XiaoMi-AI文件搜索系统
World File Search System叶蝉
在颞叶癫痫中，功能性脑网络的拓扑特性与疾病持续时间不同的颞叶理论
癫痫是一种慢性疾病。许多较早的研究发现，癫痫的成像特征与疾病的持续时间有关。特别是Cheung等。（11）发现，TLE患者的语音和视觉记忆与疾病持续时间负相关。进一步，Li等。（12）证实，与海马硬化性的TLE海马中的功能连通性（FC）与疾病的持续时间呈正相关。Haneef等。（13）发现癫痫持续时间较长与较低的中心性（BC）有关。Haneef等。（14）发现，作为癫痫进展，TLE显示出降低的连通性多样性。但是，很少有明确研究TLE网络的特征。在众所周知的SANAD试验（15）中，追踪新诊断的患者的癫痫持续时间为五年。Rathouz等。 （16）发现，儿童癫痫的特征是随后加班（长达6年）随后以早期（几乎发作和诊断）的认知异常（长达6年），这种异常以不变的方式持续存在，没有进步或恢复的迹象，并且可以作为成人癫痫的模型。 但是，未知TLE网络的拓扑特性是随着癫痫持续时间的增加而恢复的，并且需要进一步研究这种变化的时间。Rathouz等。（16）发现，儿童癫痫的特征是随后加班（长达6年）随后以早期（几乎发作和诊断）的认知异常（长达6年），这种异常以不变的方式持续存在，没有进步或恢复的迹象，并且可以作为成人癫痫的模型。但是，未知TLE网络的拓扑特性是随着癫痫持续时间的增加而恢复的，并且需要进一步研究这种变化的时间。
原创 香叶基香叶基化通过YAP信号通路促进胃癌细胞增殖、迁移和侵袭
摘要：香叶基香叶基化（GGylation）是信号蛋白的一个脂质修饰过程，目前关于GGylation信号对胃癌细胞增殖和迁移的影响知之甚少。本研究发现，甲羟戊酸通路抑制剂阿托伐他汀和香叶基香叶基转移酶I抑制剂GGTI-298抑制GGylation可抑制胃癌AGS细胞的增殖和迁移。在寻找信号通路作用的过程中，我们观察到转录激活因子、hippo通路下游效应子YAP被GGylation抑制，通过检测其已知靶基因CYR61和CTGF的mRNA水平及其向细胞核的转位来评估。 shRNA敲低YAP对胃癌AGS细胞增殖和迁移的影响与抑制GGylation类似，提示GGylation信号通过激活YAP促进胃癌细胞增殖和迁移，本研究为胃癌治疗提供了一种潜在的新靶向途径。
验尸成像揭示了阿尔茨海默氏病中内侧颞叶病理学的内侧颞叶脆弱性
我们目前对阿尔茨海默氏病（AD）早期颞叶（MTL）内tau神经薄缠结（NFT）的传播和神经退行性作用的理解受到限制，这受到混淆的非AD病理学和二维（2-D）的常规历史学性质的存在。Here, we combine ex vivo MRI and serial his- tological imaging from 25 human MTL specimens to present a detailed, 3-D characterization of quantitative NFT burden measures in the space of a high- resolution, ex vivo atlas with cytoarchitecturally-de fi ned subregion labels, that can be used to inform future in vivo neuroimaging studies.平均地图在NFT分布中显示出海报梯度的明显前方，并且具有最高水平的NFT的精确的空间模式，不仅在跨肾上腺域内发现，而且还发现了Cornu氨（CA1）子场。此外，我们确定了颗粒状MTL区域，其中神经退行性的测量可能与NFT相关，因此作为早期AD生物标志物可能更敏感。
人类与人工智能互补性的贝叶斯模型
人工智能 (AI) 和机器学习模型越来越多地应用于实际应用。在许多此类应用中，人们强烈希望开发混合系统，使人类和 AI 算法能够协同工作，充分利用两者互补的优势和劣势。我们开发了一个贝叶斯框架，用于结合人类和机器的预测和不同类型的置信度分数。该框架使我们能够研究影响互补性的因素，其中人类和机器预测的混合组合比单独的人类或机器预测组合产生更好的性能。我们将此框架应用于一个大规模数据集，其中人类和各种卷积神经网络执行相同的具有挑战性的图像分类任务。我们从经验和理论上表明，即使人类和机器分类器的表现不同，只要这些准确度差异在由人类和机器分类器置信度分数之间的潜在相关性确定的范围内，就可以实现互补性。此外，我们证明，通过区分人类和机器分类器在不同类别标签上犯的错误，可以提高混合人机性能。最后，我们的结果表明，引出并纳入人类信心评级可提高贝叶斯组合模型的混合性能。我们的方法适用于涉及人类和机器算法的各种分类问题。
分析证书 AOCS 0306-H10，T25 玉米叶...
i. CRM AOCS 0306-H10 仅可用于 1) 用于 (a) 检测 T25 的存在或 (b) 量化 T25 的测定；或 2) 用于确定测定是否与 CRM AOCS 0306-H10 发生交叉反应。CRM AOCS 0306-H10 不得用于其他目的。具体而言，CRM 不得用于开发 T25 或其中存在的性状的检测方法。CRM 0306-H10 出售给任何购买者并不代表任何其他权利，包括任何待批或已授予的 BASF Agricultural Solutions Seed US LLC 专利或其他 BASF Agricultural Solutions Seed US LLC 知识产权，这些知识产权可能保护 CRM 或 T25 或其中存在的性状或 T25 的检测方法。ii.任何购买者不得转售或重新分发 CRM AOCS 0306-H10 或其任何摘录或部分，除非购买者所在国家的国家法律要求转售或重新分发。
贝叶斯长冈林开往 ...
在通信过程中估计信号时，自然需要利用对未知参数的先验知识进行贝叶斯参数估计 [1]。量子通信是一种很有前途的近期通信技术，它可以比传统协议更安全、更有效地传输信息。关于如何在给定的噪声量子信道上忠实地传输经典和/或量子信息，已经有很多研究，例如 [2]–[4]。量子贝叶斯估计是有效解码量子态中编码的经典信息的关键因素。量子贝叶斯估计在量子传感和量子计量领域也得到了极大关注 [5]–[8]。量子贝叶斯估计大约半个世纪前由 Personick [9]，[10] 发起。由于量子估计理论的最新进展，量子贝叶斯估计问题重新引起了人们的关注。针对贝叶斯风险，提出了几种量子贝叶斯界，例如 [9]–[17]。然而，它们中的大多数都没有捕捉到真正的量子性质，因为已知的下界几乎都是基于经典贝叶斯界的直接翻译。特别是，先前提出的下界是通过对算子空间上的内积的某个选择应用柯西-施瓦茨型不等式推导出来的。Holevo 在一般统计决策问题的背景下发起了对量子估计的非平凡下界的研究 [18]。他还基于量子 Fisher 信息矩阵分析了贝叶斯风险的下界 [19]–[21]。特别是，他对高斯移位进行了彻底的分析
各种化妆品中番石榴叶提取物的潜在优势...
摘要：富含生物活性化合物的番石榴叶提取物提供了许多适合整合到美容配方中的治疗益处。本评论探讨了番石榴提取物在化妆品应用中的多方面潜力。番石榴叶（P. guajava L.）包含许多生物活性化合物，在保持健康皮肤方面起着重要作用。The leaves of the guava plant have been studied for their health benefits which are attributed to their plethora of phytochemicals such as quercetin, avicularia, apigenin, guaijaverin, kaempferol, hyperin, myricetin, catechin, epicatechin, chlorogenic acid, gallic acid, epigallocatechin gallate, and caffeic acid.在这篇综述中，我们首先概述了化妆品中草药成分的好处以及番石榴叶提取物的健康益处。我们提供有关皮肤护理产品中番石榴叶提取物的抗氧化剂，抗菌和治疗痤疮的潜在影响的信息。然后，我们采用番石榴叶提取物在口腔护理产品中的作用，以进行抗菌活性，防止口腔疾病和护发产品消除头皮屑，减少头发掉落等。
可解释的机器学习和优化的贝叶斯网络
由于人工智能越来越多地用于高风险应用，因此可以解释使用的模型变得越来越重要。贝叶斯网络提供了基于概率理论的可靠人工智能的范式。他们提供了一种语义，该语义可以通过利用它们之间的条件独立性来实现与域变量相关的概率分布的声明性表示。该表示由有向的无环图组成，该图编码变量之间的条件独立性以及编码条件分布的一组参数。此表示为开发概率推理（推理）和从数据学习概率分布的算法提供了基础。贝叶斯网络用于机器学习中的各种任务，包括聚类，超级分类，多维监督分类，异常检测和时间修改。他们还提供了估计分布算法的基础，这是启发式优化的一类进化算法。我们通过在神经科学，行业和生物启示中介绍应用程序来说明贝叶斯网络在可解释的机器学习和优化中的使用，涵盖了广泛的机器学习和优化任务。2021由Elsevier B.V.
基于傅里叶的替代模型中的窗口补偿...
摘要 — 本文展示了如何在每次相位随机化之后添加第二步窗口来降低基于傅里叶的替代分析中的错误拒绝率。窗口技术减少了傅里叶级数中周期性扩展数据序列边界处的不连续性。然而，它们增加了时间域非平稳性，从而影响替代分析。这种影响对于短低通信号尤其成问题。将相同的窗口应用于替代数据允许具有相同的非平稳性。该方法通过蒙特卡罗模拟在 1 阶自回归过程零假设上进行测试。以前的方法无法同时对左侧和右侧测试产生良好的性能，对双边测试更是如此。结果表明，新方法对于单侧测试和双边测试都是保守的。为了证明所提出的窗口方法在现实环境中是有用的，在这篇扩展论文中，它被应用于 EEG 诊断问题。数据集包含 15 名受试者的 EEG 测量数据，这些受试者分为三组：注意力缺陷障碍主要为多动冲动型 (ADHD)、注意力缺陷障碍主要为注意力不集中型 (ADD)；焦虑症和注意力脆弱型 (ANX)。统计和机器学习 (朴素贝叶斯) 方法均被考虑。平均短窗口 SA (MSWSA) 被用作信号特征，并研究了其相对于窗口系统的性能。主要发现是：(i) MSWSA 特征对于 ADD 的变异性小于对于 ADHD 或 ANX 的变异性，(ii) 所提出的窗口方法降低了 SA 特征的偏差和非正态性，(iii) 使用所提出的方法和朴素贝叶斯分类器，通过留一交叉验证将 ADD 与 ADHD 和 ANX 区分开来的成功率为 93%，以及 (iv) 如果没有所提出的窗口系统，新特征不可能产生有趣的结果。