XiaoMi-AI文件搜索系统
World File Search System推断
目标试验模拟以改进从观察数据进行因果推断：是什么、为什么以及如何？
从索赔数据库、登记处和电子健康记录中定期收集的医疗保健数据越来越多地用于回答有关医疗治疗利弊的因果问题。质量足够高的观察性研究可以补充随机试验的结果。例如，观察性研究可以评估临床试验中代表性不足的人群，对干预措施进行头对头比较（而不是与安慰剂进行比较），并调查其他感兴趣的结果。1 不幸的是，许多观察性研究使用有缺陷的设计和分析，引入了可避免的偏见，例如永恒时间偏见。2、3 尽管许多从业者担心观察性研究中的混杂因素，但这些“自我影响”偏见的影响往往要严重得多。4、5
CORNN：循环神经网络的凸优化，用于快速推断神经动力学
光学和电生理记录技术的进步使得记录数千个神经元的动态成为可能，为解释和控制行为动物的大量神经元开辟了新的可能性。从这些大型数据集中提取计算原理的一种有前途的方法是训练数据约束的循环神经网络 (dRNN)。实时进行此类训练可以为研究技术和医学应用打开大门，以在单细胞分辨率下建模和控制干预措施并驱动所需的动物行为形式。然而，现有的 dRNN 训练算法效率低下且可扩展性有限，使得即使在离线场景下分析大量神经记录也具有挑战性。为了解决这些问题，我们引入了一种称为循环神经网络凸优化 (CORNN) 1 的训练方法。在模拟记录研究中，CORNN 的训练速度比传统优化方法快 100 倍左右，同时保持或提高了建模准确性。我们进一步在数千个执行简单计算（例如 3 位触发器或定时响应的执行）的单元模拟中验证了 CORNN。最后，我们表明，尽管生成器和推理模型之间存在不匹配、观察到的神经元严重子采样或神经时间尺度不匹配，CORNN 仍可以稳健地重现网络动态和底层吸引子结构。总体而言，通过在标准计算机上以亚分钟级处理时间训练具有数百万个参数的 dRNN，CORNN 迈出了实时网络重现的第一步，该网络重现受限于大规模神经记录，并且是促进神经计算理解的强大计算工具。
在具有目标捕获数据的植物中导航系统发育冲突和进化推断
1 Systematik，Biodovervortät和Evolution der Pflanzen，Ludwig-Maximilians-Universitätmünchen，Menzinger Str。67, 80638 Munich, Germany 2 Centre for Australian National Biodiversity Research (a joint venture of Parks Australia and CSIRO), Clunies Ross Street, Canberra ACT 2601, Australia 3 School of BioSciences, The University of Melbourne, Parkville, Victoria 3010, Australia 4 National Herbarium of New South Wales, Botanic Gardens of Sydney, Locked Bag 6002, Mount Annan,新南威尔士州2567，澳大利亚5号西澳大利亚州植物标本室，生物多样性，保护和景点系，锁定袋104，宾利送货中心，宾利，西澳大利亚州宾利6983，澳大利亚6澳大利亚6983年6983年6983年6983年6983年6983年，阿德莱拉德大学，阿德拉德大学，南澳大利亚州阿德拉德大学，南澳大利亚南澳大利亚州5005 7 National Biovipty DNA图书馆，澳大利亚州3010，公园3010101010101011维多利亚，墨尔本，维多利亚州3004，澳大利亚 *通讯作者：e.joyce@lmu.de
半导体分布的弹性供应链框架和需求风险推断的实证研究
通过基因组挖掘和合成生物学对新型代谢机制的分析和重建，以及通过结构修饰，修饰和优化的新结构的小分子药物的开发可以为突破分子靶向药物的开发而破坏瓶颈。靶向具有重要活性，独特结构或/和广泛临床应用的天然药物分子家族，揭示体内生物转化并分析分子机制可以进一步促进天然产物的发展。近年来，一些技术和科学发展，包括改进分析工具，基因组挖掘和工程策略以及微生物文化的进步，为自然产品相关研究注入了新的机会。在这里，我们旨在汇编创新的原始研究和审查文章，以阐明代谢转换，潜在靶标，天然产物的分子机制及其与人类代谢的关联。
使用合成 RNA 作为 RNA 直接测序中 poly(A) 长度推断的基准
多聚腺苷酸化是一个动态过程，在细胞生理学中非常重要。Oxford Nanopore Technologies 的直接 RNA 测序提供了一种对全长 RNA 分子进行测序以及对转录组和表观转录组进行分析的策略。目前有几种可用于 poly(A) 尾长估计的工具，包括 tailfindr 和 nanopolish 等成熟工具，以及两种较新的深度学习模型：Dorado 和 BoostNano。然而，这些工具的准确性与金标准数据集的基准测试有限。在本文中，我们使用合成 RNA 标准（Sequins）评估了四种 poly(A) 估计工具，这些标准具有已知的 poly(A) 尾长，并提供了一种衡量 poly(A) 尾长估计准确性的有效方法。所有四种工具生成的平均尾长估计值都在正确值的 12% 以内。总体而言，由于 Dorado 运行时间相对较快、变异系数低并且易于使用且可与碱基调用集成，因此被推荐作为首选方法。
使用磁共振成像和岭回归推断区域神经解剖学对大脑年龄的影响
大脑的生物年龄与其实际年龄 ( CA ) 不同，可用作神经/认知疾病过程的生物标志物和死亡率的预测指标。大脑年龄 ( BA ) 通常使用机器学习 (ML) 从磁共振图像 (MRI) 中估算出来，而这种机器学习很少能表明大脑区域特征对 BA 的贡献。利用 3 418 名健康对照 (HC) 的总体训练样本，我们描述了一个岭回归模型，该模型量化了每个区域对 BA 的贡献。在对 651 名 HC 的独立样本进行模型测试后，我们计算每个区域脑容量的偏决定系数 ¯ R 2 p 以量化其对 BA 的贡献。还使用实际年龄和生物年龄之间的相关性 r、BA 估计值的平均绝对误差 ( MAE ) 和均方误差 ( MSE ) 来评估模型性能。在训练数据上，r = 0.92 ，MSE = 70.94 年，MAE = 6.57 年，且¯ R 2 = 0.81 ；在测试数据上，r = 0.90 ，MSE = 81.96 年，MAE = 7.00 年，且¯ R 2 = 0.79 。体积对 BA 贡献最大的区域是伏隔核（¯ R 2 p = 7.27 %）、颞下回（¯ R 2 p = 4.03 %）、丘脑（¯ R 2 p = 3.61 %）、脑干（¯ R 2 p = 3.29 %）、后外侧沟（¯ R 2 p = 3.22 %）、尾状核（¯ R 2 p = 3.05 %）、眶回（¯ R 2 p = 2.96 %）和中央前回（¯ R 2 p = 2.80 %）。尽管我们的岭回归表现不及最先进的 ML 方法，但它确定了每个大脑结构对整体 BA 的重要性和相对贡献。除了可解释性和准机械见解之外，我们的模型还可用于验证未来 BA 估计的 ML 方法。
使用基于元学习的深度学习模型推断麻醉状态下的大脑状态
摘要 — 监测麻醉期间的意识深度对于临床环境和神经科学研究都有助于了解大脑机制。脑电图 (EEG) 已被用作实时表征麻醉剂引起的大脑改变的唤醒和/或认知状态的客观手段。不同的全身麻醉剂以不同的方式影响脑电活动。然而，由于 EEG 信号的信噪比 (SNR) 低，尤其是在办公室麻醉 EEG 环境中，传统机器学习模型在 EEG 数据上的表现并不令人满意。深度学习模型因其良好的泛化和处理噪声的能力而被广泛应用于脑机接口 (BCI) 领域以执行分类和模式识别任务。与其他深度学习已显示出令人鼓舞的结果的 BCI 应用相比，用于对麻醉下不同大脑意识状态进行分类的深度学习方法的研究要少得多。在本文中，我们提出了一种基于元学习的新框架，使用深度神经网络对麻醉状态下的大脑状态进行分类，即 Anes-MetaNet。Anes-MetaNet 由卷积神经网络 (CNN) 组成，用于提取功率谱特征，基于长短期记忆 (LSTM) 网络的时间后果模型用于捕获时间依赖性，以及元学习框架用于处理跨主体的大量差异。我们使用多阶段训练范例来提高性能，这可以通过可视化高级特征映射来证明。通过与现有方法进行比较，在办公室麻醉脑电图数据集上进行的实验证明了我们提出的 Anes-MetaNet 的有效性。
考虑到多种生物多样性模式的时间变化，改善了元社区过程的推断
元社区生态学在于局部共处的界面，该界面是由物种特征和相互作用以及栖息地异质性和疾病等空间过程产生的。因此，元社区生态学提供了一个强大的框架，可以从中了解物种的组成，多样性和丰富性以及它们在时空的变化（Leibold＆Chase，2017; Thompson等，2020）。虽然元社会理论蓬勃发展，但经验工作却滞后。最值得注意的是，在文献中强调了两个替代过程的经验测试。首先，物种相互作用和环境过滤主导了“基于利基市场的”思维（例如，Chase＆Leibold，2003; Tilman，1982），例如，如果物种组成的模式与景观的环境变化很好地匹配，则基于利基市场的过程的可能性更大。第二，随机性和分散限制的各个方面与“基于中性”的观点更相关（例如Hubbell，2001; O'Dwyer＆Cornell，2018年）。元社区生态学中的大量经验工作重点是使用物种多样性和组成模式的统计分析来识别
考虑到多种生物多样性模式的时间变化，改善了元社区过程的推断
元社区生态学在于局部共处的界面，该界面是由物种特征和相互作用以及栖息地异质性和疾病等空间过程产生的。因此，元社区生态学提供了一个强大的框架，可以从中了解物种的组成，多样性和丰富性以及它们在时空的变化（Leibold＆Chase，2017; Thompson等，2020）。虽然元社会理论蓬勃发展，但经验工作却滞后。最值得注意的是，在文献中强调了两个替代过程的经验测试。首先，物种相互作用和环境过滤主导了“基于利基市场的”思维（例如，Chase＆Leibold，2003; Tilman，1982），例如，如果物种组成的模式与景观的环境变化很好地匹配，则基于利基市场的过程的可能性更大。第二，随机性和分散限制的各个方面与“基于中性”的观点更相关（例如Hubbell，2001; O'Dwyer＆Cornell，2018年）。元社区生态学中的大量经验工作重点是使用物种多样性和组成模式的统计分析来识别
通过推断转录组学从组织病理学图像预测癌症治疗反应
11 美国科罗拉多州奥罗拉市科罗拉多大学安舒茨医学院肿瘤内科 12 美国马里兰州贝塞斯达市国家癌症研究所癌症研究中心胸部和胃肠道恶性肿瘤分部。13 美国马里兰州贝塞斯达市国家癌症研究所癌症研究中心免疫肿瘤学中心。14 美国马里兰州贝塞斯达市国家癌症研究所癌症研究中心外科肿瘤学项目。15 美国马里兰州贝塞斯达市国家癌症研究所癌症研究中心泌尿生殖系统癌症发病机制实验室 16 美国马里兰州贝塞斯达市国家癌症研究所癌症研究中心泌尿生殖系统恶性肿瘤分部。* 通讯作者：danhtai.hoang@anu.edu.au (DTH)、eric.stone@anu.edu.au (EAS) 和 eytan.ruppin@nih.gov (ER)