XiaoMi-AI文件搜索系统
World File Search System性功能
FDASRVF：弹性功能数据分析
align_fpca。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>4 beta。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>6引导。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>6 Boxplat.fdawarp。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>7 Calc_shape_dist。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>9 Curve2SRVFF。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>10 curve_boxplot。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>11 curve_depth。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>12 curve_dist。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。。。。。。。。13 curve_geodesic。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。14 curve_karcher_cov。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。15 curve_karcher_mean。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。16 curve_pair_align。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18 curve_principal_directions。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。19 Curve_SRVF_ALIGN。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>20 curve_to_q。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>21离散2库。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>22迪斯特赛2战。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。23 Elastic.Depth。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。23弹性。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。24弹性。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。25 Elastic.lpcr.Recression。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。26弹性。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。27 Elastic.mlpcr.Recression。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。29 Elastic.pcr.Recression。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。30弹性。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。31弹性。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。32 ELASTIC_AMP_CHANGE_FF。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。33 ELASTIC_CHANGE_FPCA。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。35 ELASTIC_PH_CHANGE_FF。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。36 FDASRVF。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>37函数_GROUP_WARP_BAYES。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>39函数_meman_bayes。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>40 f_plot。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。41 f_to_srvf。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。42 GAM_TO_H。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。43 GAM_TO_V。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。43 Gauss_model。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。44 get_curve_centroid。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。45 get_distance_matrix。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。45 get_hilbert_sphere_distance。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。46 get_identity_warping。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。47 get_l2_distance。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。48 GET_L2_INNER_PRODUCT。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 48 get_l2_norm。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 49 get_shape_distance。 。 。 。48 GET_L2_INNER_PRODUCT。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。48 get_l2_norm。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。49 get_shape_distance。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。49
ExplainBattery：使用高效 LSTM 模型和可解释性功能增强电池容量估计
摘要 预测和健康管理 (PHM) 通过预测故障和采取预防措施对于确保机器可靠运行至关重要。在这种情况下，准确预测用于广泛应用的锂离子电池的容量至关重要，因为它们会随着时间的推移不可避免地退化。电池管理系统 (BMS) 在电池整个生命周期的健康状况监测和管理中发挥着关键作用。我们提出了一种新型的长短期记忆 (LSTM) 神经网络模型来预测锂离子电池容量。我们的模型旨在比最先进的模型更高效，特别是在可训练参数的数量方面，使其适合部署在 BMS 中常见的低资源设备上。利用 NASA 艾姆斯预测卓越中心提供的锂离子电池老化数据集，我们证明我们的 LSTM 模型可以提供准确可靠的容量预测。为了补充所提出的模型，本文介绍了 ExplainBattery，这是一个允许用户与我们高效的 LSTM 进行交互的 Web 应用程序。该工具使用户能够直观地了解不同电池的预测结果，并通过可解释的仪表板探索最具影响力的属性。ExplainBattery 增强了我们模型的可用性和透明度，为 PHM 和 BMS 环境中的进一步研究和实际应用提供了一个可访问的平台。
引用本文为：KaloğluHa，ÖztürkFincenGS，DileközE。性功能障碍（SD）和选择性5-羟色胺再摄取抑制剂（SSRIS）：摘自PROC
根据现有文献，我们回顾了SSRI（选择性5-羟色胺再摄取抑制剂）对性功能的原因，管理和潜在的治疗益处。（SSRI）是根据抑郁症治疗抑郁症的最常用药物，其有效性和安全性。由SSRI引起的性功能障碍（SD）是终止两种性别治疗的最重要原因之一。了解开发SD的患者的干预策略对于正确管理性副作用和患者的治疗依从性至关重要。SSRI对性功能的影响也可以用于治疗某些疾病。SSRI在过早射精的治疗方面具有很高的成功率，并且其为此目的的标签不使用。
人类序列特异性转录因子的位置依赖性功能
转录活性模式通过调节元素（例如启动子或增强子）在我们的基因组中编码，这些元素矛盾地含有相似的序列特异性转录因子（TF）结合位点1-3的类似分类。了解这些序列基序如何编码多个，通常重叠的基因表达程序对于理解基因调节以及非编码DNA中的突变如何在疾病4,5中表现出来至关重要。在这里，通过使用自然遗传变异，内源性TF蛋白水平的扰动以及对自然和合成调节元件的大量平行分析，从单个转录起始位点（TSS）的角度研究基因调节，我们显示TF结合对转录起始的影响取决于位置。分析与TSS相对于TSS的TF结合位点的发生，我们确定了具有高度优先定位的几个基序。我们表明，这些模式是TF独特的功能曲线的组合 - 许多TF，包括诸如NRF1，NFY和SP1之类的规范激活剂，激活或抑制转录启动，这取决于其相对于TSS的精确位置。因此，TFS及其间距共同指导转录启动的位点和频率。更广泛地，这些发现揭示了TF结合位点的类似分类如何根据其空间构型产生不同的基因调节结果，以及DNA序列多态性如何促进转录变异和疾病，并强调TSS在解码我们基因组的调节性信息中的关键作用。
回顾 mTOR 抑制剂作用下的自噬细胞保护和细胞毒性功能
哺乳动物雷帕霉素靶标 (mTOR) 抑制剂依维莫司、替西罗莫司和雷帕霉素具有广泛的临床应用；然而，与其他化疗药物一样，耐药性的产生限制了它们的有效性。一种假定的耐药机制是促进自噬，这是抑制 mTOR 信号通路的直接结果。自噬主要被认为是一种细胞保护性生存机制，通过该机制，细胞质成分被回收利用以产生能量和代谢中间体。依维莫司和替西罗莫司诱导的自噬似乎发挥了很大的保护作用，而雷帕霉素似乎以细胞毒性作用为主。在这篇综述中，我们概述了不同肿瘤模型中响应 mTOR 抑制剂而诱导的自噬，以确定自噬靶向是否可以作为与 mTOR 抑制相关的辅助疗法具有临床应用。
自身免疫性功能治疗的顺序免疫疗法
1) Systemic lupus erythematosus from meta-analysis of FinnGen, UKBB, Estonia Biobank, and public GWAS (PMID: 28714469) 2) Psoriasis from meta-analysis of FinnGen, UKBB, Estonia Biobank, and public GWAS (PMID: 23143594) 3) Ulcerative colitis from meta-analysis of Finngen，UKBB，Estonia Biobank和Public GWAS（PMID：26192919）
的基于EGFR突变的非... 患者的方案 阻止由γδTreg细胞诱导的树突状细胞的衰老和耐受性功能增强了癌症免疫疗法的肿瘤特异性免疫力 甘肠蛋白作为免疫检查点受体的可溶性配体吗？ 靶向PARG通过减少卵巢癌的磷酸化STAT3诱导肿瘤细胞生长抑制和抗肿瘤免疫反应 代谢组学与PD-1抑制剂加的关联... 通过ZAP70信号通路的细胞免疫 LAMP3+树突状细胞与T 之间的相互作用 特定的IFNβ递送克服了功能失调的DSRNA pdf RCAD-LTH-SHPD-L1，一种具有增强抗肿瘤免疫力的双基因重组癌腺病毒，可增加淋巴细胞浸润并重塑肿瘤微环境 液体活检，我们准备好迎接黄金时段了吗？ 双特异性免疫细胞参与者在体外增强了CD16+ NK细胞和巨噬细胞的抗癌活性，并消除了NK人源化NOG小鼠的癌症转移 17型免疫力促进了癌症中CD8+ T细胞的精疲力尽 免疫肿瘤学中的计算科学 pd- 1通过IFN-γ-stat1- irf1- lpcat3 通过IFN-γ- 靶向滑膜肉瘤中的癌睾丸抗原 SGN-B7H4V，一种针对免疫检查点配体B7-H4的研究性Vedotin ADC，在临床前模型中显示出有希望的活性 e005921.full.pdf 流血淋巴结
摘要在EGFR-酪氨酸激酶抑制剂（TKI）失败之后，基于免疫疗法的方案在表皮生长因子受体（EGFR）中的持续益处是突变的非小细胞肺癌（NSCLC）。Checkmate-722和Keynote-789均未达到预先指定的临床益处统计水平，但是Orient-31和ATTLAS试验表明，将VEGF抑制剂添加到免疫疗法加化学疗法中可以显着延长生存率。然而，缺乏该患者人群中免疫疗法以及化学疗法与化学疗法的免疫疗法的疗效与化学疗法的疗效的正面比较。此外，谁将从基于免疫疗法的方案中受益的关键问题尚不清楚。我们使用化学疗法作为常见比较者进行了间接比较荟萃分析，以对两种基于免疫疗法的方案的相对疗效进行分类。间接比较表明，与免疫疗法加化学疗法相比，免疫疗法和贝伐单抗加化学疗法的无进展生存期（PFS）明显好得多（HR IO+BEV+BEV+Chemo/IO+Chemo = 0.71，95％CI 0.55至0.91）。发现EGFR突变类型和T790M突变与基于免疫疗法的PFS显着相关。与对应物相比，L858R（HR 0.52，95％CI 0.37至0.72）患者没有T790M突变（HR 0.50，95％CI 0.35至0.71）往往会使来自免疫疗法的治疗方案受益更多。总而言之，我们的发现支持，将VEGF抑制剂添加到免疫疗法和化学疗法中可能是抗TKI耐TKI，EGFR氧化EGFR氧化NSCLC的首选选择，并且可以将L858R突变和T790M负面性鉴定为基于免疫疗法的效率相关因素。
将不可思议的山谷重新考虑为中调线性功能
人造实体之间的人类相似性和美学偏好之间的关系被认为是由n形的立方“不可思议的山谷”功能建模的，该功能受到概念上的批评和缺乏pars症的影响。这里有人认为，不符合性效应可能是由通过感知专业化调节的偏差的线性函数来建模的。在一个实验中比较了两种模型，该实验具有五种逐渐变形的面部类型（卡通，CG，绘图，真实，机器人）。对直立和倒立面孔的识别表现被用作专业措施。专业化显着调节失真对不符合性的线性效应，并且可以比传统的不可思议的山谷更好地解释数据。因此，不可思议的山谷可以更好地理解为专业化敏感的线性函数的调节函数。这个更简单，更准确的模型与神经认知理论兼容，可以解释传统不可思议的山谷以外的不隔离效应。
阻止由γδTreg细胞诱导的树突状细胞的衰老和耐受性功能增强了癌症免疫疗法的肿瘤特异性免疫力
抽象几乎没有比免疫检查点受体及其配体在免疫肿瘤学中更广泛地研究任何分子。然而，通过在实验模型和临床环境中进行激烈的研究，不断发现其他免疫逃避机制和免疫抑制途径。这些包括甲状腺素，这是一个可溶性聚糖结合蛋白的家族，它们通过重新编程淋巴样和髓样细胞的命运和功能来塑造抗肿瘤免疫反应的性质和大小。细胞外，它们与多种糖基化受体相互作用，调节其细胞表面保留，内吞作用，分离和信号传导。值得注意的是，越来越多的证据表明，甲状腺蛋白可以与免疫检查点受体结合，包括T细胞免疫球蛋白结构域和粘蛋白结构域-3（TIM-3），程序性死亡-1（PD-1），淋巴细胞激活基因3（lag-3），lag-3），lag-3），lag-3），细胞毒性tlymphocip and Lymphocipy and anty-eatimphocipy（ctigignen-4） Ig样受体亚家族B3（LILRB3）和B4（LILRB4）有利于它们的信号传导活性和抑制功能。但是，需要更多的工作来剖定这些作用的确切机制，尤其是半乳糖素和规范免疫检查点配体之间的相互作用，以及这些相互作用的生化性质和聚糖结合依赖性。对“ Galectin-rmmune检查点”中心的更好理解将有助于设计新型的免疫治疗方式，旨在在广泛的癌症环境中靶向Galectin驱动的电路。
GABA能中的内神经多样性和组织对于脑器官中人类特异性功能神经网络至关重要
这项迷你综述调查了GABA能中间神经元对人诱导的多能干细胞（HIPSC）衍生的脑类器官的网络功能的重要性。提出的证据表明，GABA能中间神经元的丰度，多样性和三维皮质组织是负责创建同步神经元模式的主要要素。没有复杂的抑制作用，耦合的振荡模式无法达到足够的复杂性来传递构成生理网络功能的时空信息。此外，人类特异性的大脑网络功能似乎是由一个更复杂和相互连接的抑制结构介导的，与啮齿动物相比，这种抑制结构在更长的时间内保持发育能力。这表明啮齿动物模型无法捕获人脑网络的几种特征，这强调了需要在体外充分模仿生理人脑功能的类器官等模型系统。