致谢:我们感谢研究参与者,他们的家人和护理人员,参加研究的研究人员和现场人员,以及VIIV Healthcare和GSK研究团队成员。我们还要感谢David Dorey,Fangfang Du和A. Yin Edwards的贡献。编辑援助和图形设计支持,并由VIIV Healthcare资助。
。CC-BY-NC-ND 4.0 国际许可证(未经同行评审认证)是作者/资助者,他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2024 年 11 月 4 日发布。;https://doi.org/10.1101/2024.11.03.621728 doi:bioRxiv 预印本
摘要。Xiaohongshu平台是一个最近开发的强大在线媒体平台。其使用算法推动信息的主要方法鼓励形成信息茧的形成。基于选择性暴露和回声室的类似研究,本研究开发了信息的暴露和接受机理。使用该平台的年轻用户作为代表,该研究旨在使用新的信息茧易感量表来测试用户的敏感性。量表分为六个维度,包括信息内容,信息渠道,信息态度稳定,信息干预,社交网络和算法素养。通过恢复和分析问卷,这项研究发现,中国年轻用户对小苏平台的敏感性通常很重要。特定的表现可能包括接触信息含量均质的信息内容,缺乏信息渠道的多样性,倾向于受到信息和与固定群体的长期沟通的影响以及个人算法较低的素养。结果可能表明,小熊用户对信息茧的抵抗力较低,并且受到它的影响。
• 新兴临床和临床前机制数据表明,与肺癌相比,KRAS 突变型结直肠癌 (CRC) 对突变型选择性 KRAS 抑制剂的敏感性较低。 • 这种差异归因于 CRC 中更高的基底受体酪氨酸激酶 (RTK) 活性和频繁的致癌基因共突变。 • 泛 RAS 抑制剂(例如 RMC-6236)也在 CRC 中进行临床研究,但目前尚不清楚它们的疗效是否会受到类似谱系特异性因素的限制,因为泛 RAS 抑制应能阻止通过野生型 RAS 的信号传导重新激活。 • 我们之前已经表明,法呢基转移酶抑制剂 (FTI) 通过阻断 RHEB 对 mTOR 的激活,使肿瘤对靶向药物(例如 PI3Kα 和突变型选择性 KRAS 抑制剂)敏感。 • 我们假设 RTK 介导的 PI3K-AKT-mTOR 信号传导的重新激活仍然是 CRC 中泛 RAS 抑制剂的负担,并且 FTI KO-2806 将通过减弱这种适应性反应来增强 RMC-6236 在 RAS 抑制剂初治和预处理环境中的活性。
预印本(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。此版本的版权持有人于2024年10月11日发布。 https://doi.org/10.1101/2024.10.08.615667 doi:Biorxiv Preprint
尼日利亚扎里亚 SHIKA 艾哈迈杜贝洛大学教学医院患者伤口相关细菌的分离、鉴定和抗生素敏感性模式* Abdullahi B. 和 Lawal FB 尼日利亚扎里亚艾哈迈杜贝洛大学微生物学系 *通讯作者 电子邮箱:albishir13@gmail.com 电话:+2348054527359 摘要 伤口感染会影响生活质量,并降低伤口愈合率。本研究旨在从伤口中分离细菌并确定其抗生素敏感性模式。共采集了尼日利亚扎里亚艾哈迈杜贝洛大学教学医院伤口患者的 100 份伤口拭子样本。对样本进行培养,并使用生化测试鉴定所得分离物。使用琼脂纸片扩散法对鉴定出的细菌进行抗生素敏感性试验。在收集的 100 个伤口样本中,有 43 个感染了细菌;导致细菌性伤口感染的总患病率为 43%。在 43 种分离的细菌中,58.1% 为金黄色葡萄球菌,18.6% 为克雷伯氏菌属,而 23.3% 被鉴定为假单胞菌属。女性患者细菌性伤口感染的患病率(47.3%)高于男性患者(37.8%)。21-40 岁年龄组的感染患病率最高(48.3%),10-20 岁年龄组的感染患病率最低(33.3%)。所有风险因素均与感染无显著相关性(p>0.05)。所有分离株对氧氟沙星均 100% 敏感。所有分离株对青霉素均 100% 耐药。所有假单胞菌属均为 100% MDR。金黄色葡萄球菌是最常见的细菌,氧氟沙星是治疗伤口感染的首选药物。关键词:伤口;细菌感染;抗生素敏感性;MDR 简介伤口是皮肤破裂并因皮肤完整性丧失而暴露的皮下组织,为微生物的定植和增殖提供了潮湿、温暖和有利的环境(Esebelahie 等人,2013 年)。皮肤容易受到伤害、划伤并与外界环境接触,因此更容易受到病原体的定植(Simões 等人,2018 年)。由于伤口定植最常见的是多种微生物,涉及可能致病的不同微生物,因此任何伤口都存在感染的风险(Simões 等人,2014 年)。患者所呈现的伤口因情况而异,包括急性手术伤口、意外事故后发生的创伤性伤口、烧伤伤口或慢性伤口,如糖尿病足、腿和压疮。所有伤口都受到微生物的污染,这些微生物是皮肤腐生菌群的一部分,这些微生物的类型和数量因伤口而异(Cooper 和 Lawrence,1996 年)。
目标:我们旨在探索医疗保健学生的间歇性敏感性概况及其与您的关系,以开发有效的教育方法,以促进非歧视性患者护理。方法:我们进行了一项横断面问卷研究,涉及匈牙利的508国际(n = 100)和Lo-cal(n = 408)的医疗保健学生,可通过便利抽样。调查包括人口统计学,界面灵敏度量表和人际反应性。我们应用潜在概况分析以识别不同的灵敏度概况并使用多项式逻辑回归来估计几个背景变量在概况组成员身份上的预测能力。结果:出现了一个四核解:“跨文化上的范围”(n = 241),“跨文化不确定”(n = 76),“跨文化敏感”(n = 132)和“跨文化上拒绝”(n = 54)。模型(R 2 = 0.123; P = 0.001)表明,PSY-CHOLICY MADIO倾向于预测“不确定”组
人类微生物组包括居住在身体不同部位的微生物的复杂生态系统,在维持健康和决定疾病脆弱性方面起着非常重要的作用。根据微生物组的连续生成数据,对疾病风险预测的使用正在发展。机器学习提供了一种非常强大的方法,因为它具有处理复杂和高维数据的能力。在这篇研究文章中,作者通过微生物组概况概述了随机森林,支持向量机和神经网络机器学习模型的效率。本综述提供了对最近在过去发布的各种研究的全面概述,这些研究将这些机器学习技术用于微生物组数据分析。它进一步评估了每个模型捕获微生物组的内在复杂性和可变性的程度,这是准确预测疾病的关键。此外,这篇评论强调了功能选择和数据预处理在增强机器学习模型的性能中的重要性。通过选择最相关的功能并正确预处数据,可以训练更好的模型,从而做出更好的预测。我们的结果为机器学习模型提供了预测对传染病的敏感性的巨大潜力,同时表明确实有进一步改善的潜力。多组分数据集成应增加预测能力 - 将微生物组数据与其他类型的生物学信息结合起来。模型可解释性对于增强临床医生对词典的理解和信任至关重要,这对于将这些工具成功整合到真正的个人医疗保健方面至关重要。
1 Aragon Research(IIS Aragon),50009 Zaragoza,西班牙;图片。 Mariasopipila@gmail。 M.A.-Á ); A.B.-M。); M.D.-B.-B.-B。 ); A.-C.-C。 Valencia,6015 Valencia, Zaragoza,50000, pilipa@unitzar.s(i.p.)1 Aragon Research(IIS Aragon),50009 Zaragoza,西班牙;图片。 Mariasopipila@gmail。 M.A.-Á); A.B.-M。); M.D.-B.-B.-B。); A.-C.-C。 Valencia,6015 Valencia, Zaragoza,50000, pilipa@unitzar.s(i.p.)