XiaoMi-AI文件搜索系统
World File Search System聚类分析
用于预测儿童神经发育障碍的机器学习
摘要：诸如身体，言语，认知和社会情感技能之类的发展领域对于监测孩子的成长至关重要。但是，由于高度可变性和重叠，识别神经发育缺陷可能会具有挑战性。早期检测是必不可少的，数字程序可以协助该过程。这项研究利用当前的人工智能进展来通过全面的机器学习方法来解决神经发育障碍的预测。使用了一部小说，最近开发了严肃的游戏数据集，并使用了有关儿童语音和语言反应的各种数据。最初的数据集包含520个实例，在严格的数据预处理后减少到473名参与者。聚类分析揭示了数据中不同的模式和结构，而可靠性分析确保了测量能力。使用逻辑回归开发了健壮的预测模型。应用于184名平均年龄7岁的参与者的子集，该模型表现出很高的精度，精度，召回和F1得分，有效地区分了有和没有神经发育疾病的实例。总而言之，这项研究突出了机器学习方法在基于认知特征诊断神经发育障碍中的有效性，并为决策，分类和临床评估提供了新的机会，为高危个人的早期和个性化干预措施铺平了道路。
计算思维的神经关联
最近的技术进步引起了人们对编程技能的极大关注，尤其是对计算思维 (CT) 的提升，这是一种新的智力能力。然而，对其认知基础的理解是有限的。本研究使用功能性磁共振成像来检查编程的神经相关性，以了解 CT 的认知基础。具体来说，在参与者在心理上解决编程问题时收集磁共振成像信号，我们发现 CT 招募了分布式皮质区域，包括后顶叶皮质、内侧额叶皮质和左侧额叶皮质。这些区域与算术、推理和空间认知任务表现出广泛的单变量和多变量相似性。基于相似性，聚类分析显示，参与 CT 的皮质区域可分为推理、计算、视觉空间和共享组件。此外，在编程过程中，由这四个组件构建的 CT 网络内的连接性增加，而 CT 网络与其他皮质区域之间的连接性降低。总之，我们的研究揭示了 CT 背后的认知成分及其神经相关性，并进一步表明 CT 不是平行认知过程的简单总和，而是整合了一系列智力能力的复合认知过程，特别是科学、技术、工程和数学领域的智力能力。
将疫苗犹豫理解为一种延伸态度
疫苗犹豫不决不是一种单一的观点，而是包含一系列介于完全接受疫苗接种和完全拒绝疫苗接种之间的立场。在本文中，我认为疫苗犹豫态度出现在个体和结构过程的交汇处，因此可以更好地概念化为“扩展态度”。借鉴对后现代社会风险和科学怀疑论的理论理解，我认为对疫苗接种的犹豫态度是在解决科学发展给我们的日常生活带来的风险。我对 2019 年欧洲晴雨表数据进行了 K 均值聚类分析，以了解欧洲人对疫苗接种的态度。确定了四个疫苗犹豫态度集群。“价格犹豫”和“努力犹豫”是由于结构性限制（例如经济资本低和医疗保健系统缺陷）导致疫苗接种机会受限造成的。 “不采取疫苗接种行动”是人们的一种态度，他们赋予科学权威来管理与健康相关的风险，尽管他们在过去五年内没有接种过疫苗。“持续反对疫苗接种”是指那些高度反思的个人，他们因为科学得出的风险而无视专家的权威。我的分析增强了对欧盟疫苗犹豫态度的理论理解和实证评估，可以为该领域的公共卫生政策提供参考。
在青春期研究中，饮食行为与肥胖症的精神病理学，大脑成熟和遗传风险的关系
不健康的饮食，饮食失调（ED）和肥胖症的危险因素，通常与情感和行为问题共存；但是，基本的神经生物学机制知之甚少。分析来自纵向成像群青少年队列的数据，我们研究了饮食行为之间的关联，使用多基因评分（PGSS）（PGSS）和ED与ED相关的心理病理学和大脑病理学和大脑的轨迹（14-23岁）之间的高体重指数（BMI）的遗传易感性（BMI）。在23岁时（n = 996）的聚类分析确定了3个饮食组：限制性，情感/不受控制和健康的食客。BMI PG，ED症状的轨迹，内在化和外在化问题以及大脑成熟区分了这些组。在限制性和情感/不受控制的食客中，几个大脑区域的体积和厚度减少不那么明显。较小的小脑体积减少独特地介导了BMI PGS对限制性饮食的影响，而多个大脑区域的较小的体积减少介导了外部化问题与情绪/不受控制的饮食之间的关系，而不是BMI。这些发现阐明了遗传风险，长期脑部成熟和ED症状学行为的不同贡献。
柠檬多样性的研究（柑橘柠檬（L.）burm。）...
在西孟加拉邦的12个地区进行了一项调查，以识别精英柠檬基因型，从而鉴定了52个加入的鉴定，这些加入进一步通过使用22个定量特征进行描述性分析，层次群集分析，鉴别分析，相关性分析和主要成分分析和主要成分分析和Biplot分析和Biplot和Biplot分析。在12个定量字符中观察到了广泛的变化，即果实体重，果皮厚度，果汁重量，果汁量，果汁百分比，每种水果的种子数量，种子重量，种子长度，种子宽度，TSS：酸比，总糖和非还原糖导致层次聚类分析这些集群分析到20个集群。通过规范判别分析负责这种聚类的主要特征是水果长度，果汁量，果汁百分比，种子长度和TSS：酸。主成分分析（PCA）解释了七个组件，累积方差为77.432％。然而，双层分析揭示了评分图不同象限中存在的基因型具有较高的定量特征值，保留在相应的载荷图中。从这项研究中可以得出结论，可以利用柠檬基因型中发现的可变性，以选择精英材料，以进一步保守，详细的评估和作物改进计划中的利用率。
细胞免疫反映了日本共同恢复的患者的持续症状
冠状病毒疾病（Covid-19）通常在感染后很长一段时间引起持续的症状，称为“长covid”或急性后covid-19综合征（PACS）。这一现象已被研究主要是关于B细胞免疫的，而T细胞免疫的参与仍不清楚。这项回顾性研究旨在检查症状，细胞因子水平和酶联免疫吸附剂（ELISPOT）测定数据的关系中的关系。检查炎症条件，血浆白介素（IL）-6，IL-10，IL-18，趋化因子配体9（CXCL9），趋化因子配体3（CCL3）和血管内皮生长因子（VEGF）的水平，使用COVID-19 Counce Counce Counce Counce Councover Seccounts（VEGF）水平分析。在COVID-19组中，这些水平明显高于HC组中的这些水平。ELISPOT分析，以研究Covid-19-19持续症状与T细胞免疫力之间的相关性。基于S1，S2和N的值，ELISPOT-HIGH和-LOW组中ELISPOT对ELISPOT的共同恢复患者的聚类分析。ELISPOT-LOW组的持续症状的数量明显高于ELISPOT-HIGH组中的持续性症状的数量。因此，T细胞免疫对于快速消除Covid-19持续症状至关重要，并且在COVID-19恢复后立即进行测量可能会预测长期的COVID-19或PACS。
卷积神经网络可以识别与解码空间听觉注意力有关的大脑相互作用
人类听众有能力在多人说话的环境中将注意力集中到单个说话者身上。选择性注意的神经关联可以从一次脑电图 (EEG) 数据试验中解码出来。在本研究中，利用源重建和解剖解析的 EEG 数据作为输入，我们试图将 CNN 用作可解释的模型来揭示大脑区域之间特定于任务的交互，而不是简单地将其用作黑匣子解码器。为此，我们的 CNN 模型专门设计用于从五秒输入中学习 10 个皮质区域的成对交互表示。通过专门利用这些特征进行解码，我们的模型能够达到参与者内分类的 77.56% 和参与者间分类的 65.14% 的中位准确率。通过消融分析以及剖析模型特征和应用聚类分析，我们能够辨别出以 alpha 波段为主导的半球间相互作用，以及以 alpha 和 beta 波段为主导的相互作用，这些相互作用要么是半球特有的，要么以左右半球之间的对比模式为特征。对于参与者内部解码，这些相互作用在顶叶和中央区域更为明显，但对于跨参与者解码，这些相互作用在顶叶、中央和部分额叶区域更为明显。这些发现表明，我们的 CNN 模型可以有效利用已知在听觉注意力任务中很重要的特征，并表明将领域知识启发的 CNN 应用于源重建的 EEG 数据可以为研究与任务相关的大脑相互作用提供一个新颖的计算框架。
意大利蜡菊 (Helichrysum italicum) 中的新叶绿体微卫星 (...
摘要：意大利蜡菊 (Roth) G. Don 是一种地中海药用植物，由于其独特的生物活性化合物，在化妆品、烹饪和制药领域具有巨大潜力。它最近被引入农业生态系统，增强了对自然种群遗传多样性的利用，尽管有限的分子标记使这一工作具有挑战性。在本研究中，针对叶绿体基因组中鉴定的所有 43 个 SSR（72.1% 单核苷酸、21% 二核苷酸和 6.9% 三核苷酸重复）设计了引物。使用十个精心挑选的 cpSSR 标记分析了来自 Cape Kamenjak（克罗地亚）和科西嘉岛（法国）的种群。从所有样本中扩增的初始 16 个 cpSSR 集合中，由于短长度多态性、大小同质性和无法通过等位基因长度检测到的核苷酸多态性，6 个 cpSSR 标记被删除。在检测到的 38 种单倍型中，有 32 种是其地理起源所独有的。在 Cape Kamenjak 种群中观察到的私有单倍型数量最多（检测到的 9 种中有 7 种）。根据聚类分析，Kamenjak 种群与 Capo Pertusato（南科西嘉岛）种群最为相似，尽管只有一个子单倍型是共享的。其他科西嘉种群彼此更相似。成功进行了 Helichrysum litoreum Guss. 和 Helichrysum arenarium (L.) Moench 的跨物种可移植性测试，并确定了私有等位基因。
系统生物学 xOmicsShiny：用于跨组学数据分析和通路映射的 R Shiny 应用程序
摘要摘要：我们开发了 xOmicsShiny，这是一款功能丰富的 R Shiny 应用程序，它使生物学家能够全面探索跨实验和数据类型的组学数据集，重点是在通路层面揭示生物学见解。数据合并功能可确保灵活探索跨组学数据，例如转录组学、蛋白质组学、代谢组学和脂质组学。通路映射功能涵盖广泛的数据库，包括 WikiPathways、Reactome 和 KEGG 通路。此外，xOmicsShiny 为日常组学数据分析提供了多种可视化选项和分析任务，即 PCA、火山图、维恩图、热图、WGCNA 和高级聚类分析。该应用程序使用可定制的模块来执行各种任务，生成交互式图表和可发布的图表。这种动态模块化设计克服了 R Shiny 工具加载缓慢的问题，并允许研究和开发人员社区轻松扩展它。可用性和实施：R Shiny 应用程序公开发布于：http://xOmicsShiny.bxgenomics.com 。研究人员可以将自己的数据上传到服务器或使用预加载的演示数据集。源代码在 MIT 许可下提供于 https://github.com/interactivereport/xOmicsShiny 以供本地安装。该应用程序的完整教程可在 https://interactivereport.github.io/xOmicsShiny/tutorial/docs/index.html 获得。联系方式：yuhenry.sun@biogen.com 或 baohong.zhang@biogen.com 补充数据：补充数据可在 bioRxiv 在线获得。
共享办公空间和创客空间：绘制研究现状
学术界一直在深入研究共享办公及其优缺点。在实践中，这种现象及其特征和表现形式在多个层面上对不同类型的人和组织都变得越来越重要。但为什么会这样？研究活动在研究人员、国家和期刊之间是如何分布的？为了回答这些问题，我们首先分析了现有文献，并提取了各自方法的焦点。我们通过分析来自 Web of Science 的数据对现有文献进行了聚类分析。通过这些聚类，我们展示了研究流的发展以及研究之间的联系。研究结果表明，共享办公空间与创新行为和知识交流相关，使其成为工作和社会交流的场所，也是从事日常工作、创新想法、知识创造和互动的工具。通过这些发现，我们有助于理解整个研究流，并更深入地了解现有研究及其联系。这使得研究人员能够了解人们的兴趣来自何处、兴趣将发展到何处以及他们如何为该主题做出贡献。我们的研究表明，学者们应该对协同工作现象采取广泛的方法。它为许多不同的研究领域奠定了基础，所有这些领域对于整体理解都很重要，显示出进行有趣研究的潜力。从实际角度来看，需要在整个工作环境中重新考虑协同工作的影响因素。© 2022 作者。由 Elsevier España, SLU 代表 Journal of Innovation & Knowledge 出版。这是一篇根据 CC BY-NC-ND 许可开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）