XiaoMi-AI文件搜索系统
World File Search System放大率
项目材料在线说明
1. 项目介绍必须是单个 PDF 文档，且页数不得超过 12 页。 2. 使用的页面尺寸不得大于美国标准 8½”X11” 或欧洲标准 A4。 3. PDF 文档必须以默认放大率“适合页面”打开，以便同时可见整个页面。页面应以横向模式创建。 4. 您的 PDF 文档不得有动画或活动超链接，但可选的视频演示除外。文档不得有以“全屏模式”打开的说明。取消此模式会自动排除页面转换和嵌入的视频或动画，因此请勿尝试将这些内容包含在介绍中。（如果您需要移动某些内容以说明项目，则提交内容的其他地方提供了可选视频。） 5. 页面背景颜色必须是浅色，不影响可读性并符合所有显示和安全规则。 6. 文本颜色必须以深色为主以提高可读性。 7. 所有文本在一次查看整个页面时都应易于阅读。正文的最小允许字体大小为 14 pt，建议使用 18 pt 字体。例外：您可以使用较小的字体大小（低至 10 pt）来显示图片标题或照片来源。8. 所有项目展示元素都必须符合展示和安全规则，就像放置在实体海报上供评委和公众展示一样。
将非功能性clonotypes用作天然...
自适应免疫受体曲目的抽象高通量测序是接受自适应免疫研究见解的宝贵工具。在过去的十年中已经开发了几种强大的TCR/BCR曲目重构和分析方法。然而，检测和纠正真实和实验观察到的淋巴细胞克隆频率之间的差异仍然具有挑战性。在这里，我们发现了基于多重PCR的免疫依赖性中的非功能性clonotypes的读数计数和基于克隆计数的频率之间的标志性异常。计算此异常，我们制定了在库制备期间由多路复用PCR驱动的V-和J-Genes频率偏置的定量度量，称为过度放大率（OAR）。基于OAR概念，我们开发了一种原始软件，用于多重PCR特异性偏差评估和校正，名为IROAR：免疫曲目，而不是放大删除（https://github.com/ smiranast/iroloar）。在先前发表的使用5'种族（基于cDNA末端的快速扩增）和基于多重PCR的方法获得的先前发表的TCR依据（快速放大）方法，成功测试了IROAR算法，并与基于生物Spike-In的PCR偏置评估方法进行了比较。开发的方法可以提高通过不同方法重建的曲目的准确性和一致性，从而使它们更适用于比较分析。
基于局部图像深度学习的全局小胶质细胞增殖分类
神经组织中的小胶质细胞增殖（神经炎症）发生在感染、神经系统疾病、神经毒性和其他情况期间。在基础科学和临床研究中，小胶质细胞增殖的量化需要经过培训的专家进行大量的手动计数（细胞点击）（每个案例约 2 小时）。之前使该过程自动化的努力主要集中在基于立体学估计全局细胞数量，使用基于深度学习（DL）的高倍率分割免疫染色的小胶质细胞。为了进一步提高吞吐效率，我们提出了一种新方法，使用卷积神经网络（CNN）的快照集合，使用局部图像（即低倍（20 倍）放大率）进行训练，以预测全局级别的高或低小胶质细胞增殖。专家使用立体学来量化高倍率下的整体小胶质细胞数量，在动物（小鼠）级别应用高或低增殖的标签，然后将这个全局标签分配给每个 20 倍图像作为训练 CNN 预测全局增殖的基本事实。为了测试准确性，我们用每个类别中的六个小鼠大脑进行交叉验证，用于训练，再用每个类别中的一个进行测试。对集合的预测取平均值，并根据该大脑中大多数图像的预测类别为测试大脑分配标签。该集合在每例不到一分钟的时间内准确地对 14 个大脑中的 11 个（约 80%）进行了增殖分类，无需在高倍放大下进行细胞级分割或手动立体学分析。这种方法首次表明，使用局部图像训练 DL 模型可以有效地在全局层面预测小胶质细胞增殖。本研究中使用的数据集可公开获取：tinyurl.com/20xData-USF-SRC。