XiaoMi-AI文件搜索系统
World File Search System组成的
由锂金属阳极、AlCl3-LiCl阴极和固体电解质组成的熔融电池
迫切需要高性能可充电电池来满足电网规模固定式储能的需求。高温电池系统，例如 Na-S 电池、Na-NiCl2 电池（ZEBRA 电池）和液态金属电极 (LME) 电池，表现出高功率密度和高循环稳定性等优点，但也受到高工作温度的影响。我们最近发明了熔融锂金属电池的新概念，它由液态锂阳极、合金（Sn、Bi、Pb）液态阴极和锂离子导体作为固体电解质组成。这里我们展示了一种在相对较低的 210 C 温度下工作的熔融金属氯化物电池。该电池设计包括熔融（AlCl3-LiCl）阴极、固体电解质（石榴石型 Li6.4La3Ta0.6Zr1.4O12（LLZTO）陶瓷管）和熔融锂阳极。组装的 AlCl3-LiCl||LLZTO||Li 全电池的平均放电电压为 1.55 V，能量效率为 83%，已成功循环 100 次（800 小时），容量没有衰减。电池的理论比能为 350 Wh/kg，根据电极材料的重量估计成本为 11.6 美元/千瓦时。考虑到高性能、高安全性、低工作温度和原材料成本低，我们的新型熔融电极电池系统为固定式储能开辟了新的机会。
49,482 名个体组成的大型多样化群体的大脑衰老模式
大脑衰老过程受各种生活方式、环境和遗传因素以及与年龄相关且经常共存的病理的影响。磁共振成像和人工智能方法在理解衰老过程中发生的神经解剖学变化方面发挥了重要作用。大规模、多样化的人口研究能够识别由不同但重叠的病理和生物因素导致的全面和有代表性的大脑变化模式，揭示受影响大脑区域和临床表型的交叉和异质性。在此，我们利用最先进的深度表示学习方法 Surreal-GAN，并展示方法学进展和大量实验结果，阐明来自 11 项研究的 49,482 名个体的大脑衰老异质性。通过各自的测量 R 指数确定并量化了每个个体的五种主要脑萎缩模式。它们与生物医学、生活方式和遗传因素的关联为观察到的差异的病因提供了见解，表明它们有可能成为遗传和生活方式风险的大脑内表型。此外，基线 R 指数可预测疾病进展和死亡率，捕捉早期变化作为补充预后指标。这些 R 指数建立了一种测量衰老轨迹和相关大脑变化的维度方法。它们有望实现精确诊断，特别是在临床前阶段，促进个性化患者管理和基于特定大脑内表型表达和预后的有针对性的临床试验招募。
可解释的人工智能揭示与表型差异相关的皮肤微生物组组成的变化
摘要 在多种疾病中都观察到了人体微生物组的改变，例如哮喘、牙龈炎、皮炎和癌症，而微生物组与人体健康之间的联系仍有许多有待研究。人工智能与丰富的微生物组数据集的融合可以让我们更好地了解微生物组在我们健康中的作用。为了获得可行的见解，必须通过提供预测解释来考虑模型的预测能力和透明度。我们结合了收集两组健康女性腿部皮肤微生物组样本的努力，开发了一种可解释的人工智能 (EAI) 方法，该方法可以准确预测表型和解释。这些解释以驱动预测的关键微生物丰度的变化来表达。我们根据腿部皮肤微生物组预测皮肤水分、受试者的年龄、绝经前/后状态和吸烟状况。与皮肤水分相关的微生物组成的关键变化可以加速健康皮肤个性化治疗的发展，而与年龄相关的微生物组成变化可能为皮肤老化过程提供见解。与吸烟和绝经状态相关的腿部微生物组特征与先前分别从口腔/呼吸道微生物组和阴道微生物组中发现的结果一致。这表明很容易获得
由固有并联 TFET 和 MOSFET 组成的纳米 FET 结构，性能得到改善
在本文中，我们揭示了一种新结构，其中金属氧化物半导体场效应晶体管 (MOSFET) 与隧道场效应晶体管 (TFET) 并联以增加导通电流。为了提高器件中的隧道电流注入率，利用了栅极和衬底电极中的功函数工程以及通道 (源极袋) 中的掺杂工程。为了进一步增强器件的导通电流，通过在结构中结合 MOSFET 使用热离子注入机制。此外，使用异质栅极电介质来减少寄生电容。我们的分析表明，与 DW HGD SP TFET 相比，PTM-FET 晶体管在跨导、I on /I off 电流比、短通道效应（如 DIBL）、早期电压、最大传感器功率增益、单边功率增益、增益带宽积、单位增益频率和寄生电容方面具有多项优势。PTM-FET 晶体管的上述优势可以成为在低功耗和高性能集成电路应用中使用该器件的窗口。2020 作者。由 Elsevier BV 代表艾因夏姆斯大学工程学院出版。这是一篇根据 CC BY-NC-ND 许可协议 ( http://creativecommons.org/licenses/by-nc- nd/4.0/ ) 开放获取的文章。
影响米酒生产区域中环境微生物的多样性和组成的环境因素
摘要：Shaoxing大米葡萄酒是中国米酒的著名典范。它的优质质量与土著自然环境密切相关。结果表明，富公司（75％），肌动杆菌（15％），蛋白质杆菌（5％）和杆菌植物（3％）构成了普遍的细菌组。在主要细菌属中，乳酸杆菌是最丰富的，占49.4％，其次是乳酸菌（11.9％），糖精孢子虫（13.1％），白肿瘤（4.1％）和热乳房（1.1％）。主要的真菌门是Ascomycota和zygomycota。在主要的属中，葡萄糖（59.3％）占据了最丰富的占主导地位，其次是saccharomycopsis（10.7％），曲霉菌（7.1％），温疗（6.2％），根瘤菌（4.9％），梯形（4.9％），梯形（2.2％）和妈妈（1.3％）。发现细菌和真菌群落的结构在环境中保持稳定，其多样性受到气候条件的强烈影响。环境因素（例如温度，气压，湿度，降雨和光线）的连续波动显着影响微生物种群的组成和多样性，尤其是主要的细菌群落。
用于预测基于肠道微生物组组成的自闭症谱系障碍的机器学习算法
摘要：机器学习（ML）技术的应用是协助诊断复杂疾病的可靠方法。最近的研究将肠道微生物的组成与自闭症谱系障碍（ASD）的存在有关，但到目前为止，结果主要是矛盾的。这项工作建议使用机器学习研究肠道微生物组组成及其在ASD早期诊断中的作用。我们使用肠道微生物组成分的公开数据，将支持向量机（SVM），人工神经网络（ANN）和随机森林（ANN）和随机森林（RF）算法分类为神经型（NT）或具有ASD的受试者。天真的贝叶斯，k-neart邻居，合奏学习，逻辑回归，线性回归和决策树也经过训练和验证；但是，提出的表现最好的性能和解释性。使用SAS VIYA软件平台开发了所有ML方法。使用16S rRNA测序技术确定微生物组的组成。ML的应用产生的分类准确性高达90％，灵敏度为96.97％，特异性较高达到85.29％。在ANN模型的情况下，与第一个数据集对NT受试者进行分类时不会发生任何错误，这表明与传统测试和基于数据的方法相比，分类结果显着。使用两个数据集重复这种方法，一个来自美国，另一个来自中国，导致了类似的发现。所获得的模型中的主要预测指标在分析的数据集之间有所不同。从分析的数据集中确定的最重要的预测因素是细菌，lachnospira，anaerobutyricum和ruminococcus torques。值得注意的是，在每个模型中的预测因子中，由于其相对丰度较低，因此存在细菌在微生物组组成中通常被认为是微不足道的。这种结果增强了对微生物组对ASD发展的影响的常规理解，在这种情况下，微生物群的组成的不平衡会导致宿主 - 微生物稳定的破坏。考虑到以前的几项研究集中在最丰富的属，并且被忽略了较小的（并且经常在统计学上显着）微生物群落，因此对此类社区的影响进行了很差的分析。基于ML的模型表明，更多的研究应集中在这些不太丰富的微生物上。一个新的假设解释了这一领域的矛盾结果，并提倡对可能不会表现出统计学意义的变量进行更深入的研究。获得的结果似乎有助于解释有关ASD的矛盾发现及其与肠道菌群组成的关系。虽然某些研究将杆状杆菌/杆菌的比例较高，而其他研究则相反。这些差异与微生物组组成中的少数族裔有密切相关，这在人群之间可能有所不同，但具有相似的代谢功能。因此，在ASD表现中，杆菌/杆菌的比率可能不是决定因素。
节俭物种池和种子大小对探访果树的多样性和功能组成的影响
。cc-by 4.0国际许可（未经Peer Review尚未获得认证）是作者/资助者，他已授予Biorxiv的许可证，以永久显示预印本。它是制作
将计算控制与自然文本结合在一起揭示了含义组成的新方面
研究人类智力的核心组成部分 - 我们结合单词含义的能力 - 神经科学家寻找含义构成的神经相关性，例如与理解句子的难度成正比的大脑活动。然而，对含义构成的产物几乎不知情，这是单词超出其个人含义的综合含义。我们将该产品称为“ supra-word含义”，并通过使用最新的神经网络算法和一种新技术来设计其计算表示形式，从而将组成的新技术与个人字含义分开。使用功能磁共振成像，我们揭示了被认为可以处理词汇水平含义的枢纽也保持上词的含义，这表明了词汇和组合语义的共同底物。令人惊讶的是，我们无法检测到磁脑摄影中的上词的含义，这表明与同步式捕获相比，通过不同的神经机制来维持所构成的含义。这种敏感性差异对过去的神经影像结果和未来可穿戴神经技术具有影响。
超越 GalNAc！由复合寡糖组成的药物输送系统可用于靶向使用核酸疗法
不可否认的是，对于那些无法治愈且已知病因的遗传性疾病患者来说，他们感到沮丧，目前对某些患者来说，只有管理才能解决问题，直到病情恶化导致患者死亡。1,2 当已明确特征的基因变化与遗传性疾病有因果关系时，可以制定专门的治疗方法。几十年来，选择性基因沉默、淬灭或干扰 NAT，以及最近的基因组编辑的吸引力，有望成为人类疾病精准和个性化治疗未来的革命性飞跃。3 – 5 这些疗法具有高度特异性，可以通过精心设计和细致的靶标筛选来限制有害和有毒副作用的实现，这是一个吸引人的特点。6