XiaoMi-AI文件搜索系统
World File Search System多组
家庭多组分运动游戏训练对老年人身体机能、认知和脑容量的影响：一项随机对照试验
衰老与身体机能、认知和大脑结构的衰退有关。考虑到人类生命建立在不可分割的身体和认知相互作用之上，通过运动游戏进行身体和认知相结合的训练是一种很有前途的抵抗年龄相关损伤的方法。这项研究的目的是评估家庭多元化运动游戏训练对老年人的 [i] 身体和认知功能以及 [ii] 大脑体积的影响，并与常规护理对照组进行比较。37 名健康且独立生活的 65 岁及以上的老年人被随机分配到干预组（运动游戏训练）或对照组（常规护理）。在 16 周的时间里，干预组的参与者每周进行三次家庭运动游戏（每次 30-40 分钟），包括太极拳练习、舞蹈和踏板认知游戏。对照组参与者继续他们的正常日常生活。前后测量包括对身体（步态参数、功能性肌肉力量、平衡、有氧耐力）和认知（处理速度、短期注意力、工作记忆、抑制、心理灵活性）功能的评估。进行 T1 加权磁共振成像以评估脑容量。31 名参与者（平均年龄 = 73.9 ± 6.4 岁，范围 = 65-90 岁，16 名女性）完成了研究。干预后，抑制和工作记忆显著改善，有利于干预组[抑制：F (1) = 2.537，p = 0.046，n 2 p = 0.11，工作记忆：F (1) = 5.872，p = 0.015，n 2 p = 0.02]。两项短期注意力广度测量显示，训练后对照组的注意力得到了改善 [F (1) = 4.309, p = 0.038, n 2 p = 0.03, F (1) = 8.504, p = 0.004, n 2 p = 0.04]。训练对身体机能或脑容量没有显著影响。随着时间的推移，两组的额叶区域和海马体的灰质体积均显著减少。研究结果表明运动游戏训练具有积极影响
MSS/PMMR转移性结直肠癌的反应反应对组合免疫疗法的反应的多组分分子表征
抽象背景免疫检查点抑制剂已被批准，目前用于复发和转移性头颈部鳞状细胞癌（R/M HNSCC）患者的临床管理。临床试验中报告的益处是可变且异质性的。我们的研究旨在探索和比较在多中心IIIB试验中，基因表达特征与经典生物标志物与经典生物标志物用于免疫治疗治疗的R/M HNSCC患者。方法在Nivactor Tiral（单臂，开放标签，多中心，IIIB期临床试验中，用Nivolumab治疗的铂 - 难治性HNSCC中）前瞻性地收集了临床数据。的发现在免疫治疗的HNSCC患者的外部独立队列中得到了验证，该患者分为长期和短期幸存者（分别自免疫疗法开始以来的总生存率> 18和<6个月）。来自免疫治疗治疗的R/M HNSCC患者的预处理肿瘤组织标本用于PD-L1（肿瘤比例得分；联合阳性评分（CPS））和肿瘤突变负担（Oncopanel TSO500）评估和基因表达分析；在Nivactor数据集中挑战了经典的生物标志物和免疫特征（从文献中检索）。结果集群-6（CL6）在高分（n = 16，20％）和低分（n = 64，80％）中对Nivactor病例的分层表明，在高分中，总体存活率具有统计学意义和临床意义，在高分中的总生存率有所改善（P = 0.00028; HR = 0.00028; hr = 4.34，95％ci 1.84至10.22）= 0.2.2.22 cy toction nucde cy decter and ci ci 1.84至10.22）均可及时范围。 （95％CI 0.603至0.967）。在多元COX回归分析中，Cl6是独立的高得分CL6与更好结果的关联也在：（1）Nivactor无进展生存期（p = 4.93e-05； HR = 3.71，95％CI 1.92至7.18）和目标反应率（AUC = 0.785; 95％CI 0.603至0.9603至0.967）; （2）长期幸存者与短期幸存者（p = 0.00544）。
NGS、临床组学与诊断下一代组学 - 单细胞
第 1 天第 5 部分：新型多组学技术：空间基因组学和转录组学 • 将空间成像技术和方法转化为药物开发 • 转录组学：技术和方法 • 单细胞转录组成像 • 多模态处理 • 在生物学中利用空间数据 • 细胞与细胞相互作用 • 克服空间数据分析中的挑战 • 空间转录组数据集 • 数据访问和标准化 第 1 天第 6 部分：治疗发现和开发的空间生物学 • 肿瘤环境中的空间生物学 • 了解肿瘤异质性 • 肿瘤内免疫细胞的分布 • 免疫系统和肿瘤生物学之间的关系以确定新的治疗靶点 • 单细胞基因组学和空间转录组学：发现肝脏生理学和疾病生物学中的新细胞状态和细胞相互作用 第 2 天第 5 部分：新型多组学技术：空间蛋白质组学和代谢组学 • 下一代蛋白质组学——包括开发用于蛋白质分析的新技术和量化蛋白质表达的进展 •代谢组学和脂质组学，包括高分辨率分析 • 自动化多组学工作流程 • 细胞内蛋白质的空间分布 • 空间分辨率的代谢物分布
研究主题社论：新型统计和机器学习方法在高维临床癌症和（多）
三年前，也就是 2021 年，我们的第一个研究课题“将新型统计和机器学习方法应用于高维临床癌症和（多）组学数据”成为了 Frontiers 读者的一大亮点，浏览量超过 52K，下载量超过 13K。它通过突出统计遗传学和方法学领域的前沿研究，为该领域做出了巨大贡献。在第一卷成功的基础上，我们通过发表四篇文章，带来了另一个关于该研究主题的富有洞察力和发人深省的研究课题。在第二卷中，我们继续关注癌症相关研究中高维临床和（多）组学数据的新型统计和机器学习方法的开发和应用。随着人工智能 (AI) 的发展，尤其是深度学习 (DL)，第二卷中的四篇文章中有三篇研究了使用 DL 进行多组学数据集成的方法，而第四篇文章研究了一种新的测序数据处理方法。随着深度学习的快速发展，将基于深度学习的方法应用于多组学整合方面取得了重大进展。在一篇评论文章中，Wekesa 和 Kimwele 全面讨论了在疾病诊断、预后和治疗中使用深度学习技术进行多组学数据分析的最新趋势。他们特别关注涉及非编码 RNA 的多组学数据集，例如 miRNA 和长链非编码 RNA (lncRNA)，这些 RNA 在癌症发展和研究中起着至关重要的作用。重点介绍了几种用于集成和解释的新型深度学习方法，包括对比学习、DeepLIFT、分解机器深度学习 (FMDNN) 和图神经网络 (GNN)。此外，他们评估了将深度学习方法与计算生物学中的区块链和物联网 (IoT) 等新兴技术相结合的研究。乳腺癌和脑癌检测中的案例研究表明，将尖端技术和深度学习方法相结合可以如何促进癌症
AMARETTO 用于网络生物学和医学
通过基于图的多组学、临床、成像和扰动数据融合将疾病、驱动因素、靶点和药物联系起来 我们提出*AMARETTO 作为网络生物学和医学的软件工具箱，旨在开发一个用于癌症诊断、预后和治疗决策的数据驱动平台。*AMARETTO 通过基于网络图的多组学、临床、成像、驱动和药物扰动数据融合，将疾病、驱动因素、靶点和药物联系起来，涵盖癌症的模型系统和患者研究。*AMARETTO 平台采用模块化方法，基于多模态和多尺度网络结构建模整合先前的生物学知识：(1) AMARETTO 算法从功能基因组学或多组学数据中学习调控回路网络（驱动因素和靶基因回路），并将这些回路与每个生物系统（例如模型系统或患者）内的临床、分子和成像衍生的表型相关联； (2) 社区-AMARETTO 算法学习跨多个生物系统（例如模型系统和患者、群组和个体、疾病和病因、体外和体内系统）衍生的网络共享或不同的调节电路子网络；（3）扰动-AMARETTO 算法分别将模型系统中的遗传和化学扰动映射到患者衍生的网络上以进行驱动因素和药物发现，并优先考虑主要驱动因素、目标和药物以进行后续实验验证；（4）成像-AMARETTO 算法将放射学和组织病理学成像数据映射到患者衍生的多组学网络上，以进行非侵入性和组织病理学成像诊断。我们通过 Jupyter Notebook 工作流程展示了 *AMARETTO 在多个用例中的实用性，这些用例整合了多组学、临床、成像以及驱动和药物扰动数据，涵盖了癌症的模型系统和患者研究：（1）一项关于丙型和乙型肝炎病毒诱发的肝细胞癌 (LIHC) 的研究，其中发现驱动因素和药物，用于跨肝细胞癌全病因的化学预防，并在大鼠模型中进行了实验验证；（2）一项关于多形性胶质母细胞瘤 (GBM) 和低级别胶质瘤 (LGG) 的研究，其中发现与非侵入性成像诊断的成像衍生特征相关的诊断和预后分子亚类的驱动因素；以及（3）一项关于五个 SCC 癌症部位的鳞状细胞癌 (SCC) 的泛癌症研究，特别是肺 (LUSC)、头颈部 (HNSC)、食道 (ESCA)、宫颈 (CESC) 和膀胱 (BLCA)。
SZIAT_潜在导师名单_联合博士项目_2526_已确认.xlsx
生物信息学，检测影响神经退行性疾病，特别是阿尔茨海默病的遗传变异；神经退行性疾病的多组学整合；单细胞和空间转录组水平上神经退行性疾病的新机制
用于发现与脑成像表型的遗传关联的多模态基础模型
摘要。由于神经系统疾病的病因复杂，使用标准方法寻找多组学特征之间的可解释关联可能具有挑战性。我们提出了 COMICAL，这是一种对比学习方法，利用多组学数据来生成遗传标记与脑成像衍生表型之间的关联。COMICAL 利用基于转换器的编码器和自定义标记器联合学习组学表征。我们的模态无关方法通过自监督学习方案和跨模态注意编码器唯一地识别了多对多关联。COMICAL 在英国生物银行中发现了多种神经系统疾病的遗传标记和成像衍生表型之间的几种重要关联，并根据学习到的表征预测了跨疾病和看不见的临床结果。COMICAL 的源代码以及预训练权重（支持迁移学习）可在 https://github.com/IBM/comical 上找到。