XiaoMi-AI文件搜索系统
World File Search System坏词
肠道轴在坏死性小肠结肠炎的神经发育障碍中的作用
过去，由于糖尿病造成的肾功能障碍主要是蛋白尿之前首先发生的疾病，然后随后降低了EGFR（1，2）。最近，已经观察到没有明显蛋白尿的肾小球效果率（GFR）降低。因此，糖尿病肾病的概念已被认为是糖尿病性肾病的伞概念（1，2）。近年来，已经报道了SGLT2抑制剂和GLP-1受体激动剂的肾脏预后改善，并且在临床实践中实际上感觉到这些药物的作用（3），但DKD的发病机理仍然很大程度上仍然没有探索。最近，近端肾小管细胞在糖尿病肾脏病发病机理中的作用一直是研究的重点（4）。糖尿病性肾小球肾病主要是肾小球损伤。相比之下，糖尿病肾脏疾病不仅涉及肾肾小球肾病，而且还涉及肾小球纤维化。基于肾脏活检样本的解剖区域，糖尿病肾脏疾病可以分为肾小球糖尿病肾脏疾病和管状糖尿病性肾脏疾病。肾小球糖尿病肾病的共同特征涉及受损的肾小球滤过屏障，肾小球细胞增殖和肾小球骨膜硬化。管状糖尿病性肾脏疾病的主要表现包括肾小管重吸收和分泌的功能障碍以及肾小管纤维化（4）。此外，近端管状损伤在患有/没有蛋白尿的糖尿病肾脏疾病的进展中具有重要作用（2，4）。糖尿病肾脏疾病中肾小球和微管间质损伤的机制不同，但是相关途径和介体的相互作用很多。因此，在此卷中，一些论文集中在肾小管上皮细胞上。纤毛是一种基于微管的细胞器，它是从大多数脊椎动物细胞类型的表面投射，并检测和传输细胞外信号（5）。睫状生命周期也与细胞周期密切相关。肾纤毛是
用于癌症治疗的高级分子溶液 - 生物标志物范式的好，坏和丑陋
识别最有效的可操作分子，其“智能”操纵可能有选择地杀死/减速/停止癌细胞的增殖，而对组织的正常细胞的副作用很少，一直是无数研究者的单个主要目标。本期特刊（SI）是“癌症中的分子” [1]的分子生物学当前问题的延续，旨在介绍癌症治疗的分子解决方案中的最新发展，以及将治疗方法个性化治疗的方式呈现给患者的个体特征。作者通过执行准确的实验，重新分析了公开访问的基因组数据集（包括癌症基因组图集（TCGA）[2]）或对文献的全面评论。在有趣的提出的溶液中，需要注意的是：通过CRISPR [3]的靶向递送到T细胞中[3]，通过基于蛋氨酸的氨基酸限制的代谢沉默[4]，ERK5 [5]的抑制[5]，ADRA2A [6]的激活[6]，以及乳腺癌的治疗[7]。大多数涉及应激活或抑制分子机制直接破坏癌细胞（例如[5]）或通过增加免疫[3，8]，化学疗法和放射性疗法的功效的分子机制的。 很长一段时间以来，绝大多数研究人员和临床上的人都认为，某些基因的突变和/或改变的表达（称为“生物标志物”）负责触发癌化。 好（BMP承诺）。。很长一段时间以来，绝大多数研究人员和临床上的人都认为，某些基因的突变和/或改变的表达（称为“生物标志物”）负责触发癌化。好（BMP承诺）。此外，希望恢复这种基因生物标志物的正常状态能够提供天然的抗癌疗法。在标准的人类癌细胞培养物和动物模型上都测试了各种以生物标志物为导向的基因疗法的功效。但是，让我们讨论如何发现癌症生物标志物，其对诊断和治疗的实际价值以及其对动物模型和人类细胞培养的可靠性的可靠性。在实验和理论基因组研究的几乎所有阶段的工作都使用了许多类型的平台，并迫使我承担讨论“好，坏和丑陋”的风险企业。对我的实验室培养细胞培养物和来自手术的人类肿瘤的组织，以及人类疾病的动物（小鼠，大鼠，兔，狗，鸡肉）模型的各种细胞和组织。除了优化湿方案外，我们还引入了基因组织物范式，并开发了高级数学算法和计算机软件来分析基因组数据。癌症是一种多因素疾病，由大量多样化的偏爱护发素调节，对此远非完整。因此，依靠一些基因生物标志物（即使每个基因都呈现几种变体[9]）是对诊断过程的相当简化。BMP的最大优势之一是（从理论上）它提供了对各种癌症形式起源的分子解释。已经开发了几个测试试剂盒（例如[10-12]），目前正在用于基因组检测现有的特定癌症形式或组织
Dom2Vec - 通过词嵌入和 AI/ML 驱动的词典分析检测 DGA 域
摘要 — 及时识别对域生成算法 (DGA) 域的 DNS 查询在减轻恶意软件传播及其潜在影响方面起着至关重要的作用，尤其是在阻止协调的僵尸网络活动方面。我们推出了 Dom2Vec，这是一种创新方法，通过利用仅从 DNS 查询中观察到的域名中派生的词典特征来快速检测 DGA 生成的域。Dom2Vec 利用词嵌入将从域名中提取的标记映射到高度富有表现力的表示中。然后将这些表示与基于声誉的域名评分系统相结合，该系统利用 n-gram 与白名单域列表相关的共现频率。域嵌入、声誉分数和从域名派生的其他有意义的词典特征的融合为 AI/ML 驱动的 DGA 检测提供了强大的域名表示。通过对包含 25 个不同 DGA 域系列的数据集进行实验评估，我们证明 Dom2Vec 明显优于当前最先进的 DGA 检测和分析方法，将我们之前基于信誉评分的检测系统提高了至少 30%，误报率低于 1%。索引术语 —DGA 检测、Word2Vec、TF-IDF、n-gram、词典分析、DNS、机器学习。
利用卷积神经网络识别脑电信号中的想象词语法类别
在本文中，我们提出了一个使用多通道卷积神经网络 (MC-CNN) 的框架，用于从脑电图 (EEG) 信号中识别隐性口语单词的语法类别（动词或名词）。我们提出的网络通过考虑 EEG 信号的空间、时间和频谱特性来提取特征。此外，从大脑不同区域获取的信号集在所提出的框架内分别处理，然后在分类阶段组合。这种方法使网络能够有效地从处理想象语音的大脑位置学习判别特征。我们的网络经过了具有挑战性的实验测试，包括测试对象未参与系统训练的情况。在我们的主要应用场景中，训练期间未使用任何特定名词或动词的实例，我们的方法实现了 85.7% 的识别率。此外，我们提出的方法在公开可用的 EEG 数据集上进行了评估，并在二元分类中实现了 93.8% 的识别率。这些结果证明了我们方法的潜力。 2021 作者。由 Elsevier BV 出版 这是一篇根据 CC BY 许可 (http://creativecommons.org/licenses/by/4.0/) 开放获取的文章。
苯基丙烷的定量NMR光谱法，包括草药，香料和精油中的等词
摘要：国际癌症研究机构（IARC）（IARC），最近已将isoeugenol（2-甲氧基-4-（1-丙基）苯酚）归类为人类（第2B组）。这项研究使用1 h核磁共振（NMR）光谱法对普通草药和香料（包括罗勒，肉桂，姜和肉豆蔻）进行了共同的香料和香料进行了分析。此外，通过1 H-NMR分析了1300多个咖啡样品的等词，但在任何分析的样品中均未检测到。检查了各种精油，包括肉豆蔻，罗勒，丁香，甜旗和Ylang-ylang油，以了解异烯醇含量。在测试的十二种肉豆蔻油中，其中四种含有异烯醇，浓度范围从3.68±0.09 g/kg到11.2±0.10 g/kg。然而，使用NMR光谱法在鱿鱼，罗勒，Ylang-ylang的精油中未检测到异烯醇。这些发现值得对先前文献进行批判性评估，鉴于其中一些矩阵中的同类水平高。毒理学评估已经确定，通过肉豆蔻精油暴露于同烯醇的情况下，人类健康没有风险。
慢性淋巴细胞性白血病中的机器学习和多词数据：精密医学的未来？
在过去的十年中，下一代测序（NGS）的突破导致全基因组中的OMICS数据的体积和复杂性增加（Bulk）（Bulk）（Lander等，2001; Venter等，2001），并且在单细胞水平上更深。NGS allowed the scienti fi c community to study various biological mechanisms such as genetics (whole- genome sequencing), gene expression (RNA-seq), and epigenetics [DNA methylation (e.g., whole-genome bisul fi te sequencing), chromatin accessibility (ATAC-seq), chromatin immunoprecipitation assays with sequencing (e.g., ChIP-seq对于组蛋白标记）]导致高维度数据（Reuter等，2015）。除了基因组范围的方法外，单细胞技术还提供了研究不同模态（例如基因表达（SCRNA-SEQ）和染色质可及性（SCATAC-SEQ））的机会（Heumos等人，2023年）。这项技术比大量数据显示出不同的优势，尤其是在捕获肿瘤微环境的克隆结构和细胞类型组成方面。此外，全球科学社区和财团，例如癌症基因组图集（TCGA）（TOMCZAK等人，2015年），国际癌症基因组联盟（ICGC）（国际癌症基因组等，2010），，Martens和Blueprint（Martens and Stunnenberg，2013），人类Cell Atlas（HCA）（HCA）（HCA）（LINDEN）（LIND），综合。每个人都可以通过发布OMICS数据和元数据提供相关的结果，从而为进一步的探索和数据集成提供了机会。但是，可以通过机器学习（ML）算法来分析大量复杂的OMIC数据，以发现生物标志物或预测性特征，以更好地患者分层和治疗选择。
使用来自 PubMed 的词嵌入进行监督学习可以捕获有关蛋白激酶和癌症的潜在知识。
多年来，抑制导致癌症的蛋白激酶 (PK) 一直是癌症治疗的重要课题。到目前为止，FDA 批准的药物已经针对了 530 多种 PK 中的近 8%，大约 150 种蛋白激酶抑制剂 (PKI) 已经在临床试验中进行了测试。我们提出了一种基于自然语言处理和机器学习的方法来研究 PK 和癌症之间的关系，预测抑制哪些 PK 可以有效治疗某种癌症。我们的方法根据 PubMed 摘要中的单词和概念邻域将 PK 和癌症表示为具有语义意义的 100 维向量。我们使用 ClinicalTrials.gov 中有关 I-IV 期试验的信息来构建随机森林分类的训练集。我们使用历史数据的结果显示，可以提前数年准确预测 PK 与特定癌症之间的关联。我们的工具可用于预测抑制 PK 对特定癌症的相关性，并支持设计有针对性的临床试验，以发现用于癌症治疗的新型 PKI。
对种族主义词的定量分析，指的是意大利人及其在电影字幕中的翻译：wop，eyetie和goombah
摘要：在过去的200年中，英语文化与其他种族有着广泛的接触，几乎总是来自主导地位（Filmer，2012年）。在英语中，几乎每个种族或族裔都有种族诽谤，而发誓单词通常在英语电视对话中使用。在电影字幕中翻译誓言构成了翻译挑战，由Soler Pardo（2015），Ávila-Cabrera（2016），Beseghi（2016）和Díaz-Pérez（2020）等学者进行了研究。本文分析了三个种族主义的称呼，分析了英语向意大利语，Eyetie和Goombah的翻译，用于指代意大利人或意大利人的人。分析的数据取自OpenSubtitles的英语 - 意大利平行语料库（Lison＆Tiedemann，2016年），这是由翻译的电影字幕组成的平行语料库集。使用平行的一致性检索了包括这些种族主义词的各种电影的英文字幕，以及相应的意大利翻译。进行分析，目的是确定使用和翻译这些种族诽谤的一般趋势。此外，根据节制变量（例如电影中使用的语言，电影发行日期，电影拍摄的国家和电影类型）来测试这些变量是否对翻译选择有重大影响。关键字：种族诽谤；翻译;字幕；英语;意大利人。1。简介
使用局部异常因子 (LOF) 进行适应性强且稳健的 EEG 坏通道检测
摘要：脑电图 (EEG) 数据通常会受到伪影的影响。检测和去除坏通道（即信噪比较差的通道）是至关重要的初始步骤。由于数据质量、伪影性质和所采用的实验范式存在内在差异，从不同人群获取的 EEG 数据需要不同的清理策略。为了处理这些差异，我们提出了一种基于局部离群因子 (LOF) 算法的稳健 EEG 坏通道检测方法。与大多数现有的寻找通道全局分布的坏通道检测算法不同，LOF 相对于通道的局部集群来识别坏通道，这使其适用于任何类型的 EEG。为了测试所提算法的性能和多功能性，我们在从三个人群（新生儿、婴儿和成人）获取的 EEG 上进行了验证，并使用了两个实验范式（事件相关和频率标记）。我们发现，在校准其主要超参数（LOF 阈值）后，LOF 可应用于所有类型的 EEG 数据。我们利用现有的最先进 (SoA) 坏通道检测方法对该方法的性能进行了基准测试。我们发现，LOF 通过将 F1 分数（我们选择的性能指标）提高到新生儿和婴儿的约 40%，将成人的 F1 分数提高到 87.5%，从而超越了所有方法。
杏仁核在行动：功能连接...
■ 动机是情绪的一个重要特征。通过推动积极事件的趋近和促进对消极刺激的回避，动机推动适应性行动和目标追求。杏仁核与各种情感过程有关，特别是刺激效价的评估，这被认为在趋近和回避行为的产生中起着至关重要的作用。在这里，我们测量了参与者在玩视频游戏时杏仁核的功能连接模式，该游戏通过好、中性或坏怪物的存在来操纵目标倾向。正如预期的那样，好怪物与坏怪物引发了相反的动机行为，其中好怪物诱发更多的趋近，而坏怪物引发更多的回避。这些相反的方向性行为与杏仁核和内侧脑区（如 OFC 和后扣带回）之间连接的增加相一致，好与坏相对，杏仁核和