XiaoMi-AI文件搜索系统
World File Search SystemAraujo
量化热地暴露及其在里约热内卢市的相关死亡率：支持里约热内卢最近的热量方案JoãoHenriquede araujo
JoãoHenriquede araujo Morais joao.tlp@gmail.com R. LeopoldoBulhões，1480年 - 曼吉尼奥斯，里约热内卢 - 巴西RJ，巴西。21041-210伦理陈述作者告知，研究中使用的气候数据是公开的，可以自由地进行分析。死亡率数据不是公开的，并且是意见号批准的项目的一部分。6.572.784由里约热内卢市政卫生部研究伦理委员会。 分析中没有使用个人敏感或可识别的信息。 作者贡献所有作者都参与了作品的概念和设计。 JHAM，VS和OGC从事统计建模和数据分析。 所有作者都参与了结果的解释。 所有作者都参加了手稿写作及其批判性评论。 所有作者都批准了手稿的最终版本。 数据可用性6.572.784由里约热内卢市政卫生部研究伦理委员会。分析中没有使用个人敏感或可识别的信息。作者贡献所有作者都参与了作品的概念和设计。JHAM，VS和OGC从事统计建模和数据分析。所有作者都参与了结果的解释。所有作者都参加了手稿写作及其批判性评论。所有作者都批准了手稿的最终版本。数据可用性
引用本文：Abdallah DI、de Araujo ED、Patel NH、Hasan LS、Moriggl R、Krämer OH 等。药物化学在靶向 I 类组织学方面取得进展
组蛋白去乙酰化酶 (HDAC) 是一类锌 (Zn) 依赖性金属酶，负责表观遗传修饰。HDAC 主要与在 DNA 水平上调节基因表达的组蛋白有关。这种严格的调节由组蛋白和非组蛋白的乙酰化 [通过组蛋白乙酰转移酶 (HAT)] 和去乙酰化 (通过 HDAC) 控制，这些蛋白会改变 DNA 的卷曲状态，从而影响基因表达作为下游效应。在过去的二十年里，HDAC 得到了广泛的研究，并被应用于一系列疾病，其中 HDAC 失调与疾病的出现和进展密切相关 - 最突出的是癌症、神经退行性疾病、艾滋病毒和炎症性疾病。HDAC 作为这些生化途径的调节剂参与其中，使其成为一个有吸引力的治疗靶点。本综述总结了为创造 HDAC 抑制剂 (HDACis)，特别是 I 类 HDAC 而做出的药物开发努力，重点关注这些抑制剂的药物化学、结构设计和药理学方面。
如何引用本文：Cafruni VM，Parise AC，Santini-Araujo MG，Carlucci S，Villena DS，Conti LA，Sotelano P，CarrascoM。
首先使用Preo呈脚踝指数测量的PREO经常生态多普勒评估患者的血管状态。然后还通过心血管手术服务评估了它们。在B Through数字血管造影之后，他们不仅检查了PTA的PTA状况和高跟垫组织的血管化。如果这种血管化不够，则由于PTA或侧支血管（如Peroneal动脉的跟骨分支）灌溉，患者在截肢前进行了血运重建，以使脚跟垫的血运重建（21）（图1）。因此，当任何一个提供脚跟的分支完好无损，并且在临床上的温度与没有感染迹象和皮肤病变的对侧脚跟垫相同时，SA就会显示出SA。数据是从电子病历中收集的。
已发布版本的引文：Ranieri, CM、Moioli, RC、Romero, RAF、de Araujo, MFP、De Santana, MB、Montino Pimentel, J 和 Vargas, PA 2020，揭幕
摘要 —帕金森病 (PD) 是一种神经退行性疾病，在世界人口中患病率不断上升，其特征是运动和认知症状。尽管 PD 患者的皮质脑电图读数通常用于输入不同的机器学习框架，但直接受影响的区域集中在一组皮质下核和相关区域，即所谓的运动回路。由于这些区域只能通过侵入性程序（例如局部场电位 (LFP) 测量）直接访问，因此大多数数据收集必须依赖于动物模型。据我们所知，到目前为止，还没有以运动回路 LFP 数据为中心的基于神经网络的分析报告。在这项工作中，我们训练和评估了一组深度神经网络，数据集来自狨猴，其中 LFP 读数来自健康和帕金森病患者。我们分析了每个训练过的神经网络的输入和来自中间层的表示。使用了 CNN 和 ConvLSTM 分类器，准确率高达 99.80%，以及基于 CNN 的自动编码器，该编码器也已证明可以学习与 PD 相关的表征。结果和分析提供了进一步的见解，并促进了对帕金森病相关因素的研究。索引术语 — 帕金森病、LFP 分析、深度学习、归因方法、计算神经科学。
已发表版本引文 (APA)：Araujo, T.、Helberger, N.、Kruikemeier, S. 和 de Vreese, CH (2020)。我们信任人工智能吗？对人工智能自动决策的看法。AI & Society，35(3)，611-623。https://doi.org/10.1007/s00146-019-00931-w
摘要 在不断增长的 (数字) 数据量和人工智能进步的推动下，当代社会的决策越来越多地被委托给自动化流程。本研究借鉴社会科学理论和关于算法欣赏和算法感知的新兴研究，探讨了个人特征与对人工智能自动决策的感知之间的关联程度，以及这些感知的边界条件，即这些感知在不同的媒体、(公共) 健康和司法背景下的差异程度。一项基于情景的全国样本调查实验 (N = 958) 的数据显示，人们总体上担心风险，对社会层面自动决策的公平性和实用性有不同的看法，总体态度受个人特征的影响。有趣的是，人工智能自动做出的决策通常被评价为与人类专家相当甚至更好。这些发现的理论和社会意义被讨论。