XiaoMi-AI文件搜索系统
World File Search System脑神经
个性化全脑神经质量模型揭示 Aβ 和 tau 的联合过度兴奋对阿尔茨海默病的影响
阿尔茨海默病 (AD) 中的神经元功能障碍和认知能力下降可能是由多种病理生理因素引起的。然而，人类的机制证据仍然很少，需要改进的非侵入性技术和综合模型。我们引入了个性化的 AD 计算模型，该模型建立在全脑 Wilson-Cowan 振荡器之上，并结合了来自 132 名 AD 患者的静息态功能 MRI、淀粉样蛋白-β (A β ) 和 tau-PET，以评估毒性蛋白质沉积对神经元活动的直接影响。这种针对特定主题的方法揭示了关键的病理机制相互作用，包括 A β 和 tau 对认知障碍的协同作用以及随着疾病进展而增加的神经元兴奋性。通过基于体素的形态测量，数据得出的神经元兴奋性值可以强烈预测临床相关的 AD 血浆生物标志物浓度 (p-tau217、p-tau231、p-tau181、GFAP) 和灰质萎缩。此外，重建的 EEG 代理量显示了标志性的 AD 电生理学改变（θ 波段活动增强和 alpha 波段减少），这种改变发生在 A β 阳性和边缘系统 tau 参与后。小胶质细胞激活对神经元活动的影响不太明确，这可能是由于神经成像在映射神经保护和有害激活表型方面的局限性。机械脑活动模型可以进一步阐明复杂的神经退行性过程并加速预防/治疗干预。
灵性对大脑神经通路的影响
3 实习生，Satani 研究中心 研究志愿者：Kshma Kheskani、Rahil Koshti、Aditya Dalal、Abhishek Samuel、Nancy Patel、Kalp Patel、Kirtan Shukla 摘要：本研究深入探讨了梵语和印度教咒语对人类大脑的深远影响，探索了与梵语发声相关的神经变化。本研究采用多学科方法，涉及 108 名潘迪特、两名患者和 12 名参加 yagna 仪式的志愿者。这项综合研究采用脑电图测量、心理评估和定性观察来揭示咒语对大脑的认知印记。这一发现为潘迪特的大脑活动提供了令人信服的证据，表明了咒语的潜在影响力。讨论强调了咒语的独特品质及其在塑造神经可塑性、提高认知技能和增强注意力方面的作用。从更广泛的角度来看，本研究为灵性与神经科学融合的不断发展的基础做出了贡献。综上所述，本研究填补了对咒语作用的理解空白，揭示了精神修炼与人类幸福之间的深刻联系。未来在这一领域的研究有望进一步揭示信仰与科学之间的关系。 关键词：脑电图（EEG）、默认模式网络（DMN）、脑振荡、心理状态和功能、神经通路、神经科学、认知功能、认知与治疗、精神意义、梵语咒语、神经生物学效应 1. 简介 本研究选择了梨俱吠陀中的一个著名咒语。Mahamrityunjaya Mantra 首次出现在梨俱吠陀 7.59。12，这是一首归于 Vasiṣṭha Maitrāvaruṇi 的综合赞美诗。最后四节（其中有 Mahamrityunjaya Mantra）。在印度家庭中，Mahamrityunjaya 真言具有巨大的精神意义，经常在宗教仪式、日常仪式中，尤其是在痛苦或生病时吟诵。许多人认为，真言可以抵御负能量、减轻痛苦，并带来治愈和幸福。Mahamrityunjaya 真言的影响不仅限于个人幸福。它培养了家庭和社区内集体奉献和团结的意识。集体吟诵真言可以营造一种精神氛围，培养一种共同目标和相互联系的感觉。人脑由数百万个神经细胞组成。大脑模式由通常为正弦的波形组成。这些波分为五个主要频带：Delta（4-5/0 Hz）、theta（8-4 Hz）、alpha（12-8 Hz）和 beta（30-12 Hz）。脑电图是一种读取大脑电位的技术，使用一种称为脑电图 (EEG) 的特殊设备进行测量。 EEG 设备使用电极（也称为导线）来捕捉大脑头皮的电活动。然而，这些电极可能会脱落，从而可能导致错误并影响记录数据的准确性。这些脑电图模式代表不同的心理状态，并随心理状态变化和尖峰而变化，
近十年新生儿 MRI 脑神经影像学研究的全球趋势：文献计量分析
神经影像学在新生儿的评估、治疗和预后判断中起着核心作用。近年来，对发育中大脑的探索一直是科研人员和临床医生研究的一大重点，尤其是磁共振成像（MRI）非侵入性神经影像学方法在展示新生儿和婴儿大脑与行为变化之间的联系方面发挥着重要作用（1,2）。MRI不仅间接反映了分子和细胞水平上观察到的复杂动态过程，而且还提供了有关大脑形态、结构连接、灰质和白质微结构特性以及大脑功能结构的信息（3-5）。通过阅读专业文献，可以利用文献计量学了解神经影像学专业或研究领域的前沿动态和发展趋势，从而帮助科研人员预测未来的研究趋势（6-11）。因此，本研究试图利用文献计量学方法对近十年来新生儿MRI脑神经影像学的研究状况进行统计分析，并评估该领域的研究热点和现状。
改变的脂质稳态与SNX14缺乏症中的小脑神经变性有关
引言急性肾脏损伤（AKI）是一种常见疾病，由于其诊断率低和缺乏及时治疗而对人类健康构成严重威胁，这大大增加了严重的AKI和慢性儿童疾病（CKD）（1，2）。缺血 - 再灌注损伤（IRI）被认为是临床儿童损伤的主要原因，并且始终伴有单核吞噬细胞（MP）入侵和炎症（3-6）。对IRI诱导的炎症基础的细胞病理生理过程的更好理解可能会导致寻找新的治疗靶标，以减少损伤并防止CKD进展。iri诱导的AKI主要集中在皮质囊肿结的近端管状细胞（PTS）中。单细胞RNA-SEQ（SCRNA-SEQ）结果表明，PT受损的细胞具有促炎和纤维化特性，最终导致了肾小管病理修复，例如肾小管萎缩和间质纤维化（6，7）。有趣的是，MP浸润和炎症的大量损伤的皮质甲状腺结与最大的PT损伤结合在一起，表明两者之间的串扰。浸润免疫细胞的数量和免疫炎症反应的程度确定了AKI的结果。先天和适应性免疫都参与了iri引起的AKI的损害和修复（8）。一项空间转录测序研究表明，正常儿童中的巨噬细胞主要局限于髓质血液供应丰富的区域。IRI发生后，在IRI 2小时后，外周血巨噬细胞子集特异性地趋化与皮质中的交界处，而在败血症引起的IRI中，这些细胞具有弥漫性分布，表明MPS在上述IRI过程中起着更为重要的作用（9-11）。具体而言，在AKI的早期阶段，驻留在肾脏和血液中的MP被顺序激活，释放单核趋化蛋白-1（MCP-1）（MCP-1），趋化因子（CXC Motif）Ligand-1（CXCL1）（CXCL1）和CSF1，以及CSF1，以招募更多MP，这可能
大脑神经影像上下文任务的机器学习
人类神经科学使用磁共振成像（MRI）来了解大脑的结构和功能并表征某些神经系统和精神疾病。最近已经建立了大型成像队列，其中包括一千个（人类连接项目，Abide，Adni，Imagen，Eu-Aims，1000brains，abcd），向十万个人（Enigma Consortium，UK BiobAbank）。这种同类群是研究流行病学研究（UK Biobank）中许多脑部病理（精神病，成瘾，神经退行性疾病）或危险因素的影响所必需的。相应的数据通常可公开可用。除了这些大型研究外，还获得了较小的数据集，并且在认知神经科学的背景下，越来越频繁地公开（https://openneuro.org）。所有这些研究的数据分析需要医学图像处理工具，而且越来越多的统计分析和学习工具。大脑成像社区已经开发了标准，即大脑成像数据结构（BIDS）（1），以组织数据并促进大规模的统计分析。在此框架中，思维对神经影像学中的统计学习产生了许多贡献，对监督学习，基于模拟的推论和协方差模型估计的兴趣非常兴趣。这些贡献的一部分是通过NiLearn库（http://nilearn.github.io）传播的（2）。niLearn是神经科学生态系统中的关键开源库，它依赖于科学的Python stack（Numpy，Scikit-Learn，Matplotlib）。它非常成功（PYPI上下载50 K）。Nilearn由来自几个国家的许多人贡献，请参见https://github.com/nilearn/nilearn/graphs/contributors。它遵循软件开发方面的最佳实践（详尽的自动化测试，CI，完整的API文档以及叙事文档，API同质性，合理的依赖性，有关技术选择的公开讨论等）该开发由Coredev团队管理，有9个每月开会的成员。开发人员社区非常活跃，因为它在神经频道（Neurostars）等公共渠道上提供了反馈，在GitHub界面上打开问题并提取请求。最后，Mind正在将大量资源投资于临床合作。Specifically, Mind is engaged in a collaborative initiative with the Assistance Publique - Hopitaux de Paris (AP-HP), Institut Pasteur, Sainte Anne, Stanford University and Neurospin, to address clinical scenarios such as brain tumor surgeries, analysis of stroke-induced lesions ( 3 ; 4 ), understand the relationship between brain structure and cognition, or the use of ultra-high field MRI.
具有类脑神经适应能力的稳健且可扩展的超维计算
一、问题和动机物联网 (IoT) 促进了许多利用基于边缘的机器学习 (ML) 方法来分析本地收集的数据的应用。不幸的是，流行的 ML 算法通常需要超出当今物联网设备能力的密集计算。受大脑启发的超维计算 (HDC) 已被引入以解决这个问题。然而，现有的 HDC 使用静态编码器，需要极高的维数和数百次训练迭代才能达到合理的准确度。这导致了巨大的效率损失，严重阻碍了 HDC 在物联网系统中的应用。我们观察到一个主要原因是现有 HDC 的编码模块缺乏利用和适应训练期间学习到的信息的能力。相比之下，如图 1(a) 所示，人类大脑中的神经元一直在动态再生，并在学习新信息时提供更有用的功能 [1]。虽然 HDC 的目标是利用随机生成的基础超向量的高维性来将信息表示为神经活动的模式，但现有的 HDC 仍然很难支持与大脑神经再生类似的行为。在这项工作中，我们提出了动态 HDC 学习框架，可以识别和再生不需要的维度，以在显著降低维数的情况下提供足够的准确性，从而加速训练和推理。 II. 背景和相关工作 A. 物联网和基于边缘的学习 许多新颖的框架和库已经开发出来，以在资源受限的计算平台上定制流行的 ML 算法，包括 TinyML [2]、TensorFlow Lite [3]、edge-ml [4]、X-Cube-AI [5] 等。然而，这些学习方法通常需要大量的训练样本和多个训练周期，超出了当今物联网设备的能力。同时，利用目标平台的学习结构和特性，研究人员提出了许多提高基于边缘的学习效率的技术，例如分割计算 [6]、联邦学习 [7]、[8]、知识蒸馏 [9]。这些技术与我们的方法正交，可以与我们的方法集成，以进一步提高学习性能。
将数据驱动计算应用于大脑神经调节的患者特定模拟
健康和患病的组织以及特定患者中肿瘤和其他病变的存在。通过造影剂，显微镜和弹性学技术的最新进展，例如磁共振弹性摄影（MRE）[13]，使个人在个体患者中的粘弹性反应的体内表征成为可能。的确，MRE技术目前允许在体内汇编的脑部组织粘弹性特性的个性化地图集，包括存储和损耗模量作为频率的函数[1，14]。目前的MRE技术仅涵盖声音频率范围，但预计最终也涵盖了超声范围。这些进步从根本上从数据饥饿到数据丰富的领域进行了从根本上转移的脑生物力学，这种转换以基本和深远的方式挑战理论和计算实践。可以根据这些挑战和机遇来采取几种可能的策略。一种当前流行的策略使用监督的机器学习（ML）回归来拟合数据，例如使用神经网络代表[15]。但是，无论是基于神经网络还是基于
人脑神经复杂性产前发展的性别差异
图1：实验概述。音符表示听觉刺激。（a）每个听觉序列由每个持续时间为200 ms的四个音调，分别为400毫秒的间隔间隔。从第一个音调开始到第四音的偏移，整个序列的持续时间为2000毫秒。在测试阶段，每个序列的第四个音调各不相同。在每种条件下进行跨试验的平均值后，我们分析了第一个音调开始之前的200 ms，到第四个音调偏移后的1000毫秒（总持续时间为3200 ms）。（b）对于胎儿录音，预期的母亲必须将腹部放置在传感器阵列的凹陷内，并在她的身体和萨拉设备之间放置一个声音，以传达听觉音调。（c）胎儿MEG信号对听觉音调无创记录。要纠正胎头方向和大小对MEG信号振幅的影响，相对于早期暴露阶段记录的最大振幅，所有信号均标准化为最大响应百分比（PMR）。分别以洋红色和灰色显示了全球和标准差异试验的所有录音的平均值。（d）出生后，作为新生儿的一部分受试者返回实验室，并在被放置在面向摇篮的头上后，朝向Sara设备的Squid磁力计阵列。为了安全地将听觉刺激传递到新生儿大脑中，新生儿戴着对婴儿友好的耳机。请注意，B和D从（28）改编。（e）Sara设备记录了新生儿无创的皮质信号；同样，所有全球差异试验的平均值均显示在洋红色中，所有Gloabl标准试验的平均值均以灰色为单位。
升高的糖皮质激素改变了下丘脑神经发生的发育动力学
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2023年7月24日发布。 https://doi.org/10.1101/2023.01.27.525966 doi：Biorxiv Preprint
复杂行为过程中的全脑神经活动图
国际脑实验室 *，布兰登·本森1，朱利叶斯·本森2，丹尼尔·比尔曼3，尼科尔·波纳奇4，马特·卡兰迪尼5，乔纳·卡塔里诺4，盖尔·盖尔·盖尔·乔伊斯6，安妮·K教堂7，杨教堂7，杨丹8，peter dayan 9，peter dayan 9，ej tatian 9，ej tatian，ej tatian，ej tatian of Eric Fables，Michele 10 Brie 4 6，Laura Freitas-Silva 4，Berk Gerçek6，Kenneth D Harris 5，Michael Hausser 5，Sonja B Hofer 12，Fei Hu 8，F´elix Hubert 6，Julia Hubert 6，Julia Hunten，79 Christopher Krasniak 10，Christopher Kraspher Kraspher Kraspher Krandon 11 13，Thomas D MRSIC-FLOGEL 13，Jean-Paul Noel 2，Kai Nylund 3，Alejandro 11，C.V。Rille Rossant 5，Noam Roth 3，Rylan Schaeffer 1，Michael Schartner 4，Michael Schartner 4，Yanliang Shi 11 16，奥利维尔（Olivier）和r ilana b witten 11