XiaoMi-AI文件搜索系统
World File Search System标记物
帕金森病的进展模型
在这项工作中，我们开发了统计方法，根据患者的重复测量结果对疾病进展进行建模，重点关注帕金森病 (PD)。一个关键挑战在于 PD 患者之间存在固有的异质性，以至于现在怀疑 PD 包含多种亚型或运动表型。为了深入了解疾病进展，研究建议在多个时间点为每个患者收集广泛的标记物测量值。这些数据允许通过统计建模研究疾病的进展模式。在第一部分中，我们模拟了 PD 标量标记物的进展。我们扩展了疾病进展模型，即纵向时空模型。然后，我们提出解决数据缺失问题，并对不同性质的标记物的联合进展进行建模，例如临床评分和从成像模式中提取的标量测量。通过这种方法，我们模拟了 PD 的早期运动进展，并在第二项研究中模拟了特发性 PD 进展的异质性，重点关注睡眠症状。在论文的第二部分，即独立的部分，我们处理了医学图像的纵向建模。对于这些高维数据，深度学习通常被使用，但主要是在横断面设置中，忽略了可能的内部动态。我们建议利用深度学习作为降维工具来构建疾病进展的时空坐标系。我们首先利用这种灵活性来处理多模态数据。然后，我们利用假设随时间单调性而产生的自我监督，为建模时间变异性提供更高的灵活性。
激素受体和HER2作为乳腺癌的前瞻性分子标记的作用：更新
摘要本综述提供了有关当前方法，原理和作用机理，用于检测乳腺癌进展和复发预后的治疗性能分子标志物，包括雌激素受体（ER），孕激素受体（PR）和人类胚芽生长因子受体2（HERS 2）。的确，激素受体，即ER，PR，原癌基因HER2是基本的分子标记物，用于治疗实践，被识别和确定的预后因素和反应的预测指标。可以通过使用免疫疗法化学（IHC）和原位杂交（FISH）来检测这些标记，这些（FISH）是建立，更快且具有成本效益的检测方法的。这些分子标志物以及临床病理预后参数可以最好地预测癌症复发和进展的预后。最后，作为分子标记物的激素受体和HER2具有主要的治疗意义，并且有能力参与未来的药物开发技术。版权所有ª2020年，重庆医科大学。Elsevier B.V.这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下的开放访问文章。
标准新型激光扫描显微镜可提高癌细胞检测率
现在，弗劳恩霍夫 LSC-Onco (激光扫描肿瘤学) 项目的研究人员通过将激光扫描显微镜和荧光肿瘤标记物相结合，找到了快速、可靠的解决方案。使用显微镜，医生可以检查肿瘤切除区域周围的组织——甚至无需离开手术室。弗劳恩霍夫生物医学微电子和光学系统中心 MEOS 负责人 Michael Scholles 解释说：“预先应用的荧光标记物可让医生看到切口后可能残留的任何癌细胞。然后可以非常精确地完全切除这些细胞。”该技术由埃尔福特弗劳恩霍夫中心开发，MEOS 在这里研究生命科学、微电子、光学和光子学领域的关键技术。该项目涉及德累斯顿弗劳恩霍夫光子微系统研究所 IPMS 和莱比锡弗劳恩霍夫细胞治疗和免疫学研究所 IZI 的研究人员。
梨和其他酒渣鼻果树中的DNA标记和分子育种
梨（pyrus spp。）是属于家庭酒渣鼻的最重要的可食用水果之一。DNA标记，分子遗传学和基因组学以及梨的分子繁殖取得了巨大进展。可靠的DNA标记物的发展，例如简单的序列重复和单核苷酸多态性，已允许梨饰的DNA分析，评估梨物种内的遗传多样性以及梨种类之间的系统发育关系的分析。参考遗传链接图和全基因组分子标记物已使实用的标记辅助选择可以抵抗黑点和/或梨sc疮疾病，自我兼容，收获时间和日本梨育种计划中的果皮。分子育种已显示出实用育种的选择效率的三倍以上。此外，采用两种基于基因组学的新方法（基因组范围的关联研究和基因组选择）的育种计划正在进行水果质量和质地，以及用于育种的定量特征。的共线性和功能同步，并已被用来有效预测相关物种中感兴趣基因的功能并开发选择标记。
定量性状基因座分析分子标志物与胸膜胸膜胸腔的农业性状相关的分子标记
胸膜售出是一种全球蘑菇作物，具有营养和药用益处。但是，多种商业特征的遗传基础仍然未知。为了解决这个问题，我们分析了两个代表性品种“ Heuktari”和“ Miso”的定量性状基因座（QTLS），具有明显不同的等位基因。构建了一个具有11个连锁基团的遗传图，其中27个QTL分配给14个特征。QTL中解释的表型变化范围为7.8％至22.0％。分别估计了针头周期和有效齿轮的数量，相对较高的LOD值为6.190和5.485。一些QTL衍生的分子标记物在近交系中显示出选择精度的潜在增强率，尤其是对于帽形状（50％）和帽厚度（30％）。候选基因是从QTL区域推断出的，并使用QRT-PCR验证，特别是对于囊肿和谷胱甘肽途径，与Cap Yellowness有关。这项研究中的分子标记物有望促进Heuktari和Miso系的繁殖，并提供探针以鉴定P中的相关基因。ofteatus。
烯醇酶抑制剂作为Naegleria Fowleri感染的治疗铅
细胞膜经过生物物理重塑作为对周围环境的适应并执行特定的生物学功能。但是，这种变化在人类免疫系统中的程度和相关性仍然未知，这主要是由于缺乏高通量和多维方法。在这里，我们描述了一种基于单细胞分辨率的基于细胞术的方法，该方法通过将生物物理分析与常规生物标志物分析相结合来填补这一技术空白。该平台允许在免疫刺激和疾病中揭示膜流动性的明显依赖性细胞类型的重塑。使用暴露于肿瘤微环境的免疫细胞，以及长期的共同和慢性淋巴细胞白血病患者，我们证明了膜的流动性与表面标记物表达正交。此外，该生物物理参数确定了先前仅通过表面标记物分析未发现的免疫细胞的新功能和病理状态。我们的发现将根据其生物物理特性有助于对免疫细胞态的更精确的定义，并为更好地理解免疫细胞的功能异质性铺平道路。
使用集成到基因组中的CAS9中的秀丽隐杆线虫中的高效CRISPR基因编辑
基因编辑c。使用基于质粒的CRISPR试剂的秀丽隐杆线虫需要对许多动物进行显微注射才能产生单一编辑。质粒传播CAS9的种系沉默是效率低下的主要原因。在这里，我们提供一组c。秀丽隐杆线虫菌株从综合转基因中构成了种系中表达cas9的菌株。这些菌株显着提高了基于质粒的CRISPR编辑的成功率。对于简单的，短的同源臂GFP插入，注射动物的50-100％通常会产生编辑的后代，具体取决于目标基因座。模板引导的来自外染色体阵列的编辑在几代人中维持。我们在多个杂种上使用CAS9转基因建立了菌株。此外，每个CAS9基因座还包含一个由热轴驱动的CRE重组酶，可选择可选标记物和明亮的荧光标记物，以便于易于脱落。这些集成的CAS9菌株大大减少了产生单个基因组编辑的工作量。
脊髓损伤患者脑电图信号的 Higuchi 分形分析中的中枢神经性疼痛标志物
中枢神经性疼痛 (CNP) 对大部分脊髓损伤 (SCI) 患者的生活质量产生负面影响。由于目前尚无治愈方法，因此提高我们对 CNP 表现方式的理解、开发用于药物开发的诊断生物标记物以及探索用于个性化治疗的预后生物标记物至关重要。先前的研究发现了分析脑电图 (EEG) 振荡特征的诊断和预后标记物的早期证据。在本文中，我们探讨了非线性非振荡 EEG 特征（特别是 Higuchi 分形维数 (HFD)）是否可以用作预后生物标记物，以增加对亚急性 SCI 患者 EEG 的可用分析范围，其中同时具有用于分类疼痛的线性和非线性特征最终可能会提高分类准确性和本质上可转移的分类器。我们专注于想象运动期间记录的 EEG，因为已知运动皮层过度活动与 CNP 之间存在关系。对两个现有数据集进行了分析。第一个数据集包括健全参与者 (N = 10)、慢性 SCI 和慢性 CNP 参与者 (N = 10) 以及慢性 SCI 且无 CNP 的参与者 (N = 10) 的 EEG 记录。我们使用引导程序测试了所有组对中 HFD 的统计学显著差异，发现所有组对在多个电极位置存在显著差异。第二个数据集包括亚急性 SCI 且无 CNP 的参与者 (N = 20) 的 EEG 记录。记录后 6 个月对他们进行随访以测试 CNP，此时 (N = 10) 参与者已患上 CNP，而 (N = 10) 参与者尚未患上 CNP。我们使用引导程序测试了这两组之间的 HFD 统计学显著差异，令人鼓舞的是，还发现多个电极位置存在显著差异。可迁移机器学习分类器仅基于单个 EEG 通道作为输入，就能实现超过 80% 的准确率，区分患有慢性 SCI 的参与者组。最重要的发现是未来和慢性 CNP 具有共同的特征，因此，可以使用相同的分类器来区分两者。这为疼痛慢性化提供了新的见解，表明额叶区域与疼痛的情感方面有关，并且被认为受长期疼痛的影响，在疼痛发展的早期阶段就受到影响。
基因治疗、基因编辑治疗和溶瘤病毒开发的临床前服务
Precision for Medicine 是第一家临床研究服务机构，旨在支持生命科学公司使用生物标记物，从而更精确、更有效地针对患者进行治疗。Precision 结合深厚的科学专业知识、卓越的临床试验和先进的数据科学方法，加速从临床前后期到商业化的治疗开发。
使用规范建模和机器学习从脑磁图数据中检测轻度创伤性脑损伤
许多脑部疾病迫切需要新的生物标记物；例如，轻度创伤性脑损伤 (mTBI) 的诊断具有挑战性，因为临床症状多样且不具特异性。EEG 和 MEG 研究已经证明了 mTBI 的几个人群水平指标，可以作为脑损伤的客观标记物。然而，从 EEG/MEG 信号中获取 mTBI 和其他脑部疾病的临床有用生物标记物受到个体间差异大（即使在健康人群中也是如此）的阻碍。在这里，我们使用多元机器学习方法从静息态 MEG 测量中检测 mTBI。为了解决病情的异质性，我们采用了规范建模方法，并将个体 mTBI 患者的 MEG 信号特征建模为相对于正常变化的偏差。为此，使用包含 621 名健康参与者的规范数据集来确定整个皮层功率谱的变化。此外，我们根据全规范数据的年龄匹配子集构建了规范数据集。为了区分患者和健康对照者，我们基于 25 名 mTBI 患者和 20 名未包含在常模数据集中的对照者的定量偏差图训练了支持向量机分类器。表现最佳的分类器利用了整个年龄和频率范围内的完整常模数据。该分类器能够以 79% 的准确率区分患者和对照者。对训练模型的检查显示，θ 频带（4-8 Hz）内的低频活动是 mTBI 的重要指标，这与早期研究一致。结果证明了使用 MEG 数据的常模建模结合机器学习来推进 mTBI 诊断和识别可从治疗和康复中受益患者的可行性。当前方法可应用于多种脑部疾病，从而为获取基于 MEG/EEG 的生物标志物提供基础。