XiaoMi-AI文件搜索系统
World File Search System随机化
免疫细胞与神经退行性疾病之间的因果关系：两样本的孟德尔随机化研究
材料和方法：本研究中使用的暴露和结果GWAS数据是从开放式数据库（https://gwas.mrcieu.ac.uk/）中获得的，该研究采用了两种样本的MR分析来评估731个免疫性细胞特征和四个神经疾病疾病之间的因果关系，包括Alzeimease疾病，包括Adshemen sasson s plack splack splack splack s parke'sasser'sheerer'sheer'Sheer'sheer'sheer'' （PD），肌萎缩性侧索硬化症（ALS）和多发性硬化症（MS）。所有免疫细胞数据均通过多种MR方法获得，以最大程度地减少偏差，并获得对感兴趣变量与结果之间因果关系的可靠估计。仪器变量选择标准受到限制，以确保免疫细胞物种与这些神经退行性疾病的风险之间因果关系的准确性和有效性。
通过双向Mendelian随机化研究，评估免疫特征与注意力多动障碍之间的联系
方法：通过采用统一的GWA摘要数据，涵盖了GWAS目录中的731个免疫特征（从GCST0001391到GCST0002121的登录编号），我们的分析集中于淋巴细胞群的流动量仪，鉴定3,757 sardinians，以识别3,757 sardinians，以识别3,757 sardinians，以识别3,757 Sardinians，以识别3,757 Sardinians。此外，我们从精神病基因组学联盟中获得了总结GWAS统计数据，以评估ADHD的遗传预测。采用ADHD2019的研究（2019年GWAS ADHD数据集的20,183例病例和35,191例对照）和ADHD2022（38,691例病例和275,986例对照，来自2022 GWAS ADHD Dataset）。通过检查全基因组关联信号，我们使用全面的ADHD2022数据集中确定了循环免疫细胞和ADHD之间共享遗传方差。我们主要利用了孟德尔随机研究和敏感性评估中的反向差异加权（IVW）和加权中值方法来评估多样性和多效性。
孟德尔随机化显示纤溶酶原是心肌梗死和心房颤动的共同治疗靶点
简介心肌梗死 (MI) 是由于心肌部分血流不足引起的，从而导致胸痛、气短和心律失常等症状。1 值得注意的是，压力、高胆固醇、肥胖、糖尿病、吸烟和更年期都会增加 MI 的风险。2 研究表明，阿司匹林和他汀类药物等药物可以降低 MI 的风险。3,4 心房颤动 (AF) 是指心律不齐且通常很快，它会增加心脏形成血栓的风险。AF 会增加 MI 和中风的风险。5,6 在 AF 患者中，MI 的发病率比非 AF 患者高出约 50%，并且 6-21% 的急性 MI 患者同时存在 AF。7-9 此外，有高血压病史的患者患 AF 的风险较高。10 观察性研究表明 MI 和 AF 之间存在关联，并提出了几种机制。例如，MI 可以
对脂质和降脂目标与自身免疫性甲状腺疾病的因果关系的新见解：孟德尔随机化研究
自身免疫性甲状腺疾病（AITD）是最常见的自身免疫性疾病之一[1]，包括Graves病（GD）和自身免疫性甲状腺炎（AT）。AITD已被列为甲状腺功能异常的主要原因，而后者进一步导致脂质代谢紊乱。[2，3]有趣的是，最近的一些研究表明，脂毒性与甲状腺功能减退症的风险增加相关。[4，5]此外，Graves眼病（GO）是GD最严重的并发症之一，已被证明与血脂异常有关[6]。降脂药物是治疗血脂异常的主要手段，许多研究证明了它们除了具有降脂作用外，还具有抗炎和抗氧化作用。[7，8]基于血脂异常与AITD相互作用的临床相关性，脂质和降脂药物与AITD之间的关联值得进一步探讨。
静态摩擦对机器人增强学习中SIM2REAL的影响
摘要 - 在机器人增强学习中，SIM2REAL差距仍然是一个关键的挑战。但是，静态摩擦对SIM2REAL的影响尚未得到充实。常规域随机化方法通常从其参数空间中排除静态摩擦。在我们的机器人加强学习任务中，这种常规域随机方法导致了明显不足的现实世界模型。为了应对这一SIM2REAL挑战，我们采用了执行器网作为常规域随机化的替代方案。虽然这种方法能够成功地转移到平面运动，但在楼梯等复杂地形上失败了。为了研究影响机器人关节中SIM2REAL的物理参数，我们开发了一个控制理论关节模型并进行了系统的参数鉴定。我们的分析表明，机器人关节中出乎意料的高摩擦力比率。为了减轻其影响，我们实施了SIM2Real的静态摩擦域随机化。认识到摩擦建模引入的训练难度增加，我们提出了一种简单新颖的解决方案，以降低学习复杂性。为了验证这种方法，我们进行了比较三种方法的综合SIM2SIM和SIM2REAL实验：常规域随机化（无静态摩擦），执行器NET和我们的静态摩擦感知域随机化。所有实验均利用快速运动适应（RMA）算法。结果表明，我们的方法实现了出色的自适应能力和整体性能。
高级增强脑肿瘤分类...
将他们的成就归功于系统的两个主要组成部分：区分和随机化。区分是指使用 SVM 来获取每个节点的分割知识，而随机化是指随机选择图像块，这些图像块用作学习每个节点的分割的特征形式。这种随机化过程可能会导致几个问题。首先，如果我们在 500X500 图像中选取大小为 50X50 的图像块，采样空间可能容纳数千个块，这使得随机选择的块不太可能容纳图像分类感兴趣的对象。此外，随机选择的样本更有可能相互重叠，从而产生冗余。因此，在本项目中，找出选择图像块的新方法。理论上，更具信息性的块选择应该在每个树节点产生更高质量的分割，这反过来应该会提高分类器的整体准确性。
使用连续葡萄糖监测的2型糖尿病自我管理
1。使用糖尿病依赖生活质量（ADDQOL）问卷的糖尿病相关的生活质量，12、24和36周2.使用糖尿病（付费5）调查表中的问题区域的糖尿病相关困扰，在12、24和36周时进行了调查表。3。使用患者激活措施（PAM）在筛查，随机化，12、24和36周时测量的患者激活水平4。在随机化，12、24和36周时使用HBA1C测量的血糖控制。葡萄糖变异性，低血糖的发生率和范围指标的时间将在12周期间使用连续的葡萄糖监测设备测量，参与者佩戴了该设备6。临床结果，例如体重，BMI，腰围和总胆固醇，将在随机化12、24和36周时测量
网络孟德尔随机化分析揭示 2 型糖尿病与胃肠道疾病之间的蛋白质通路联系
图 3 (A) 在发现数据集 (deCODE) 中，基因预测的 T2D 与循环蛋白质水平之间的 MR 关联的火山图。标记蛋白质是 464 种发现的蛋白质中的 69 种，FDR <0.05，在 UKB-PPP 和 Fenland 数据集中方向一致且保持名义显著 (p < 0.05)。 (B) 使用来自 UKB-PPP 和 Fenland 的蛋白质数据复制的关联热图。在热图中，p 值 <0.05 但 FDR 校正的 p 值 ≥ 0.05 的关联标记为 *，而 FDR 校正的 p 值 <0.05 标记为 **。FDR 在每个数据集的所有蛋白质中都表现出来。ADH1B，酒精脱氢酶 1B；ADH4，酒精脱氢酶 4；ENPP7，外核苷酸焦磷酸酶/磷酸二酯酶家族成员 7； EPHA1，肝配体 A 型受体 1；FDR，错误发现率；GI，胃肠道；GUSB，β-葡萄糖醛酸酶；INSL5，胰岛素样肽 INSL5；NCAN，神经胶质蛋白核心蛋白；SULT2A1，胆汁盐磺基转移酶；T2D，2 型糖尿病；TNFSF12，肿瘤坏死因子配体超家族成员 12。
全基因组关联分析和门德尔随机化蛋白质组学确定心力衰竭的药物靶标
Genome-wide association analysis and Mendelian randomization proteomics identify drug targets for heart failure Authors: Danielle Rasooly, PhD* 1,2 , Gina M Peloso, PhD* 2,3 , Alexandre C Pereira, MD, PhD 4,5 , Hesam Dashti, PhD 1,6 , Claudia Giambartolomei, PhD 7,8 , Eleanor Wheeler, PhD 9 , Nay Aung, MD, PhD 10,11 , Brian R Ferolito, MS 2 , Maik Pietzner, PhD 9,12,13 , Eric H Farber-Eger, BS 14 , Quinn Stanton Wells, MD 15 , Nicole M Kosik, MPH 2 , Liam Gaziano, MPhil, PhD 2,16 , Daniel C Posner, PhD 2 , A Patrícia Bento,博士学位17，Qin Hui，PhD 18，19，Chang Liu，MPH 18，Krishna Aragam，MD 2,6,20，Zeyuan Wang，MPH 18，Brian Charest MS，MPH 2，MPH 2，Jennifer E Huffman，Jennifer E Huffman，Phd 2，Peter W.F.，Peter W.F.威尔逊，医学博士19，21，劳伦斯·菲利普斯（Lawrence S Phillips），医学博士19，22，约翰·惠特克（John Whittaker） Gaziano，医学博士，MPH 1,2，VA百万退伍军人计划27，Claudia Langenberg，MD，PhD 9，12，13†，Yan V Sun，Phd，MS，MS，18，19，19，28†，Jacob Joseph，Joseph，Mbbs，Mbbs，Md 29†，Juan P Casas，Md casas，Md，Md，Md，Phd 1,2 1,2 agnorty for equalty for equalty for equalty progutty for equalty progutty for equalty progutty for equalty progutty这些著作。†这些作者共同监督这项工作。机构：1年老化师，杨百翰和妇女医院，哈佛医学院，美国马萨诸塞州波士顿75号，美国马萨诸塞州02130。2马萨诸塞州退伍军人流行病学研究与信息中心（Maveric），VA波士顿医疗保健系统，150。S. Huntington Ave，波士顿，马萨诸塞州02130，美国。 3马萨诸塞州马萨诸塞州马萨诸塞州马萨诸塞州马萨诸塞州801 Ave Crosstown中心的波士顿大学公共卫生学院生物统计学系，美国马萨诸塞州，美国马萨诸塞州02118。S. Huntington Ave，波士顿，马萨诸塞州02130，美国。3马萨诸塞州马萨诸塞州马萨诸塞州马萨诸塞州马萨诸塞州801 Ave Crosstown中心的波士顿大学公共卫生学院生物统计学系，美国马萨诸塞州，美国马萨诸塞州02118。4。02142，美国意大利。意大利，意大利，意大利。剑桥研究所。。Bartholomew的Barthol心脏中心，Bartholomew，比恩。
使用遗传变异来评估降低胆固醇对头颈癌风险的因果影响：孟德尔随机化研究
1 MRC 综合流行病学部，人口健康科学系，布里斯托尔医学院，布里斯托尔大学，英国布里斯托尔，2 布里斯托尔牙科医院和学院，布里斯托尔大学，英国布里斯托尔，3 布里斯托尔医学院，布里斯托尔大学，英国布里斯托尔，4 布里斯托尔大学医院和韦斯顿 NHS 基金会信托国家健康研究所布里斯托尔生物医学研究中心，布里斯托尔大学，英国布里斯托尔，5 埃克塞特大学医学院，RILD 大楼，RD&E 医院，埃克塞特，英国，6 世界卫生组织遗传流行病学组，国际癌症研究机构，法国里昂，7 意大利罗马天主教圣心大学生命科学与公共卫生系卫生科，8 妇女儿童健康和公共卫生部，公共卫生领域，基金会意大利罗马 A. Gemelli IRCCS 大学综合医院，9 美国北卡罗来纳州教堂山北卡罗来纳大学吉林斯全球公共卫生学院流行病学系，10 美国宾夕法尼亚州匹兹堡匹兹堡大学公共卫生研究生院和 UPMC Hillman 癌症中心人类遗传学系，11 加拿大多伦多西奈医疗系统 Lunenfeld-Tanenbaum 研究所 Prosserman 人口健康研究中心，12 加拿大多伦多多伦多大学 Dalla Lana 公共卫生学院，13 加拿大多伦多玛格丽特公主癌症中心，14 英国布里斯托尔布里斯托尔大学细胞与分子医学学院，15 巴西圣保罗圣何塞杜里奥普雷图医学院，16 以色列阿尔伯特医院阿尔伯特爱因斯坦研究与教育研究所爱因斯坦，巴西圣保罗，17 荷兰马斯特里赫特大学医学中心 GROW 研究所耳鼻咽喉科和头颈外科系