XiaoMi-AI文件搜索系统
World File Search System尚未
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
摘要 印度尼西亚在英语教学中越来越多地使用人工智能工具，但其实施和影响尚未完全了解。本研究探讨了印度尼西亚英语作为外语 (EFL) 教师如何将人工智能 (AI) 技术融入教学，他们对这些工具的有效性的看法以及他们面临的障碍。通过半结构化访谈采用定性方法采访了印度尼西亚的五名英语作为外语 (EFL) 教师。数据分析表明，教育工作者使用 Grammarly、Google Translate、ChatGPT 和 Claude AI 等人工智能工具来提供反馈、帮助理解和创建内容。这些工具被认为有利于提高学生的写作能力和热情，尽管有人担心过度依赖、学术诚信以及阻碍批判性思维和真正学习的可能性。障碍包括对工具、技术设置和学生准备程度的限制。该研究强调了在英语教学中使用人工智能工具的优势，并强调了公平和评价性地纳入它们的重要性。教师应鼓励建构主义教学技术来激发认知参与和数字能力，确保人工智能资源补充而不是替代真正的学习。建议未来研究道德和教育影响。关键词：人工智能、英语作为外语 (EFL)、语言教育、教育技术、印度尼西亚、定性研究、教师看法、挑战、道德考虑。如何引用 Rahman, MA (2024)。探索人工智能在印度尼西亚英语作为外语教育中的整合。教学法：英语语言教学杂志，12 (2)。196-212 DOI：10.32332/joelt.v12i2.9549。期刊主页 https://e-journal.metrouniv.ac.id/index.php/pedagogy 这是一篇根据 CC BY SA 许可开放获取的文章 https://creativecommons.org/licenses/by-sa/4.0/
摘要 印度尼西亚在英语教学中越来越多地使用人工智能工具，但其实施和影响尚未完全了解。本研究探讨了印度尼西亚英语作为外语 (EFL) 教师如何将人工智能 (AI) 技术融入教学，他们对这些工具的有效性的看法以及他们面临的障碍。通过半结构化访谈采用定性方法采访了印度尼西亚的五名英语作为外语 (EFL) 教师。数据分析表明，教育工作者使用 Grammarly、Google Translate、ChatGPT 和 Claude AI 等人工智能工具来提供反馈、帮助理解和创建内容。这些工具被认为有利于提高学生的写作能力和热情，尽管有人担心过度依赖、学术诚信以及阻碍批判性思维和真正学习的可能性。障碍包括对工具、技术设置和学生准备程度的限制。该研究强调了在英语教学中使用人工智能工具的优势，并强调了公平和评价性地纳入它们的重要性。教师应鼓励建构主义教学技术来激发认知参与和数字能力，确保人工智能资源补充而不是替代真正的学习。建议未来研究道德和教育影响。关键词：人工智能、英语作为外语 (EFL)、语言教育、教育技术、印度尼西亚、定性研究、教师看法、挑战、道德考虑。如何引用 Rahman, MA (2024)。探索人工智能在印度尼西亚英语作为外语教育中的整合。教学法：英语语言教学杂志，12 (2)。196-212 DOI：10.32332/joelt.v12i2.9549。期刊主页 https://e-journal.metrouniv.ac.id/index.php/pedagogy 这是一篇根据 CC BY SA 许可开放获取的文章 https://creativecommons.org/licenses/by-sa/4.0/
AlphaFold3了解了什么是关于抗体和纳米型对接的，什么尚未解决？
适体是单链寡核苷酸，它们结合具有高亲和力和特异性的分子靶标。但是，他们的发现和进化仍被限制在常规的SELEX方法上。在这里，我们提出了一种适体结合语言（可易于使用的）模型，该模型通过将预处理的蛋白质和核酸序列编码与跨注意结构相结合，以捕获适体 - 蛋白结合的决定因素，从而实现跨不同蛋白质靶标的结合相互作用的可靠预测。该模型采用具有多头跨意义机制的基于变压器的结构，优化了序列特定特征和位置嵌入，以学习适体及其蛋白质靶标之间的复杂结合模式，同时维持跨不同适应性库的序列长度多样性。我们跨不同基准测试的广泛评估表明，在概括实验结合曲线方面的现有方法相对于现有方法的优势。可易于观察的蛋白质和产生的适体表现出强烈/有利的概括性。在现实世界中，可易于识别的是几种经过实验验证的CD117 ssDNA Apatamers先前被传统SELEX遗漏的，并产生了一种新型的SSDNA Apatamer，该Aptna Aptamer与APP62与人类CD4共享具有可比的结合曲线。这些结果展示了可捕获捕获适体蛋白结合的分子相互作用的能力。
b”总结，大脑的纯粹复杂性使我们了解了其在健康和疾病中功能的细胞和分子机制的能力。全基因组范围的关联研究发现了与特定的神经系统表型和疾病相关的遗传变异。此外，单细胞转录学还为分子的发展提供了一些特定的疾病，虽然为这些疾病提供了一种范围，但在这些疾病中提供了较大的疾病，尽管这些疾病是在理解这些疾病的过程中。遗传变异会导致大脑的功能变化，它们没有建立分子机制来满足这种需求，我们开发了一种称为肌膜的3D共培养系统（诱导的多单元组装），可以使这些IAS与这些ias shimecrients and-comentions和sinterriptions一起迅速产生。在我们的第一个应用中，我们询问神经元和神经元细胞如何相互作用以控制神经元死亡和生存。我们的基于CRISPRI的筛选确定GSK3 \ XCE \ XB2在存在高神经元活性引起的活性氧的存在下抑制了保护性NRF2介导的氧化应激反应，这在2D单一培养神经元筛查中尚未发现。我们还应用平台来研究ApoE-4的作用，APOE-4是阿尔茨海默氏病的风险变体，对神经元存活的影响。我们发现
b“总结大脑的纯粹复杂性使我们了解其在健康和疾病中功能的细胞和分子机制的能力。全基因组关联研究发现了与特定神经系统型和疾病相关的遗传变异。此外，单细胞转录组学提供了特定脑细胞类型及其在疾病期间发生的变化的分子描述。尽管这些方法为理解遗传变异如何导致大脑的功能变化提供了巨大的飞跃，但它们没有建立分子机制。为了满足这种需求，我们开发了一个3D共培养系统，称为IASEMBLOI（诱导的多线组件），该系统能够快速生成同质的神经元-GLIA球体。我们用免疫组织化学和单细胞转录组学表征了这些Iassembloid，并将它们与大规模CRISPRI的筛选结合在一起。在我们的第一个应用中，我们询问神经胶质细胞和神经元细胞如何相互作用以控制神经元死亡和生存。我们的基于CRISPRI的筛选确定GSK3 \ XCE \ XB2在存在高神经元活性引起的活性氧的存在下抑制了保护性NRF2介导的氧化应激反应，这先前在2D单一神经元筛选中没有发现。我们还应用平台来研究ApoE-4的作用，APOE-4是阿尔茨海默氏病的风险变体，对神经元生存的影响。与APOE-3-表达星形胶质细胞相比，表达APOE-4表达星形胶质细胞可能会促进更多的神经元活性。该平台扩展了工具箱，以无偏鉴定大脑健康和疾病中细胞 - 细胞相互作用的机制。 “
b'靶标发现对于药物开发至关重要，尤其是对于复杂的慢性疾病。高通量技术的最新进展和生物医学数据的爆炸式增长凸显了计算药物可药性预测方法的潜力。然而，大多数当前方法依赖于基于序列的特征和机器学习，这通常面临与手工制作的特征、可重复性和可访问性相关的挑战。此外，原始序列和蛋白质结构的潜力尚未得到充分研究。在这里，我们使用深度学习技术利用蛋白质序列和结构，揭示蛋白质序列，特别是预训练的嵌入，比蛋白质结构更具信息量。接下来，我们开发了 DrugTar，这是一种高性能深度学习算法，将来自 ESM-2 预训练蛋白质语言模型的序列嵌入与蛋白质本体相结合以预测药物可药性。DrugTar 实现了曲线下面积和精确召回曲线值高于 0.90，优于最先进的方法。总之，DrugTar 简化了靶标发现，这是开发新型疗法的瓶颈。'
b'靶标发现对于药物开发至关重要，尤其是对于复杂的慢性疾病。高通量技术的最新进展和生物医学数据的爆炸式增长凸显了计算药物可药性预测方法的潜力。然而，大多数当前方法依赖于基于序列的特征和机器学习，这通常面临与手工制作的特征、可重复性和可访问性相关的挑战。此外，原始序列和蛋白质结构的潜力尚未得到充分研究。在这里，我们使用深度学习技术利用蛋白质序列和结构，揭示蛋白质序列，特别是预训练的嵌入，比蛋白质结构更具信息量。接下来，我们开发了 DrugTar，这是一种高性能深度学习算法，将来自 ESM-2 预训练蛋白质语言模型的序列嵌入与蛋白质本体相结合以预测药物可药性。DrugTar 实现了曲线下面积和精确召回曲线值高于 0.90，优于最先进的方法。总之，DrugTar 简化了靶标发现，这是开发新型疗法的瓶颈。'
基于学习基因扰动效应的深度学习预测尚未胜过简单的线性方法
先进的深度学习方法，例如基于变压器的基础模型，有望学习生物学的表示，可以在硅中预测未见实验的结果，例如遗传扰动对人类细胞跨文字的影响。要查看当前模型是否已经达到了这个目标，我们对两个重要的用例中有意地模拟有意模拟的线性模型进行了基准测试：在两个重要用例中有意模拟的线性模型：对于两个基因的组合扰动，只能看到单个单个扰动的数据，我们发现一种简单的添加剂模型超过了基于深度学习的方法。，对于尚未看到的基因的扰动，但可以从生物学相似性或网络环境中“插值”，一个简单的线性模型与基于深度学习的方法一样好。虽然深层神经网络对生物系统的代表和实验结果的词语的承诺是Plausible的，但我们的工作强调了对旨在将转移学习转移到生物学的直接研究工作的批判性基准的需求。
基于学习基因扰动效应的深度学习预测尚未胜过简单的线性方法
先进的深度学习方法，例如基于变压器的基础模型，有望学习生物学的表示，可以在硅中预测未见实验的结果，例如遗传扰动对人类细胞跨文字的影响。要查看当前模型是否已经达到了这个目标，我们对两个重要的用例中有意地模拟有意模拟的线性模型进行了基准测试：在两个重要用例中有意模拟的线性模型：对于两个基因的组合扰动，只能看到单个单个扰动的数据，我们发现一种简单的添加剂模型超过了基于深度学习的方法。，对于尚未看到的基因的扰动，但可以从生物学相似性或网络环境中“插值”，一个简单的线性模型与基于深度学习的方法一样好。我们的资产表明，术语模型学到的生物学尚不允许推断训练数据的特定实验条件超出特定的实验条件，而对相反的最新主张可能还为时过早。
季风更新：农业部门尚未脱离困境
关于我们：CareEdge 是一家知识型分析集团，提供信用评级、分析、咨询和可持续性服务。母公司 CARE Ratings Ltd (CareEdge Ratings) 成立于 1993 年，是印度第二大评级机构，在对不同行业的公司进行评级方面拥有可靠的业绩记录，并在 BFSI 和 Infra 等高增长行业中占据领导地位。CareEdge Ratings 的全资子公司包括 (I) CARE Analytics & Advisory Private Ltd（以前称为 CARE Risk Solutions Pvt Ltd）、(II) CARE ESG Ratings Ltd（以前称为 CARE Advisory Research and Training Ltd）和 (III) CareEdge Global IFSC Ltd。CareEdge Ratings 的其他国际子公司包括毛里求斯的 CARE Ratings (Africa) Private Ltd、CARE Ratings South Africa (Pty) Ltd 和 CARE Ratings Nepal Ltd。
b”总结，大脑的纯粹复杂性使我们了解了其在健康和疾病中功能的细胞和分子机制的能力。全基因组范围的关联研究发现了与特定的神经系统表型和疾病相关的遗传变异。此外，单细胞转录学还为分子的发展提供了一些特定的疾病，虽然为这些疾病提供了一种范围，但在这些疾病中提供了较大的疾病，尽管这些疾病是在理解这些疾病的过程中。遗传变异会导致大脑的功能变化，它们没有建立分子机制来满足这种需求，我们开发了一种称为肌膜的3D共培养系统（诱导的多单元组装），可以使这些IAS与这些ias shimecrients and-comentions和sinterriptions一起迅速产生。在我们的第一个应用中，我们询问神经元和神经元细胞如何相互作用以控制神经元死亡和生存。我们的基于CRISPRI的筛选确定GSK3 \ XCE \ XB2在存在高神经元活性引起的活性氧的存在下抑制了保护性NRF2介导的氧化应激反应，这在2D单一培养神经元筛查中尚未发现。我们还应用平台来研究ApoE-4的作用，APOE-4是阿尔茨海默氏病的风险变体，对神经元存活的影响。我们发现
b“总结大脑的纯粹复杂性使我们了解其在健康和疾病中功能的细胞和分子机制的能力。全基因组关联研究发现了与特定神经系统型和疾病相关的遗传变异。此外，单细胞转录组学提供了特定脑细胞类型及其在疾病期间发生的变化的分子描述。尽管这些方法为理解遗传变异如何导致大脑的功能变化提供了巨大的飞跃，但它们没有建立分子机制。为了满足这种需求，我们开发了一个3D共培养系统，称为IASEMBLOI（诱导的多线组件），该系统能够快速生成同质的神经元-GLIA球体。我们用免疫组织化学和单细胞转录组学表征了这些Iassembloid，并将它们与大规模CRISPRI的筛选结合在一起。在我们的第一个应用中，我们询问神经胶质细胞和神经元细胞如何相互作用以控制神经元死亡和生存。我们的基于CRISPRI的筛选确定GSK3 \ XCE \ XB2在存在高神经元活性引起的活性氧的存在下抑制了保护性NRF2介导的氧化应激反应，这先前在2D单一神经元筛选中没有发现。我们还应用平台来研究ApoE-4的作用，APOE-4是阿尔茨海默氏病的风险变体，对神经元生存的影响。与APOE-3-表达星形胶质细胞相比，表达APOE-4表达星形胶质细胞可能会促进更多的神经元活性。该平台扩展了工具箱，以无偏鉴定大脑健康和疾病中细胞 - 细胞相互作用的机制。关键词功能基因组学，神经元 - 糖共培养，必需基因，单核RNA测序，CRISPR干扰，作物seq，氧化应激，GSK3B，NFE2L2，NFE2L2，神经元活动