XiaoMi-AI文件搜索系统
World File Search System过分
通过分离行为相关的神经信号揭示运动皮层中意想不到的复杂编码但简单的解码机制
摘要 在运动皮层中，行为相关的神经反应与不相关的信号纠缠在一起，这使编码和解码机制的研究变得复杂。目前尚不清楚行为无关信号是否可能隐藏一些关键真相。一种解决方案是准确地分离行为相关和不相关的信号，但由于行为相关信号的实际情况未知，这种方法仍然难以捉摸。因此，我们提出了一个框架来定义、提取和验证行为相关信号。通过分析三只执行不同伸手任务的猴子的分离信号，我们发现以前被认为无用的神经反应以复杂的非线性方式编码了丰富的行为信息。这些反应对于神经元冗余至关重要，并揭示了运动行为占据了比之前预期更高维的神经空间。令人惊讶的是，当结合经常被忽略的神经维度时，行为信息的线性解码可以与非线性解码一样准确，这表明线性读出是在运动皮层中进行的。我们的研究结果提示，分离与行为相关的信号可能有助于发现更多隐藏的皮质机制。
通过分子靶向疗法和同时放疗的非小细胞肺癌治疗 - 综述
摘要：肺癌是全世界男性和女性死亡的主要原因。手术可以作为第I和II阶段的根本治疗以及第三阶段（III A）的选定病例提供。虽然在更高级的阶段，但采用了综合治疗方式：放射化学疗法（IIIB）和分子靶向治疗（小分子酪氨酸激酶抑制剂，VEGF受体抑制剂，单克隆抗体和单核抗体的免疫学治疗）。组合治疗由放射疗法和分子疗法组成，越来越多地用于局部晚期和转移性肺癌的管理中。最近的研究表明，这种治疗的协同作用和免疫反应的修饰。免疫疗法和放射疗法的结合可能会导致潜在作用增强。抗血管生成疗法与RT结合使用，与高毒性有关，不建议使用。在本文中，作者讨论了分子治疗的作用，以及在非小细胞肺癌（NSCLC）中同时使用放射疗法的可能性。
通过分离任务相关的神经信号揭示运动皮层中意想不到的复杂编码但简单的解码机制
摘要 在运动皮层中，任务相关的神经反应与无关信号纠缠在一起，这使编码和解码机制的研究变得复杂。目前尚不清楚任务无关信号是否可能隐藏一些关键真相。一种解决方案是准确地分离任务相关和无关信号，但由于任务相关信号的基本事实未知，这种方法仍然难以捉摸。因此，我们提出了一个框架来定义、提取和验证任务相关信号。通过分析执行不同伸手任务的三只猴子的分离信号，我们发现以前被认为无用的神经反应以复杂的非线性方式编码了丰富的任务信息。这些反应对于神经元冗余至关重要，并揭示了运动行为占据了比之前预期更高维的神经空间。令人惊讶的是，当结合经常被忽略的神经维度时，任务信息 24 可以像非线性解码一样准确地进行线性解码，这表明线性读出是在运动皮层中进行的。我们的研究结果提示，分离与任务相关的信号可能有助于发现更多隐藏的皮层机制。27
通过分子对接，MM/GBSA计算，MD模拟和ADMET分析，从天然产物中鉴定自然产物的潜在人胰腺淀粉酶抑制剂
人胰腺α-淀粉酶（HPA）是碳水化合物水解的催化剂，是控制2型糖尿病的可行靶标之一。抑制α-淀粉酶低葡萄糖水平，有助于减轻高血糖并发症。在此，我们通过分子建模系统地从天然产物库中系统地筛选了潜在的HPA抑制剂。建模包括分子对接，MM/GBSA结合能计算，MD模拟和ADMET分析。This research identified new- boulaside B, newboulaside A, quercetin-3-O- β -glucoside, and sasastilboside A as the top four potential HPA inhibitors from the library of natural products, whose Glide docking scores and MM/GBSA binding energies range from -9.191 to -11.366 kcal/mol and -19.38 to -77.95 kcal/mol。基于模拟，其中newboulaside b被发现为最佳的HPA抑制剂。在整个模拟过程中，偏差为3Å（Acarbose =3Å），它与ASP356，ASP300，ASP197，THR163，ARG161，ASP147，ALA106和GLN63相互作用。此外，全面的ADMET分析表明，它具有良好的药代动力学特性，没有急性毒性，适中的生物利用和非抑制剂的性质，并且对细胞色素p450。所有结果表明，Newboulaside B可能是针对2型糖尿病的药物发现的有前途的候选人。
通过分布式投资提高电力系统弹性的保险模式
本文通过提出一种电力中断保险计划来为剩余停电风险定价，解决了分散式弹性投资的激励框架问题。在此过程中，它为有效投资弹性分布式能源 (DER) 提供了一个合理的理由。电力系统面临的风险性质正在发生变化。部门脱碳的动力预计将推动可变可再生能源 (VRE) 发电供应量成倍增加，而老化和越来越不可靠的热电厂的淘汰将对此进行管理 [1]，[2]。随着气候变化的发生，极端天气事件的频率和严重程度预计会加剧，对集中式电网架构的影响尤其显著 [3]。虽然批发能源市场在理论上可以确保系统的可靠性 [4]，但最近的一系列研究发现，自由化市场架构存在不完备性，这可能使系统和社区容易受到极端事件的影响 [5]–[7]。行政承包也会扭曲燃料结构，使能源特别容易受到极端天气的影响 [8]，[9]。此外，尽管市场设计没有缺陷，极端事件也可能使特定地区陷入孤立状态，使社区长期处于混乱和危险之中。尽管尽了最大努力，批发市场的设计不可避免地会给消费者留下停电风险，这一认识导致一些人认为，承诺完全免受批发市场框架的影响，在最好的情况下是成本过高，在最坏的情况下是虚幻的 [10]。然而，人们也承认，让这种脆弱性暴露在外也可能是不可取的，
通过分层符号图池模型进行对比脑网络学习
摘要 — 近年来，脑网络被广泛用于研究脑动力学、脑发育和脑疾病。脑功能网络上的图形表示学习技术有助于发现临床表型和神经退行性疾病的新型生物标志物。然而，当前的图形学习技术在脑网络挖掘方面存在几个问题。首先，大多数当前的图形学习模型都是为无符号图设计的，这阻碍了许多有符号网络数据（例如脑功能网络）的分析。同时，脑网络数据的不足限制了模型在临床表型预测方面的表现。此外，目前的图形学习模型很少是可解释的，可能无法为模型结果提供生物学见解。在这里，我们提出了一个可解释的分层有符号图形表示学习模型来从脑功能网络中提取图形级表示，可用于不同的预测任务。为了进一步提高 17 模型性能，我们还提出了一种新策略来增强功能性脑网络数据以进行对比学习。19 我们使用来自 HCP 和 OASIS 的数据在不同的分类和 20 回归任务上评估了该框架。我们从大量实验中得出的结果证明了所提出的模型与几种最先进的技术相比的优越性。23 此外，我们使用从这些 24 预测任务中得出的图形显着性图来展示对 25 表型生物标志物的检测和解释。26
通过分层磁性半导体中的光学活性缺陷传感局部磁环境
摘要：Van der Waals（VDW）材料中的原子级缺陷是量子技术和量子传感应用的必不可少的基础。除了有直接的磁相图外，分层的磁性半导体CRSBR是探索光学活性缺陷的出色候选者，包括最近假设的缺陷诱导的磁性磁性在低温下。在这里，我们在CRSBR中显示出是局部磁性环境的探针的光学活性缺陷。我们观察到CRSBR中频谱狭窄（1 MEV）的缺陷发射，与散装磁序和额外的低温，缺陷诱导的磁性阶均相关。我们在局部和非局部交换耦合效应的背景下阐明了该磁顺序的起源。我们的工作建立了诸如CRSBR之类的VDW磁铁，是一个与磁性晶格相关的缺陷的特殊平台。我们预计，受控的缺陷创造允许量身定制的复杂磁纹理和具有直接光学访问的相位。关键字：CRSBR，范德华磁铁，缺陷发射，缺陷磁性，磁相关，磁性半导体，传感S
通过分子对接靶向SARS-COV-2主要蛋白酶的重新利用药物的计算筛选
摘要背景：Covid-19（2019年冠状病毒病）是由严重的急性呼吸综合症2型（SARS-COV-2）引起的，这构成了明显的全球健康和经济危机，该危机敦促有效治疗。方法：总共11个分子（Baricitinib，Danoprevir，Dexamethasone，Hydrox- Ychloroquine，Ivermectin，lopinavir，甲基甲基甲虫，Remdesivir，Remdesivir，Ritononavir，Ritonavir，Ritonavir和Saridegib和Saridegib，saridegib，saridegib，saridegib，condina contine conto ander cons of tosect in select ins seption condine condine contine condine sout solect solect通过靶向SARS-COV的主要蛋白酶（MPRO）的抗病毒活性，这是一种半胱氨酸蛋白酶，介导病毒复制过程中多蛋白的成熟裂解。结果：三种药物与N3（活性MPRO抑制剂作为对照）表现出更强的结合功能：Danoprevir（–7.7 kcal/mol），remdesivir（–8.1 kcal/mol）和saridegib（–7.8 kcal/mol）。在Glya的Danoprevir-Mpro复合物中鉴定出两个主要的常规氢键：143和GLNA：189，而残基GLUA：166形成了碳 - 氢键。在Asna：142，血清：144，CYSA：145，HISA：163，GLUA：166和GLNA：189的Remdesivir中鉴定出七个主要的常规氢键。与抗坏血酸（–5.4 kcal/mol）相比，头孢氨思显示出对MPRO（–7.9 kcal/mol）的结合性更好（–5.4 kcal/mol）。在HISA：164，POA； 168，GLNA; 189和THRA：190的头孢氨思-Mpro复合物中形成了四个碳 - 氢键。结论：这项研究的发现表明，这些药物可能通过靶向MPRO蛋白来抑制SAR-COV-2病毒。
通过分析机器学习模型中的特征子集来支持人工智能可解释性
无论是在临床研究还是风险因素计算中，机器学习算法都可以在许多医学领域中找到。这给这些算法的使用带来了重大挑战 - 特别是在伦理背景方面 - 如监管方面、可解释性或互操作性 [1]。对于这项工作，我们提出了一个关于特征贡献可解释性的特殊观点。也就是说，这不应被视为一种应用手段，而是一种更好地理解潜在问题的方法。我们的重点是人类可理解的特征子组及其各自的重要性分数的组合。特征重要性分析是机器学习模型检查和解释的主要组成部分。问题出现在解决问题的基础之上，例如在分类中，为什么对某个类别的决定是那样的。这种分析背后的方法可能因问题和模型的不同而有很大差异。我们接下来重点介绍置换重要性分析 [2]。在这里，基于测试集分析预测准确度的变化。对正在研究的特征进行置换，并将预测与未修改的特征进行比较。因此，该方法不依赖于预测过程的具体实现，因此可以应用于任何基于特征的监督机器学习模型。
