XiaoMi-AI文件搜索系统
World File Search System定位的
StarGazer：使用 Streamlit 进行药物靶标优先级排序和数字药物重新定位的混合智能平台
1 数据科学与人工智能、生物制药研发、阿斯利康、英国剑桥、2 乔治城大学、美国华盛顿特区、3 生物识别、肿瘤学研发、阿斯利康、波兰华沙、4 发现微生物组、生物制药研发、阿斯利康、美国马里兰州盖瑟斯堡、5 早期呼吸和免疫学、生物制药研发、阿斯利康、美国马里兰州盖瑟斯堡、6 研究数据与分析、研发 IT、阿斯利康、英国剑桥、7 发现科学、生物制药研发、阿斯利康、英国剑桥、8 数据科学与人工智能、生物制药研发、阿斯利康、美国马里兰州盖瑟斯堡、9 生物识别与信息科学、生物制药研发，阿斯利康，瑞典默恩达尔，10 神经科学，生物制药研发，阿斯利康，英国剑桥
PDS5A 和 PDS5B 在不改变黏连蛋白在基因组中的定位的情况下对基因表达产生不同的影响
蛋白和 STAG 蛋白的全基因组分布尚未直接探索。因此，在 WT mESC 中检查了 PDS5A、PDS5B、STAG1 和 STAG2 的全基因组分布，并揭示了所有四个亚基的 ChIP-seq 信号在联合列表中存在显著重叠，包括在任何单个数据集中识别的所有峰 (54,213) (图 4A)。值得注意的是，最强的 PDS5 峰也是最强的 STAG 峰，表明所有四个亚基的染色质结合水平呈正相关。在低和高严格、未交联条件下进行 PDS5A、PDS5B 和 RAD21 的共免疫沉淀，以研究黏连蛋白复合物亚基组成的潜在特异性；对 STAG1 和 STAG2 亚基的蛋白质印迹表明 STAG1 和 STAG2 都
用嵌合抗原受体重新定位的肺癌中的dialoganglioside GD2靶向肺癌
抽象背景我们探讨了在小细胞肺癌（SCLC）和非SCLC（NSCLC）中表达的dialoganglioside GD2（GD2）是否可以通过GD2-特异性嵌合抗原受体（CAR）T细胞来靶向。方法通过流式细胞仪和免疫组织化学评估了肿瘤细胞系和肿瘤活检中的GD2表达。我们使用了gd2.car car concarment IL-15来促进T细胞增殖和持久性，并且在不可预见的毒性的情况下，诱导的caspase 9基因安全切换到了消融GD2.CAR-T2.CAR-T细胞。使用体外共培养以及在原位和转移性肿瘤的异种移植模型中评估了GD2.CAR-T细胞的抗肿瘤活性。还评估了对表观遗传药物的肿瘤细胞系中GD2表达的调节。结果GD2在15个SCLC和NSCLC细胞系的四个细胞表面上表达（26.7％），通过流式细胞仪测试，在SCLC的39％，肺腺癌的72％和72％的肺腺癌和56％的鳞状细胞癌中，由免疫组织化学分析。在肿瘤细胞的细胞表面上还发现了从肿瘤活检新近分离的肿瘤细胞的细胞表面上， GD2表达。 gd2。 CAR-T细胞在表达GD2的肺肿瘤的异种移植模型中在体外和体内表现出抗原依赖性细胞毒性。 最后，为了探索这种方法对抗原低表达肿瘤的适用性，我们表明，具有Zeste同源物2抑制剂tazemetostat上调的GD2低/NEG肺癌细胞系的预处理在足够水平上上调GD2表达，从而触发GD22.CAR-T细胞细胞毒性活性。GD2表达。gd2。CAR-T细胞在表达GD2的肺肿瘤的异种移植模型中在体外和体内表现出抗原依赖性细胞毒性。最后，为了探索这种方法对抗原低表达肿瘤的适用性，我们表明，具有Zeste同源物2抑制剂tazemetostat上调的GD2低/NEG肺癌细胞系的预处理在足够水平上上调GD2表达，从而触发GD22.CAR-T细胞细胞毒性活性。结论GD2是肺癌中CAR-T细胞疗法的有希望的靶标。TazeMetostat处理可用于上调肿瘤细胞中的GD2表达，从而增强其对CAR-T细胞靶向的敏感性。
发作间期脑电图源定位的线性分布逆解
目的：比较 6 种线性分布逆解对癫痫发作间期放电源定位的空间精度：最小范数、加权最小范数、低分辨率电磁断层扫描 (LORETA)、局部自回归平均值 (LAURA)、标准化 LORETA 和精确 LORETA。方法：通过回顾性比较 30 名成功接受癫痫手术的患者中平均发作间期放电的最大源与切除的脑区，基于 204 通道脑电图，对空间精度进行了临床评估。此外，在计算机模拟中评估了逆解的定位误差，在传感器空间和源空间的信号中添加了不同程度的噪声。结果：在临床评估中，使用 LORETA 或 LAURA 时，50-57% 的患者源最大值位于切除的脑区内，而所有其他逆向解决方案的表现都明显较差（17-30%；校正 p < 0.01）。在模拟研究中，当噪声水平超过 10% 时，LORETA 和 LAURA 的定位误差明显小于其他逆向解决方案。结论：LORETA 和 LAURA 在临床和模拟数据中均提供了最高的空间精度，同时对噪声具有相当高的鲁棒性。意义：在测试的不同线性逆解算法中，LORETA 和 LAURA 可能是发作间期 EEG 源定位的首选。2021 年国际临床神经生理学联合会。由 Elsevier BV 出版这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
RNA 组成的最佳生长规律及其通过细菌基因组中核糖体和 tRNA 基因定位的部分实现
细胞资源在细菌蛋白质中的分布已通过现象学生长定律量化。在这里，我们描述了一种补充性的 RNA 组成细菌生长定律，该定律源于细胞资源在核糖体和三元复合物中的最佳分配。预测的 tRNA/rRNA 比率随生长速度下降与实验数据在定量上一致。它的调节似乎部分是通过染色体定位来实现的，因为 rRNA 基因通常比 tRNA 基因更靠近复制起点，因此在更快的生长速度下其基因剂量会越来越高。在大肠杆菌中，在最高生长速度下，基于染色体位置的 tRNA/rRNA 基因剂量比几乎与观察到的、理论上最佳的 tRNA/rRNA 表达比相同，这表明染色体排列已经进化到有利于这种条件下两种类型基因的最大转录。
用于脑肿瘤定位的人机交互的可解释人工智能
摘要：成人脑原发性恶性肿瘤在全球范围内都是致命的。计算机视觉，尤其是人工智能 (AI) 的最新发展，为自动表征和诊断脑肿瘤病变创造了机会。人工智能方法在不同的图像分析任务中提供了前所未有的准确性，包括区分含有肿瘤的大脑和健康的大脑。然而，人工智能模型就像一个黑匣子，隐藏了合理的解释，而合理的解释是将人工智能成像工具转化为临床常规的重要一步。可解释的人工智能方法旨在可视化训练模型的高级特征或集成到训练过程中。本研究旨在评估所选深度学习算法在定位肿瘤病变和在磁共振成像对比中区分病变与健康区域方面的表现。尽管分类和病变定位准确度之间存在显著相关性（R = 0.46，p = 0.005），但本研究中检查的已知 AI 算法根据其他不相关的特征对一些肿瘤大脑进行分类。结果表明，可解释的 AI 方法可以培养对模型可解释性的直觉，并可能在深度学习模型的性能评估中发挥重要作用。开发可解释的 AI 方法将成为改善人机交互和协助选择最佳训练方法的重要工具。
AI 可节省时间并提高 CT 患者定位的精度
6.疾病控制和预防中心。2019 年冠状病毒病 (COVID-19) 大流行期间针对医护人员的临时感染预防和控制建议。2021 年 2 月 23 日更新。 https://www.cdc.gov/coronavirus/2019-ncov/hcp/infection-control-recommendations。html。2021 年 3 月 5 日访问。
用于脑源定位的头皮电磁传感器阵列的优化设计
图 4 全头部 OPM 和混合 OPM/EEG 设计。（a – d）OPM 和混合 OPM/EEG 系统的误差指标与所考虑的头皮磁力仪数量的关系。两个系统的 r 95 的中值和最大值均与市售阵列（不同颜色）相对应的指标一起显示，这些指标是恒定的并且与 OPM 的数量无关。（e – g）仅 OPM（e）、混合 OPM/EEG（f）和完整 OPM ABC 160（g）阵列的等效不确定半径的空间分布，前两个阵列采用 100 个头皮磁力仪。（h – i）所有源的等效不确定半径的归一化直方图，采用线性（h）和半对数（i）尺度。（j）三个系统的 r 95 平均值与源深度的关系（每 5 毫米分箱一次）。 （k – l）最佳混合 OPM/EEG 阵列传感器位置（k）和布局（l）。EEG 电极和 OPM 分别用蓝点和红点表示
AI 可节省时间并提高 CT 患者定位的精度
* 我们接受以下 AI 的正式定义（来源：HLEG 定义 AI）。人工智能 (AI) 系统是由人类设计的软件（也可能是硬件）系统，给定一个复杂目标，通过数据采集感知其环境、解释收集的结构化或非结构化数据、推理知识或处理从这些数据中得出的信息并决定为实现给定目标而采取的最佳行动，在物理或数字维度上采取行动。AI 系统可以使用符号规则或学习数字模型，它们还可以通过分析环境如何受到其先前行为的影响来调整其行为。作为一门科学学科，AI 包括多种方法和技术，例如机器学习（其中深度学习和强化学习是具体示例）、机器推理（包括规划、调度、知识表示和推理、搜索和优化）和机器人技术（包括控制、感知、传感器和执行器，以及将所有其他技术集成到网络物理系统中）。
整合全基因组关联研究和表达数量性状基因座定位的正向遗传学方法来解析玉米（Zea mays）叶片的发育
玉米 (Zea mays) 叶片发育的遗传基础表征可支持育种工作，以获得具有更高活力和生产力的植物。在本研究中，对 197 个双亲和多亲本玉米重组自交系 (RIL) 的映射面板在苗期对多种叶片性状进行了分析。使用 RNA 测序来估计 RIL 中 29 573 个基因模型的转录水平并得出 373 769 个单核苷酸多态性 (SNP)，然后结合这些数据使用正向遗传学方法来精确定位参与叶片发育的候选基因。首先，将叶片性状与基因表达水平相关联以确定转录本 - 性状相关性。然后，在全基因组关联 (GWA) 研究中将叶片性状与 SNP 相关联。采用表达数量性状基因座映射方法将 SNP 与基因表达水平相关联，并根据转录本 - 性状相关性和 GWA 确定候选基因的优先顺序。最后，进行了网络分析，将所有转录本聚类到 38 个共表达模块中。通过整合正向遗传学方法，我们确定了 25 个高度富集特定功能类别的候选基因，为液泡质子泵、细胞壁效应器和囊泡交通控制器在叶片生长中的作用提供了证据。这些结果解决了叶片性状确定的复杂性，并可能支持玉米的精准育种。