XiaoMi-AI文件搜索系统
World File Search System多摩
deepdra：使用多摩尼克数据集成与自动编码器进行重新利用
癌症治疗已成为当今世界上最大的挑战之一。使用不同的治疗方法针对癌症；基于药物的治疗结果显示出更好的结果。另一方面，为癌症设计新药是昂贵且耗时的。已经建议使用一些组合方法，例如机器学习和深度学习，以使用药物重新利用来解决这些挑战。尽管有望在重新利用癌症药物和预测反应中采用经典的机器学习方法，但深度学习方法的表现更好。本研究旨在开发一种深入学习模型，该模型可以根据多摩变数据，药物描述符和药物指纹预测癌症药物反应，并根据这些反应促进对药物的重新申请。为了降低多媒体数据的维度，我们使用自动编码器。作为多任务学习模型，自动编码器已连接到MLP。我们使用三个主要数据集对模型进行了广泛的测试：GDSC，CTRP和CCLE确定其功效。在多个实验中，我们的模型总体上优于现有的最新方法。与最先进的模型相比，我们的模型达到了令人印象深刻的AUPRC为0.99。此外，在跨数据库评估中，该模型在GDSC上进行了训练并在CCLE上进行了测试，它超过了先前的三项工作的表现，达到了0.72的AUPRC。总而言之，我们提出了一个深度学习模型，以优于当前有关概括的最新技术。我们的研究强调了高级深度学习的潜力，以提高癌症治疗精度。使用此模型，我们可以评估药物反应并探索药物的重新构成，从而发现新型癌症药物。
在个性化医疗保健中涉及多摩斯集成的挑战和机遇
摘要：多派的领域目睹了前所未有的增长，融合了多个科学学科和技术进步。自2002年第一次提及以来，多摩斯科学出版物在两年内（2022-2023）的多教学科学出版物的增加一倍以上，这一激增证明了这一激增。这个新兴领域已经证明了其对复杂生物系统的全面见解的能力，代表了健康诊断和治疗策略的变革力量。然而，当合并多样化的OMIC数据集和方法论，解释庞大的数据维度，简化纵向采样和分析以及解决管理敏感健康信息的道德含义时，显而易见的挑战是显而易见的。本评论在聚焦关键英里的同时评估了这些挑战：有针对性的采样方法的开发，在制定健康指数中使用人工智能的使用，使用数字孪晶等复杂的N -OF-1统计模型的整合以及增加块链技术以提高数据安全性。为了使多摩尼克真正撤销医疗保健，它需要严格的验证，有形的现实世界应用以及平稳的集成到现有的医疗保健基础设施中。必须解决道德困境，为实现法律知情的个性化医学所指导的未来铺平道路。
基于深度学习的多摩斯
目的：三阴性乳腺癌（TNBC）由于其侵略性而构成了重大诊断挑战。这项研究基于最新的多摩学数据开发了创新的深度学习（DL）模型，以增强TNBC亚型和预后预测的准确性。该研究重点是通过展示一个模型，该模型在数据集成，统计性能和算法优化方面取得了重大进步，以解决先前研究的限制。方法：与乳腺癌相关的分子特征数据，包括mRNA，miRNA，基因突变，DNA甲基化和磁共振成像（MRI）图像（MRI）图像，从TCGA和TCIA数据库中获取。本研究不仅将单词词与多摩斯机器学习模型进行了比较，还将贝叶斯优化应用于创新的多摩学数据的DL模型的神经网络结构。结果：多摩管数据的DL模型在亚型预测中显着优于单词模型，在跨验证中达到了98.0％的精度，在验证集中达到97.0％，在外部测试集中达到91.0％。此外，MRI放射素学模型显示出令人鼓舞的性能，尤其是在训练集的情况下。但是，转移测试期间的性能下降强调了DL模型在数据一致性和数字处理方面的多态数据模型的优势。结论：我们的多态DL模型在统计绩效和转移学习能力方面介绍了显着的创新，对TNBC分类和预后预测具有显着的临床相关性。虽然MRI放射线学模型被证明有效，但它需要进一步优化跨数据库的应用，以提高准确性和一致性。我们的发现提供了通过多词数据和DL算法改善TNBC分类和预后的新见解。
Pathformer：使用多摩学数据
1 MOE生物信息学的主要实验室，合成与系统生物学中心，北京北京大学生命科学学院，生命科学学院，中国100084，2，北京大学研究所，北京大学，北京大学，北京大学，北京100084，100084 Research Center for Dermatologic and Immunologic Diseases (NCRC-DID), MST State Key Laboratory of Complex Severe and Rare Diseases, MOE Key Laboratory of Rheumatology and Clinical Immunology, Beijing 100730, China 4 State Key Laboratory of Medical Proteomics, Beijing Proteome Research Center, National Center for Protein Sciences (Beijing), Beijing Institute of Lifeomics, Beijing 102206,中国相应的作者。MoE生物信息学关键实验室，合成与系统生物学中心，北京100084，北京大学生命科学学院，生命科学学院。电子邮件：zhilu@tsinghua.edu.cn（z.j.l.）;北京蛋白质科学中心（北京）北京蛋白质组研究中心北京蛋白质组研究中心的国家主要实验室，北京生命学研究所，生命科学园，居民科学园，北京102206，中国。电子邮件：zhuyunping@ncpsb.org.cn（y。Z.）;北京联合医学院医学院的风湿病学和临床免疫学系，北京联合医学院，国家皮肤病学和免疫学疾病临床研究中心（NCRC-DID），MST国家主要的严重和稀有疾病的主要国家主要实验室，莫伊，莫伊，临床免疫学关键实验室。†¼等于贡献。电子邮件：编辑助理：Jonathan Wren
数字病理和多摩学的整合
Hassell，L。A.，Absar，S.F.，Chauhan，C.，Dintzis，S.，Farver，C.F.，Fathima，S.，Glassy，E.F.，Goldstein，J.A.，Gullapalli，R.，Ho，J.，Koch，L.K.，Madory，J.E.，Mirza，K.M.，Nguyen，P.N.，Pantanowitz，L.，Parwani，A.病理教育由虚拟和数字化转型提供支持：现在与未来。病理与实验室医学档案，147（4），474–491。https://doi.org/10.5858/arpa.2021-0473-ra
在2024年6月13日实验室在线活动中的多摩斯直播中的演讲者
本杰明·富特温格勒（BenjaminFurtwängler）是哥本哈根大学Porse小组的博士生。该小组是Finsen实验室的一部分，这是基本癌症研究的部门，对理解干细胞及其在造血和白血病中的分化感兴趣。本杰明还受到丹麦技术大学副教授Erwin Schoof的监督。Erwin的小组正在开发基于质谱法的单细胞蛋白质组学方法，并与Porse组一起使用这些方法来进一步了解健康和恶性造血中的干细胞。他从柏林技术大学获得了学士学位和硕士学位，在此期间，他在Rappsilber实验室和Selbach实验室中使用质谱基蛋白质组学方法进行了研究。
人类尾状核中可卡因使用障碍的细胞类型特异性多摩学分析建议磷酸二酯酶作为药理靶标
1精神病学系的遗传流行病学系，中央心理健康研究所，曼海姆医学院，海德堡大学，德国曼海姆，海德堡大学； 2德国曼海姆海德堡大学医学院曼海姆医学院中央心理健康研究所转化脑研究系； 3德国曼海姆的Hitbr Hector Translation Brain Research GGMBH； 4德国海德堡的德国癌症研究中心（DKFZ）； 5波恩医学与大学医院博恩研究所重建神经生物学研究所，德国波恩； 6海德堡大学医学院曼海姆医学院心理健康研究所心理药理学研究所，德国曼海姆68159； 7 Louis A. Faillace，医学博士，医学博士，精神病学和行为科学系，麦戈文医学院，德克萨斯大学健康科学中心，休斯敦，休斯敦，德克萨斯州休斯敦，美国德克萨斯州77054，美国； 8中央心理健康研究所，医学院曼恩海姆，海德堡大学，德国曼尼海姆市医学院曼海姆，中央心理健康研究所，生物库中心，生物库中心
社论：多摩学技术在免疫学和肿瘤学中探索新的生物学过程和分子功能
多态学专业提供的优点是为生物医学研究提供其他维度（Wang等，2023）。主要专注于对不同基因调节水平的定量和定性评估，多素学可以使研究人员成为更高水平的功能数据整合，包括基因组，表观遗传学，转录组，蛋白质组学和分解组纤维（Buzdin等人，2019年）。这使得对导致各种情况的癌变的分子机制进行高通量的深入研究或以更大的患者同伙或特定的肿瘤分子类别的水平概括结果（Bonetti等，2023； Thiery和Fahrner，20233）。这里最重要的方面之一涉及肿瘤生长和癌症治疗的免疫相关机制（Wang等，2021）。在本研究主题中，注意分子癌研究中多组学分析的整合。在这方面，构建了构造实验数据各个维度的计算生物信息学模型对于成功注释和理解多综合封面的财富至关重要（Buzdin A等，2021）。这种方法对各种癌症类型的出现，生长，转移和异质性的复杂调节机制提供了见解（Nobre等，2022; Rozenberg et al，2023; Zhong等，2023）。它也可以为进一步探索癌症的分子复杂性并提供新的策略铺平道路，以提供更多有效和/或个性化治疗。肺癌在全球范围内领导着与肿瘤相关的死亡的原因。它们在细胞学和分子表型中是高度异质的，多态学方法的进步有望更好地理解和个性化治疗
多摩学分析揭示了与孕妇的生殖性能相关的主要肠道微生物菌株和代谢物
抽象的肠道微生物组在怀孕期间发生了巨大变化，并在哺乳动物中的代谢状态和生殖内分泌学中起着重要作用。然而，研究功能性菌群和代谢产物以改善生殖性能并了解宿主 - 微生物群的相互作用仍然是艰巨的任务。本研究旨在揭示改善生殖性能的主要菌株和代谢产物。我们分析了较高的中国猪繁殖梅山（MS）母猪的粪便菌群组成和代谢状态和较低的产量，但在第28天和100天的妊娠期和100天，杂种猪饲养的兰德拉斯×约克郡（L×y）母猪的杂种饲养的杂种。结果表明，MS母猪的垃圾大小和类固醇激素水平较高，但粪便中的短链脂肪酸水平较低。粪便代谢组学分析表明，与早期和晚期的L×Y SOW相比，MS SOW的代谢状态不同，在早期和晚期妊娠中，它们富含苯基丙糖苷生物合成，胆汁分泌，类固醇激素生物合成和植物二级代谢物生物合成。此外，16S rDNA和内部转录的间隔测序表明，MS母猪显示了微生物群的不同结构，并且与L×Y SOW相比，细菌α-多样性增加但非差异真菌α多样性。我们的发现表明生殖性能与肠道微生物组之间有显着的相关性，并提供了微生物和代谢的观点，以改善母猪的垃圾大小和类固醇激素。此外，我们发现垃圾尺寸和细菌包括Sphaerochaeta，Solibacillus，Oscillospira，Escherichia – Shigella，Prevotellaceae_ucg-001，DGA-111 _ Gut_group和细菌，以及包括PeniCillium，fusus and Mickus ander-auccuus，fusrosiar，fusrosiar，Mickeriaia，Mickeriary，包括与早期怀孕的重要代谢产物的关系。
幸存板：多摩斯癌症生存模型的标准化基准测试
单细胞测序技术，包括单细胞RNA测序（SCRNA-SEQ）和单细胞ATAC测序（SCATAC-SEQ），使研究人员能够量化细胞的OMIC PHE-NOTYPES。理想的单细胞数据分析有望帮助研究人员了解细胞上的异质性，提取感兴趣的细胞亚群，识别与细胞亚群相对应的特征基因集，并揭示细胞子源的关系。在这些分析任务中，识别特征基因集是一个关键步骤。特征基因集定义为在细胞亚群之间差异表达的基因集。它们通常用于注释细胞亚群并进行基因集富集分析。现有的特征基因鉴定方法经常采用两步方法（此后称为两步方法）：首先将细胞聚集（例如Seurat [1-4]，简单的Louvain [5]，通过插入性和维度降低（CIDR）（CIDR）[6]和Scanpy [7]和差异表达基因（例如9）（例如9）[8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [8] [14,15]，limma-voom [16]和桅杆[17]）随后在细胞簇上进行以识别特异性特异性特征基因。但是，这种方法对具有复杂或微妙的异质性的数据具有可疑的精度，因为不准确的初始聚类步骤可能会导致随后的错误特征基因鉴定[18]。但是，这些方法不会将特征基因分离为亚群特异性基因集，从而限制了它们的注释细胞的效用。这些基因集用于计算细胞基因集富集评分，然后注释细胞。另外，某些方法通过检测高度可变基因（HVG）的偏差来识别特征基因，这些基因与人群相对于模型拟合的偏差[19]，辍学率[20]和UMI计数分布[21]（此后称为HVG方法）。为了克服现有方法的局限性，我们提出了Sifinet，这是一种直接识别特征基因集的独特方法，可消除对先前细胞聚类的需求。源于关键观察，即在细胞亚群中共差异表达的基因也表现出共表达模式（供应。注1），Sifinet构建了一个基因共表达网络，并检查其拓扑以识别特征基因集。此外，这些基因集中的网络意味着细胞亚群之间的关系（图1）。此外，Sifinet可以选择地整合SCATAC-SEQ数据，因为它形成了基因合作 - 染色质网络，并探讨了其拓扑以确定表观基因组特征基因集。Sifinet分析SCRNA-SEQ和SCATAC-SEQ数据的能力使研究人员深入了解了细胞多瘤异质性。我们证明，在识别特征基因集和增强细胞注释精度时，Sifinet优于现有的两步方法和HVG方法。此外，我们认为Sifinet可以鉴定细胞之间的复杂异质性，并揭示细胞亚群中潜在的发育谱系。Sifinet也可以缩放以分析数百万个单元的数据集。我们将Sifinet应用于五个已发表的实验数据集，并发现了一些潜在的新发现，例如潜在的新细胞周期标记和衰老标记，衰老细胞富集的亚群，髓样祖细胞的发育效果以及CD8细胞的发育效果以及CD8细胞的构造以及可能的过渡路径。