解释机器学习的决策过程如今对模型的增强和人类的理解至关重要。这可以通过评估罪恶变量的可变重要性来实现,即使对于高容量的非线性方法,例如深神经网络(DNNS)。虽然只有基于删除的方法(例如置换重要性(PI))可以带来统计有效性,但当变量相关时,它们会返回误导性结果。条件置换重要性(CPI)在这种情况下绕过PI的局限性。然而,在高维设置中,变量之间的高相关性取消了其有条件的重要性,使用CPI以及其他方法会导致不可靠的结果,这是一个超出的计算成本。通过聚类或一些先验知识对变量进行分组,从而获得了一些功率,并导致更好的解释。在这项工作中,我们介绍了BCPI(基于块的条件置换重要性),这是一个新的通用框架,用于可变知名度计算,并具有统计保证,可处理单个和组案例。此外,由于处理具有较高基数的组(例如一组给定模式的观察结果)既耗时又是资源密集型的,因此我们还引入了一种新的堆叠方法,扩展了具有适合组结构的次级线性层的DNN体系结构。我们表明,随后的方法随着堆叠的控制而扩展了I型误差,即使是高度相关的组,并且在基准中显示了最高的精度。更重要的是,我们在大规模的医学数据集中执行了现实世界数据分析,我们旨在展示我们的结果和生物标志物预测的文献之间的一致性。
抽象背景是由于衰老及其与认知功能的相关性而导致的皮质可塑性和胆碱能系统功能的神经生理学差异仍然很差。旨在揭示长期增强(LTP)的差异(LTP)样性的可塑性和老年人和年轻人之间的短期传入抑制(SAI),以及使用经颅磁刺激(TMS)与认知功能的相关性。方法横断面研究涉及31名年龄在18-30岁和46岁的年轻人60-80岁的年轻人。所有参与者均接受了基于TMS的全面认知评估和神经生理评估。认知功能评估包括对全球认知功能,语言,记忆和执行功能的评估。神经生理评估包括LTP样可塑性和SAI。结果这项研究的结果表明,与年轻人相比,老年人的LTP下降(Waldχ2= 3.98,p = 0.046)。亚组分析进一步表明,与两个年轻人相比,年龄在70-80岁的个体中SAI水平显着降低(SAI(N20):( t = -3.37,p = 0.018); SAI(N20+4); SAI(N20+4):( T = -3.13,P = 0.038)和那些年龄的60-70(n20-70(n20)(t = sai) p = 0.025);相反,在60-70岁的年轻群体之间,SAI水平没有明显的差异。此外,在采用Bonferroni校正后,相关分析表明,年轻组中只有LTP样塑性与语言功能(r = 0.61,p <0.001)之间的正相关性具有统计学意义。在正常衰老过程中的结论,突触可塑性的下降可能是胆碱能系统功能障碍之前的。在60岁以上的个体中,LTP样可塑性降低,而胆碱能系统功能的下降在70岁以上。因此,胆碱能系统在预防正常衰老期间的认知能力下降方面可能起着至关重要的作用。在年轻人中,LTP样可塑性可能代表了语言功能的潜在神经生理标记。
全基因组重复是一种常见的宏观刺激,对基因表达,细胞功能和全生物体表型产生了广泛影响。因此,已经提出多倍体具有“通用”基因型,在压力条件下,其性能优于其二倍体祖细胞。在这里,我们在原子性污染物提出的应力背景下检验了这一假设。具体而言,我们测试了大多数无性无性繁殖大鸭(Spirodela polyrhiza)在有利的控制环境和5种城市污染物(铁,盐,盐,曼甘酯,铜和铝制)上的多种新二倍体遗传谱系。通过量化多代人的无性再现鸭质的人口增长率,我们发现,在大多数污染物中,但不是全部,多倍体降低了主动生长繁殖的增长率,但增加了繁殖物的繁殖体。然而,在考虑总繁殖体产生时,多倍体增加了对大多数污染物的耐受性,并且多倍体比二倍体更好地维持跨污染物的种群水平适应性。此外,污染物之间生长速率的宽势遗传相关性在新多倍体中都是阳性的,但对于二倍体而言并非如此。我们的结果提供了一种罕见的测试和支持,即多倍体对压力条件的耐受性更大,并且可以比跨杂种应力更好地保持适应性。这些结果可能有助于预测多倍体可能会在压力的环境中持续存在,例如由城市化和其他人类活动引起的。
(未通过同行评审认证)是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2024年1月21日发布。 https://doi.org/10.1101/2023.05.08.539799 doi:Biorxiv Preprint
2017。自动驾驶安全性:跨学科挑战。IEEE智能运输系统杂志。 Koopman和Wagner。 2019。 为什么深度学习AI如此容易愚弄。 自然。 D.天堂。 2020。 可在物理上可实现的对抗性示例,用于雷达对象检测。 在IEEE/CVF计算机视觉和模式识别会议的会议记录中。 tu等。 2020。 自动驾驶的深度多模式对象检测和语义分割:数据集,方法和挑战。 IEEE交易智能运输系统。 冯等。 2022。 可解释的深度学习:初学的现场指南。 人工智能研究杂志。 Ras等。 2022。 自动驾驶标准和开放挑战。 P. Koopman。 2023。 密集的强化学习,用于对自动驾驶汽车的安全验证。 自然。 冯等。IEEE智能运输系统杂志。Koopman和Wagner。 2019。 为什么深度学习AI如此容易愚弄。 自然。 D.天堂。 2020。 可在物理上可实现的对抗性示例,用于雷达对象检测。 在IEEE/CVF计算机视觉和模式识别会议的会议记录中。 tu等。 2020。 自动驾驶的深度多模式对象检测和语义分割:数据集,方法和挑战。 IEEE交易智能运输系统。 冯等。 2022。 可解释的深度学习:初学的现场指南。 人工智能研究杂志。 Ras等。 2022。 自动驾驶标准和开放挑战。 P. Koopman。 2023。 密集的强化学习,用于对自动驾驶汽车的安全验证。 自然。 冯等。Koopman和Wagner。2019。为什么深度学习AI如此容易愚弄。自然。D.天堂。2020。可在物理上可实现的对抗性示例,用于雷达对象检测。在IEEE/CVF计算机视觉和模式识别会议的会议记录中。tu等。2020。自动驾驶的深度多模式对象检测和语义分割:数据集,方法和挑战。IEEE交易智能运输系统。冯等。2022。可解释的深度学习:初学的现场指南。人工智能研究杂志。Ras等。 2022。 自动驾驶标准和开放挑战。 P. Koopman。 2023。 密集的强化学习,用于对自动驾驶汽车的安全验证。 自然。 冯等。Ras等。2022。自动驾驶标准和开放挑战。P. Koopman。2023。密集的强化学习,用于对自动驾驶汽车的安全验证。自然。冯等。
(未通过同行评审认证)是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2024年1月2日发布。 https://doi.org/10.1101/2024.01.02.573934 doi:biorxiv Preprint
一旦发电厂运行,风力和太阳能的高变异性就会构成额外的挑战。因此,风能和太阳能生产预测在使日常操作方案适应实际天气条件方面起着至关重要的作用,从而导致风和PV性能提高。Reuniwatt解释了针对风能和太阳能生产的最新的短期预测技术,以及如何将这些预测与能源管理系统(EMS)(EMS)的负载预测相匹配,并结合使用。最后,我们在白皮书的最后一部分中回答了一系列常见问题(FAQ),以基于网络研讨会的“可再生混合能源解决方案:脱碳地雷,成本降低和能源安全性”提供了有关矿山脱碳化的一些问题的答案。
巨噬细胞代表了肿瘤微环境(TME)的关键组成部分,并且主要与预后不良有关。宏观靶向的治疗靶向历史上一直集中在抑制其募集或重编程其表型从病(类似于M2)到抗肿瘤(M1类)。不幸的是,这种方法尚未提供改变实践的临床突破。利用单细胞RNA测序(SCRNA-SEQ)和空间转录组学的新兴研究提高了我们对巨噬细胞的本体发育,表型和功能可塑性的理解。覆盖有关巨噬细胞分子亚型和功能的当前信息的财富,还鉴定出了新型的治疗脆弱性,这些脆弱性可能可以更好地控制肿瘤相关的巨噬细胞(TAMS)。在这里,我们讨论了巨噬细胞的功能性培养,并提供了新型巨噬细胞靶向疗法的更新。
摘要:在响应全球环境挑战时,发达国家开始了各个部门的生态过渡。其中,建筑行业由于广泛使用原材料和能源而发挥了关键作用。尤其是,对可持续建筑材料的研究(此处名为Eco-Materials)近年来有所提高,因为它们有可能取代诸如混凝土和钢铁等环保材料较低的材料。本文提出了一种基于可持续性考虑因素的一组候选结构生态材料中的大规模群体决策方法。拟议的方法是基于一种新的定量SWOT分析,使用来自各种专家组的调查数据,不仅考虑了材料的技术方面,而且还考虑了它们在联合国可持续发展目标的背景下的影响。因此,考虑到调查数据中的可变性和不确定性,对一系列生态物质进行了概率评估和排名。这项研究的结果证明了基于可持续性标准对生态物质选择的提议方法的适用性,但也为考虑到调查数据中的不确定性提供了一种新的通用方法,用于小组决策评估,这可以扩展到多个应用程序。
摘要 背景 阿尔茨海默病 (AD) 是导致痴呆的主要原因。目前,尚无有效的 AD 疾病改良治疗方法。孟德尔随机化 (MR) 已被广泛用于重新利用已许可药物和发现新的治疗靶点。因此,我们旨在确定 AD 的新治疗靶点并分析其病理生理机制和潜在副作用。 方法 进行整合已鉴定的可用药基因的双样本 MR,以估计血液和大脑可用药表达数量性状位点 (eQTL) 对 AD 的因果影响。使用不同的血液和大脑 eQTL 数据源进行重复研究以验证已鉴定的基因。使用具有可用全基因组关联研究数据的 AD 标记,我们评估了已建立的 AD 标记之间的因果关系以探索可能的机制。最后,使用全表型 MR 评估了可用药基因对 AD 治疗的潜在副作用。 结果 总体而言,聚合了 5883 个独特的可用药基因;在至少一个数据集(大脑或血液)中鉴定了 33 个独特的潜在 AD 用药基因,并在不同的数据集中验证了 5 个基因。其中,三个先前的用药基因(环氧化物水解酶 2 (EPHX2)、SERPINB1 和 SIGLEC11)在血液和脑组织中均达到显着水平。EPHX2 可能通过影响整个海马体积来介导 AD 的发病机制。进一步的表型范围 MR 分析显示针对 EPHX2、SERPINB1 或 SIGLEC11 的治疗没有潜在副作用。结论这项研究提供了支持针对这三个可用药基因治疗 AD 的潜在治疗益处的遗传证据,这将有助于优先考虑 AD 药物开发。