XiaoMi-AI文件搜索系统
World File Search SystemAUCS
2024 ONCREF AACR海报
参考数据集的观点。a-b）WRN抑制剂剂量反应曲线横跨900个Prism细胞系（https://github.com/niu-lab/ msisensor2），以及区域范围内curve（auc）和基因组 - 含量 - 含基因组shrna或crispr（xpr）依赖性（xpr）依赖性的相关性，依赖于强度，是强化的良好。c）每个化合物注销的目标对之间的棱镜AUC和shRNA或XPR依赖性之间的相关性（| r |）。XPR依赖性细胞系的比例（概率> 0.5;颜色）反映了部分抑制（SHRNA）可以更好地恢复目标上的关系的实例。d）这些化合物靶向对的最佳全基因组相关等级的分布。e）由254个Prism AUC auc pro填充的成对Pearson相关性产生的UMAP在约900个细胞系中，通过注释化合物颜色，表明生物学信号的总体连贯性。
通过多种分类策略预测药物-靶标相互作用
摘要背景：通过实验确定药物-靶标相互作用（DTI）成本高昂且耗时，因此计算预测药物与蛋白质靶标之间的相互作用对于新药研发至关重要。然而，不同的蛋白质靶标之间相互作用的数量差异很大。具体而言，大多数相互作用仅集中在少数靶标上。因此，相互作用数量较多的靶标可能拥有足够的正样本来预测其相互作用，而相互作用数量较少的靶标的正样本可能不足。仅使用一种分类策略可能无法同时处理上述两种情况。为了解决上述问题，本文提出了一种基于多种分类策略的药物-靶标相互作用预测方法（MCSDTI）。在MCSDTI中，首先根据靶标的相互作用数量将靶标分为两部分，一部分包含相互作用数量较少的靶标（TWSNI），另一部分包含相互作用数量较多的靶标（TWLNI）。然后分别为TWSNI和TWLNI设计不同的分类策略来预测相互作用。此外，对TWSNI和TWLNI进行独立评估，可以克服同时评估所有靶标时结果可能主要由具有大量相互作用的靶标决定的问题。结果：提出了一种新的药物-靶标相互作用（MCSDTI）预测方法，该方法采用多种分类策略。MCSDTI在五个DTI数据集上进行了测试，例如核受体（NR），离子通道（IC），G蛋白偶联受体（GPCR），酶（E）和药物库（DB）。实验表明，对于TWLNI，我们的方法在NR，IC，GPCR和E上的AUC分别比第二好的方法高3.31％，1.27％，2.02％，2.02％和1.04％；对于TWSNI，我们的方法在NR，IC和E上的AUC分别比第二好的方法高1.00％，3.20％和2.70％。结论：MCSDTI 在大多数数据集上对于所有目标部位都是一种比以前的方法更有竞争力的方法，针对不同目标部位采用不同的分类策略是提高 DTI 预测效果的有效方法。
基于图神经网络预测 lncRNA 与药物的关联
LncRNA 是一类重要的非编码 RNA，据报道与多种人类病理状况有关。越来越多的证据表明药物可以调节 lncRNA 的表达，这使得将 lncRNA 开发为治疗靶点成为可能。因此，开发预测 lncRNA-药物关联 (LDA) 的计算机方法是开发基于 lncRNA 的疗法的关键步骤。在本研究中，我们使用基于 lncRNA 和药物相似性网络的图卷积网络 (GCN) 和图注意力网络 (GAT) 来预测 LDA。结果表明，我们提出的方法在五个数据集上取得了良好的性能（平均 AUC > 0.92）。此外，案例研究和 KEGG 功能富集分析进一步证明该模型可以有效识别新型 LDA。总体而言，本研究提供了一个基于深度学习的预测新型 LDA 的框架，这将加速针对 lncRNA 的药物开发进程。
o r i g i n a l r e s a r c h亚临床糖尿病外周神经病的风险因素2型糖尿病
目的：研究2型糖尿病（T2DM）患者中与亚临床糖尿病周围神经病（SDPN）相关的危险因素。患者和方法：这项横断面的回顾性研究涉及311例T2DM患者，他们从2018年1月至2021年12月被连续入院而没有任何神经症状。所有参与者都接受了神经传导研究（NCS），而神经传导异常的无症状患者均被诊断为SDPN。通过卡方，Wilcoxon或Fisher的精确测试评估组之间的差异。二进制逻辑回归分析以确定SDPN的独立风险因素。接收器操作特征（ROC）曲线，并检测到曲线下的面积（AUC）。结果：在311例T2DM的无症状患者中，神经传导异常的142例（45.7％）被诊断为SDPN。患有SDPN的患者与没有糖尿病外周神经病（DPN）的患者在年龄，高血压史，糖尿病持续时间，贫血，嗜中性粒细胞与淋巴细胞比率，禁食C肽水平，血清肌酐水平和蛋白尿素水平以及蛋白尿症（所有蛋白尿症）（All P <0.05）。此外，糖尿病的持续时间（优势比[OR]：1.062，95％置信区间[CI]：1.016–1.110），禁食C肽水平（OR：2.427，95％CI：1.126-5.231）和白蛋白蛋白蛋白蛋白白蛋白（1.126-5.231），以及COLEINURIA（或存在）与SDPN的发展相关（全p <0.05）。确定SDPN发展的潜在风险因素并尽早控制它们对于成功管理DPN至关重要。禁食C肽水平，糖尿病持续时间和两个因素的AUCS为0.6229（95％CI：0.5603–0.6855，p = 0.0002），0.6738，0.6738（95％CI：0.6142-0.7333，P <0.0001），和0.6801，和0.6808（95％）分别为0.6212–0.7404，p <0.0001）。结论：对于T2DM且糖尿病持续时间更长的患者，禁食C肽水平较低以及蛋白尿的存在，即使没有临床体征或症状，患DPN的风险也更高。关键字：2型糖尿病，亚临床糖尿病外周神经病，神经传导研究，禁食C肽，蛋白尿，风险因素
重症监护病房中残留意识的多模式预测：CONNECT-ME 研究
功能性磁共振成像 (fMRI) 和脑电图 (EEG) 可能揭示意识障碍 (DoC) 患者的残留意识，这反映在有关慢性意识障碍的文献中。然而，急性意识障碍很少被研究，尽管识别残留意识是重症监护病房 (ICU) 临床决策的关键。因此，前瞻性、观察性、三级中心队列、诊断性 IIb 期研究“使用脑电图和 fMRI 进行神经重症监护队列研究中的意识”(CONNECT-ME，NCT02644265) 的目的是评估 fMRI 和脑电图在 ICU 中识别急性意识障碍的残留意识的准确性。2016 年 4 月至 2020 年 11 月期间，对 87 名患有创伤性或非创伤性脑损伤的急性意识障碍患者进行了反复临床评估、fMRI 和脑电图检查。通过视觉分析、频带分析和支持向量机 (SVM) 意识分类器评估静息态脑电图和外部刺激下的脑电图。此外，还评估了典型静息态 fMRI 网络内和网络间静息态连接。接下来，我们使用研究入组时的 EEG 和 fMRI 数据，采用两种不同的机器学习算法（随机森林和带线性核的 SVM）来区分研究入组时和转出 ICU 时（或死亡前）处于微意识状态或更好（≥ MCS）的患者与昏迷或无反应觉醒状态（≤UWS）的患者。使用曲线下面积（AUC）评估预测性能。在 87 名 DoC 患者（平均年龄 50.0 ± 18 岁，43% 为女性）中，51 名（59%）在研究入组时≤UWS，36 名（41%）≥ MCS。31 名（36%）患者在 ICU 死亡，其中 28 名患者停止了生命维持治疗。 EEG 和 fMRI 可预测入选研究和转出 ICU 时的意识水平，最大 AUC 分别为 0.79（95% CI 0.77–0.80）和 0.71（95% CI 0.77–0.80）。基于组合 EEG 和 fMRI 特征的模型可预测入选研究和转出 ICU 时的意识水平，最大 AUC 分别为 0.78（95% CI 0.71–0.86）和 0.83（95% CI 0.75–0.89），阳性预测值和灵敏度均有所提高。总体而言，两种机器学习算法（SVM 和随机森林）的表现同样出色。总之，我们建议 ICU 中的急性 DoC 预测模型应基于 fMRI 和 EEG 特征的组合，而不管使用哪种机器学习算法。
重症监护室中残留意识的多模式预测：Connect-Me研究
功能性MRI（fMRI）和EEG可能揭示意识障碍患者（DOC）的残留意识，这是由慢性文献的快速扩展的慢性文献所反映的。然而，尽管识别剩余意识是重症监护病房（ICU）临床决策的关键，但很少研究急性DOC。因此，前瞻性，观察性，第三级中心队列，IIB期研究“使用EEG和fMRI的神经严重护理队列研究中的意识研究”（Connect-ME，NCT02644265）的目的是评估fMRI和EEG的准确性，以评估fMRI和EEG的准确性，以识别ICU中急性文档中急性文档中的残留意识。在2016年4月至2020年11月之间，通过反复的临床评估（fMRI和EEG）检查了87例急性DOC患者，患有创伤性或非创伤性脑损伤。通过视觉分析，光谱频带分析和支持向量机（SVM）意识分类器评估静止状态的脑电图和外部刺激。此外，评估了针对规范静止状态fMRI网络的内部和区域内静止状态连接性。接下来，我们在研究入学时使用了EEG和FMRI数据，以两种不同的机器学习算法（随机森林和SVM与线性内核）区分以最低意识的状态或更高的（≥mcs）的患者与昏迷或无反应的醒目状态（≤UWS）的患者（≤UWS）在ICU中（或在ICU中）（或在ICU之前）（或在ICU之前）（或在ICU之前）在曲线下用面积（AUC）评估了预测性能。在研究入学人群中，87例DOC患者（平均年龄为50.0±18岁），女性为43％），51名（59％）为≤UWS，36（41％）为≥MC。三十一名（36％）患者在ICU中死亡，其中28例撤离生命疗法的患者。eeg和fMRI预测了研究入学和ICU出院时的意识，最大AUC为0.79（95％CI 0.77-0.80）和0.71（95％CI 0.77-0.80）。基于脑电图组合和fMRI组合的模型可预测研究入学率和ICU放电时的意识水平，最大AUC为0.78（95％CI 0.71-0.86）和0.83（95％CI 0.75-0.89），具有IM证明积极的预测值和敏感性。总体而言，机器学习算法（SVM和随机森林）的表现同样出色。总而言之，我们建议ICU中的急性DOC预测模型是基于fMRI和EEG特征的组合，无论使用的机器学习算法如何。
数字共享@贝克尔 - 华盛顿大学
血浆磷酸化TAU 217（P-TAU217）目前是可靠检测阿尔茨海默氏病病理学的最有前途的生物标志物。已经开发了各种P-TAU217测定法，但它们的相对性能是明确的。我们使用淀粉样蛋白β（aβ） - PET，tau-pet和认知的横截面和纵向测量的关键血浆P-TAU217测试作为结果，并根据CSF生物标志物测试进行了基准测试。来自998个个体的样本[平均（范围）68.5（20.0–92.5）年，女性为53％的女性]，分析了包括认知性不受影响和认知受损的个体在内的瑞典生物发电机-2 CO HORT。等离子体P-TAU217，并通过免疫测定法（P-TAU217 WASHU）以及PAU217 LILLY，P-TAU217 LILLY，P-TAU217 JANSSESEN和P-TAZSEN和P-TAZ217 AAL217 ALZ217 ALZ21。CSF生物标记包括Lilly的P-TAU217，美国食品和药物管理局批准的P-TAU181/Aβ42Elecsys和P-Tau181 Elecsys。所有等离子体P-TAU217测试均表现出很高的检测异常Aβ-PET [曲线下的面积（AUC）范围：0.91-0.96]和TAU-PET（AUC范围：0.94–0.97）。浆质量p-TAU217 WASHU的性能最高，AUC明显高于所有免疫测定（p diff <0.007）。用于检测β -PET状态，％p -tau217 WASHU的精度为0.93（Immu noAssays：0.83-0.88），灵敏度为0.91（免疫测定：0.84-0.87），特异性为0.94（ImmunoAses）（ImmunoAses：0.85-5-0.89）。主要结果在来自圣路易斯华盛顿大学的外部队列中复制（n = 219）。在免疫测定中，P-TAU217 Lilly和Plasma P-TAU217 AlzPath具有比血浆P-TAU217 JANSSEN高的AUC（p-peT pet）状态（P diff <0.006），P-TAU217 Lilly Opperperment oppergence Plasma p-tau217 alz fiff = 0.0 alz in 0.0 alz ppath p = 0.0 diff = ppet。血浆％p-TAU217 WASHU与所有PET负荷结果表现出更强的关联；基线Aβ -pet负载（R 2：0.72；免疫测定：0.47-0.58; P Diff <0.001），基线Tau -Pet载荷（R 2：0.51;免疫测定：0.38-0.45：0.38–0.45; P Diff <0.001），longialaAβ -Pet载荷（R 2：0.0.0.53; r 2：0.53; r 2：0.53; r 2：0.53; p; r 2：r 2：r 2：0.53; p; 0.001）和纵向tau-pet载荷（r 2：0.50;免疫测定：0.35–0.43; p diff <0.014）。在免疫测定中，比血浆P-TAU217 JANSSEN（P DIFF <0.020）和Tau-Pet负载比血浆P-TAU217更与β-Pet负载更相关，而Plasma P-TAU217 JANSSEN和PLASMA P-TAU217 ALZ PATH（Allz Pather）（All p diff <0.010）。质量％p-TAU217也比所有免疫测定法（r 2：％p-tau217 WASHU：0.33;免疫测定：0.27–0.30; p diff <0.024）更与基线认知（迷你精神状态检查）更加密切。最后，p-tau217 nulisa在两个队列的子集中表现出与其他免疫测定相似的性能。
生物标志物能否正确预测呼吸机相关
结果：在 ANTHARTIC 试验中，有 161 名患者可以获得生物样本，与未患 VAP 的患者（n = 121）相比，患 VAP 的患者（n = 33）的体重指数和急性生理与慢性健康评估 II 评分较高、未目击心脏骤停次数较多、儿茶酚胺较多，且治疗性低温持续时间较长。在单变量分析中，与 VAP 显着相关且曲线下面积 (AUC) 大于 0.70 的生物标志物是 CRP（AUC = 0.76）、白细胞介素 (IL) 17A 和 17C (IL17C) (0.74)、巨噬细胞集落刺激因子 1 (0.73)、PCT (0.72) 和血管内皮生长因子 A (VEGF-A) (0.71)。结合新型生物标志物的多变量分析显示，p 值小于 0.001 且比值比大于 1 的几对：VEGF-A + IL12 亚基 β (IL12B)、Fms 相关酪氨酸激酶 3 配体 (Flt3L) + C–C 趋化因子 20 (CCL20)、Flt3L + IL17A、Flt3L + IL6、STAM 结合蛋白 (STAMBP) + CCL20、STAMBP + IL6、CCL20 + 4EBP1、CCL20 + caspase-8 (CASP8)、IL6 + 4EBP1 和 IL6 + CASP8。观察到 CRP + IL6 (0.79)、CRP + CCL20 (0.78)、CRP + IL17A 和 CRP + IL17C 的最佳 AUC。
定量DCE-US成像协议的新校准设置：朝标准化
方法：此校准方法已被设计为易于重现和优化，从而减少了所需的时间和成本。它是基于原始设置，其中包括使用浓度分离器来测量从时间强度曲线（AUC）下从面积（AUC）获得的谐波信号强度的变化作为各种对比剂浓度的函数。分离器提供了4种不同的浓度，同时从Sonovue™对比剂的初始浓度的12.5至100％不等（Bracco Imaging S.P.A.，米兰，意大利），在单个注射中测量4个AUC。AUC的图作为四个对比剂浓度的函数表示谐波信号的强度变化：斜率是校准参数。通过这种方法的标准化暗示，两代超声扫描仪都必须具有相同的斜率为校准。此方法已在同一制造商（Aplio500™，Aplioi900™，佳能医疗系统，日本东京）的两个超声扫描仪上进行了测试。APLIO500™使用了最初的多中心DCE-US研究定义的设置。已经调整了Aplioi900™的机械索引（MI）和颜色增益（CG），以匹配Aplio500™的颜色。根据测量可重复性评估了新设置的可靠性，一旦对两个超声扫描仪进行校准，获得的测量值之间的一致性可重复性。
基质金属蛋白酶9的表达和胶质母细胞瘤的生存预测，使用机器学习在数字病理图像上
这项研究旨在应用病原体来预测胶质母细胞瘤（GBM）中基质金属蛋白酶9（MMP9）的表达，并研究与病原体相关的潜在分子机制。在这里，我们包括了127名GBM患者，其中78例被随机分配给训练和测试队列以进行致病模型。使用Kaplan – Meier和Cox回归分析评估了MMP9的预后意义。吡啶组学用于提取H＆E染色的整个幻灯片图像的特征。使用最大相关性和最小冗余（MRMR）和递归特征消除（RFE）算法进行特征选择。使用支持向量机（SVM）和逻辑回归（LR）创建了预测模型。使用ROC分析，校准曲线评估和决策曲线分析评估了性能。MMP9表达升高。这是GBM的独立预后因素。为致病模型选择了六个功能。对于SVM模型，训练和测试子集的曲线和测试子集的面积分别为0.828和0.808，对于LR模型，SVM模型和0.778和0.754分别为0.778和0.754。C-指数和校准图具有有效的估计能力。使用SVM模型计算的病原体得分与总生存时间高度相关。这些发现表明MMP9在GBM的发展和预后中起着至关重要的作用。我们的病原学模型显示出高疗效，可预测GBM患者的MMP9表达水平和预后。