acm.org/doi/abs/10.5555/3535850.3535966 重要提示 要引用此出版物，请使用最终发布的版本（如果适用）。请检查上面的文档版本。
从演示和成对偏好推断奖励函数是将强化学习 (RL) 代理与人类意图相结合的良好方法。然而，最先进的方法通常专注于学习单一奖励模型，因此很难权衡来自多位专家的不同奖励函数。我们提出了多目标强化主动学习 (MORAL)，这是一种将社会规范的不同演示组合成帕累托最优策略的新方法。通过维持标量权重的分布，我们的方法能够以交互方式调整深度 RL 代理以适应各种偏好，同时无需计算多个策略。我们在两种场景中通过实证证明了 MORAL 的有效性，这两种场景模拟了交付和紧急任务，需要代理在存在规范冲突的情况下采取行动。总的来说，我们认为我们的研究是朝着具有学习奖励的多目标 RL 迈出的一步，弥合了当前奖励学习和机器伦理文献之间的差距。
手机辐射影响大脑能量稳态并促使人类摄入食物
摘要：肥胖和手机使用同时在全球蔓延。手机发射的射频调制电磁场 (RF-EMF) 大部分被使用者的头部吸收，影响大脑葡萄糖代谢，并调节神经元兴奋性。反过来，体重调节是大脑的主要功能之一，因为食物摄入行为和食欲感知是下丘脑调节的基础。在此背景下，我们质疑手机辐射和食物摄入量是否相关。在一项单盲、假对照、随机交叉比较中，15 名体重正常的年轻男性 (23.47 ± 0.68 岁) 在禁食条件下暴露于两种不同类型的手机发射的 RF-EMF 和假辐射 25 分钟。通过随意标准自助餐测试评估自发食物摄入量，并通过 31 次磷磁共振波谱测量监测大脑能量稳态。与假暴露相比，暴露于两部手机的受试者总热量摄入量显著增加了 22-27%。对常量营养素摄入的差异分析显示，热量摄入增加主要是由于碳水化合物摄入增加。脑能量含量的测量结果（即三磷酸腺苷和磷酸肌酸与无机磷酸盐的比率）显示，手机辐射会增加。我们的研究结果表明，射频电磁场是导致暴饮暴食的潜在因素，而暴饮暴食是肥胖流行的根源。除此之外，观察到的射频电磁场引起的脑能量稳态改变可能将我们的数据放在更广泛的背景下，因为平衡的脑能量稳态对所有脑功能都至关重要。因此，电磁场的潜在干扰可能会产生一些目前尚不可预见的普遍神经生物学效应。
道德：通过多目标强化主动学习使人工智能与人类规范保持一致
从演示和成对偏好推断奖励函数是将强化学习 (RL) 代理与人类意图相结合的良好方法。然而，最先进的方法通常专注于学习单一奖励模型，因此很难权衡来自多位专家的不同奖励函数。我们提出了多目标强化主动学习 (MORAL)，这是一种将社会规范的不同演示组合成帕累托最优策略的新方法。通过维持标量权重的分布，我们的方法能够以交互方式调整深度 RL 代理以适应各种偏好，同时无需计算多个策略。我们在两种场景中通过实证证明了 MORAL 的有效性，这两种场景模拟了交付和紧急任务，需要代理在存在规范冲突的情况下采取行动。总的来说，我们认为我们的研究是朝着具有学习奖励的多目标 RL 迈出的一步，弥合了当前奖励学习和机器伦理文献之间的差距。
从MRI衍生标签中深入学习可以使人脑CT
哥德堡大学沃伦贝格分子与转化医学中心，哥德堡大学，瑞典B，瑞典B精神病学和神经化学系，哥德堡大学生理学和神经科学研究所，哥德堡大学，瑞典C级临床老龄化学，神经科学，沃伦堡C.斯德哥尔摩，斯德哥尔摩，瑞典伦敦大学临床科学系，马尔莫，瑞典E部，瑞典e医学辐射科学系临床科学研究所，萨斯尔格伦斯卡学院，哥德堡哥德堡哥德堡，乔治堡大学哥伦比亚大学，乔治伯格大学，乔治堡大学，瑞典隆德Skånes大学医院成像与功能系学院，哥德堡大学，Mölndal，瑞典K痴呆症研究中心，伦敦大学学院神经病学研究所，英国伦敦，l临床生理学系，Sahlgrenska大学医院，哥德堡，瑞典
![通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。](/simg/d/dd5abf0752fcc9f891dc4a96743f916f96f28350.png)
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。