XiaoMi-AI文件搜索系统
World File Search System克服
三阴性乳腺癌异质性建模揭示了一种可克服原发性耐药性的新型组合疗法
三阴性乳腺癌 (TNBC) 是一种高度侵袭性的乳腺癌亚型，其特征是显著的分子异质性。目前，尚无有效的药物靶点和先进的人类疾病临床前模型。在这里，我们生成了一种独特的乳腺肿瘤小鼠模型（MMTV-R26 Met 小鼠），该模型由野生型 MET 受体表达的细微增加驱动。MMTV-R26 Met 小鼠会自发形成排他性 TNBC 肿瘤，重现患者对治疗的原发性耐药性。MMTV-R26 Met 肿瘤的蛋白质组学分析和机器学习方法表明，该模型忠实地重现了人类 TNBC 的肿瘤间异质性。进一步的信号网络分析突出了潜在的药物靶点，其中 WEE1 和 BCL-XL 的共同靶向协同杀死 TNBC 细胞并有效诱导肿瘤消退。从机制上看，BCL-XL 抑制加剧了 TNBC 细胞对 WEE1 功能的依赖，导致组蛋白 H3 和磷酸化 S 33 RPA32 上调、RRM2 下调、细胞周期扰动、有丝分裂灾难和细胞凋亡。本研究介绍了一种独特、强大的小鼠模型，用于研究 TNBC 的形成和进化、其异质性以及确定有效的治疗靶点。
精准医疗方法克服头颈癌治疗耐药性
头颈部鳞状细胞癌 (HNSCC) 是全球第六大癌症。尽管采用了包括手术切除、放射治疗和辅助化疗在内的多模式积极治疗方法，但超过一半的 HNSCC 患者在治疗后会出现局部区域或远处复发。在免疫疗法出现之前，全身化疗曾被用作标准的一线治疗方案，联合使用顺铂或卡铂加 5-氟尿嘧啶加西妥昔单抗 (抗 EFGR 抗体)。不幸的是，HNSCC 患者通常会获得治疗耐药性，这通常会导致局部和远处失败。尽管我们对 HNSCC 生物学有了更好的了解，但目前还没有其他分子靶向药物被批准用于治疗 HNSCC。在这篇综述中，我们概述了目前在 HNSCC 中使用的治疗策略的耐药机制，讨论了克服这些耐药性的联合治疗策略，并总结了目前正在早期和晚期临床试验中评估的治疗方案。
克服细胞疗法中的免疫排斥和移植物 - 宿主病：更安全的治疗途径
最小化免疫排斥的一种有前途的方法是使用自体细胞疗法，在该疗法中，在其中收集，修饰和重新引入了患者自己的细胞。由于细胞在遗传上与患者相同，因此免疫排斥的风险大大降低。自体疗法在一系列应用中表现出成功，从造血干细胞移植到癌症的CAR-T细胞疗法。但是，自体方法并非没有挑战。收获和扩展患者细胞的过程可能是耗时，昂贵且逻辑上复杂的，从而限制了其可及性。此外，对于遗传疾病的患者，使用自己的细胞可能不是理想的，因为潜在的遗传缺陷可能会损害细胞的治疗潜力。
克服人造的民主危害种族危害...
摘要：尽管美国变得越来越多样化，但生成的人工智能和相关技术威胁到破坏真正的代表性民主。剩下的，AI将加剧现有的现有挑战，例如种族两极分化，文化焦虑，反民主态度，种族投票稀释和抑制选民。合成视频和音频（“ Deepfakes”）受到大多数流行的关注，但只是冰山一角。对种族量身定制的虚假信息，自动选举管理中的种族偏见，种族针对性的网络攻击以及AI驱动的监视的微靶向，这使种族正义声称只是AI如何威胁民主国家的一些例子。不幸的是，现有法律（包括《投票权法》）不太可能应对挑战。但是，如果政策制定者，激进主义者，
GUPTA, Himanshu, YADAV, Avinash Kumar, KUSI-SARPONG, Simonov, KHAN, Sharfuddin Ahmed 和 SHARMA, Shashi Chandra (2022)。克服障碍的策略
物流是任何组织的关键职能。在发生流行病或其他破坏的情况下，物流的作用变得更加重要。在这种情况下，物流和供应链的数字化被视为提高物流弹性的重要工具，但对于发展中国家来说，数字化带来了一定的挑战。本研究确定了阻碍疫情期间供应链物流数字化升级的创新数字化技术障碍。提出了应对和克服这些障碍的策略。使用多标准决策分析方法（贝叶斯最佳-最差方法）在印度制造组织物流部门的背景下对这些障碍进行优先排序。还根据策略对障碍的影响对策略进行优先排序，为此使用附加值函数。结果表明，“投资成本高”、“缺乏资金资源”、“互联网连接不足”、“缺乏 IT（信息技术）基础设施”和“数字投资的经济效益不明确”是疫情期间印度等发展中国家实施创新数字化技术的五大障碍。研究结果揭示了疫情期间数字化障碍，对管理人员和研究人员来说很有价值。
医疗保健中的病原体基因组学：克服主动监视的障碍
n医疗保健的不断发展的领域，整个基因组测序（WGS）的引入已成为一种变革性工具。其在医学研究中的宝贵应用已得到广泛认可，但是其在预防和控制中的作用（IP＆C）策略对于提高患者安全而变得越来越重要（1）。WG识别遗传相关的患者病原体的能力（指示潜在传播或常见来源）为医疗机构提供了IP＆C部门，并提供了及时的干预措施以停止爆发所需的精确信息。传统盟友，由于成本高昂和基础设施要求，WGS目前主要用于反应性测序来确认可疑的爆发（2）。这种方法错过了许多爆发。爆发定义和检测方法是非标准化的（3）。
利用英特尔® 以太网 800 系列克服 AI 基础设施挑战
在展示了英特尔以太网 E810 网络适配器和 NVIDIA Mellanox ConnectX-5 适配器之间的性能对等后，该团队正在评估即将发布的英特尔以太网 E830 网络适配器，该适配器提供高达 200 千兆位每秒 (Gbps) 的最大数据速率、PCIe 5.0x8 主机互连支持、精确的计时功能以及全面的安全性和可管理性功能。网络适配器可以支持更高的带宽工作负载要求。该团队还在考虑英特尔® 基础设施处理单元 (IPU) 适配器。英特尔 IPU 适配器能够执行各种与基础设施相关的任务，包括隔离租户和提供商网络和存储 (NVME) 卸载、安全性、存储和虚拟化以及网络。
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。