XiaoMi-AI文件搜索系统
World File Search SystemCanonical
ZX 微积分中的 QECC 的规范形式和等价类
需要量子纠错码 (QECC) 来对抗影响量子过程的固有噪声。使用 ZX 演算，我们将 QECC 表示为一种称为 ZX 图的形式，该图由节点和边组成。在本文中，我们给出了环面码和某些曲面码的 ZX 图的规范形式。我们通过使用双代数规则（该规则删除了多余的内部节点并通过 Quantomatic 实现）和边局部补充规则（该规则交换两个节点的颜色）重写这些形式来推导这些形式。接下来，我们将等价类制成表格，包括它们的大小和二分形式是否存在等属性，以及 QECC 的一般 ZX 图。这项工作扩展了之前在 ZX 图表示中探索 QECC 的规范形式的工作。
刺激后大脑反应的刺激知情广义典型相关分析
摘要 — 在脑机接口或神经科学应用中，广义典型相关分析 (GCCA) 通常用于提取关注同一刺激的不同受试者神经活动中的相关信号成分。 这可以量化所谓的受试者间相关性，或提高刺激后大脑反应相对于其他（非）神经活动的信噪比。 然而，GCCA 不了解刺激：它不考虑刺激信息，因此不能很好地处理较少量的数据或较小的受试者群体。 我们提出了一种基于 MAXVAR-GCCA 框架的新型刺激知情 GCCA 算法。 我们展示了所提出的刺激知情 GCCA 方法的优越性，该方法基于一组受试者聆听相同语音刺激的脑电图反应之间的受试者间相关性，尤其是对于较少量的数据或较小的受试者群体。
DNA元件系绳典型Polycomb抑制复合物1 to Human Genes
多细胞动物的摘要需要polycomb组蛋白的表观遗传抑制。后者在多种亚基X es中组装，其中两种，poly comb r ePressiv e comple x 1（pr c1）和poly comb r e：re atressiv e comple x 2（prc2），起作用，以抑制k e y de v e v elopmental基因。ho w pr c1和pr c2识别特定基因仍然是一个悬而未决的问题。在这里，我们报告了数百个DNA元素的鉴定，这些DNA元素将规范PRC1绑定到人类发育基因。我们使用该术语系列来描述在某些基因组部位在某些基因组部位显着存在的过程，尽管该复合物不太可能直接与DNA相互作用。详细的分析表明，与PRC1束缚相关的序列特征与F a v我们的PR C2结合的序列特征不同。t hrought the Genome，两种序列的特征是不同比例混合的，以产生一系列的DNA元素，这些元素的范围从主要是prc1或prc2到能够束缚这两种复合物的元素。新兴图片类似于果蝇的多梳子响应元件（PRES）对polycomb络合物的范式靶向，但可塑性是较高的。
Haikou
摘要：本文试图在分析fMRI数据中进步，以检测阿尔茨海默氏病的发作并确定疾病进展中的阶段。我们采用网络神经科学的方法来表示范围内fMRI数据阵列之间的相关性，并引入了用于网络构建和分析的新技术。在网络构建中，我们在建立节点之间建立大胆的时间序列相关性方面有所不同，从而产生拓扑和其他网络特征的变化。用于网络分析，我们采用开发的方法来建模热系统中虚拟粒子的统计集合。微型典型集合和规范合奏类似于两个不同的fMRI网络表示。在前一种情况下，每个网络中的边数差异为零，而在后一种情况下，网络集的边数差异。集合方法通过考虑与程度配置和网络熵密切相关的潜在微观特征来描述网络的宏观特性。当应用于阿尔茨海默氏症患者和对照组中的fMRI数据中时，我们的方法表明，在识别病理学变化的大脑区域以及揭示此类变化的动态方面，敏感性水平足以临床目的。
Langerhans细胞驱动TFH和B细胞反应，独立于规范
。cc-by-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他已授予Biorxiv的许可证，以永久显示预印本。它是制作
多任务稀疏典型相关分析及其在多模态脑成像遗传学中的应用
脑成像遗传学是脑科学中一个新兴的重要课题，它整合了遗传因素和神经影像表型测量。这种结合不同遗传和基因组数据的整合研究有望揭示大脑结构和功能的遗传基础，并进一步为解释遗传变异与阿尔茨海默病 (AD) 等脑部疾病之间的因果关系提供新的机会 [1]，[2]。现代神经影像技术，如磁共振成像 (MRI) 和正电子发射断层扫描 (PET)，基于不同的技术对大脑的形态和代谢过程进行成像，并从不同角度生成描述大脑的不同图像数据。这些多模态图像数据提供了互补的信息，并已被证明可以提供对大脑结构、功能和脑部疾病的全面理解 [3]。此外，在生物医学研究中，我们通常会面临大量的基因分型生物标记，例如单核苷酸多态性 (SNP)，它是全基因组关联研究 (GWAS) 中的一种高分辨率标记。因此，开发面向GWAS、快速高效、同时整合多模态成像数据的成像遗传学方法具有重要的意义和意义。
学习典型形状空间以进行类别级 6D 物体姿势和尺寸估计
我们提出了一种类别级 6D 物体姿势和大小估计的新方法。为了解决类内形状变化，我们学习了规范形状空间 (CASS)，它是特定物体类别的大量实例的统一表示。具体而言，CASS 被建模为具有规范化姿势的规范 3D 形状的深度生成模型的潜在空间。我们训练变分自动编码器 (VAE) 以从 RGBD 图像在规范空间中生成 3D 点云。VAE 以跨类别的方式进行训练，利用公开可用的大型 3D 形状存储库。由于 3D 点云是以规范化姿势（具有实际大小）生成的，因此 VAE 的编码器学习视图分解的 RGBD 嵌入。它将任意视图中的 RGBD 图像映射到与姿势无关的 3D 形状表示。然后，通过将物体姿势与使用单独的深度神经网络提取的输入 RGBD 的姿势相关特征进行对比来估计物体姿势。我们将 CASS 的学习和姿势和尺寸估计集成到端到端可训练网络中，实现了最先进的性能。
规范和非典型的PRC1差异促进了神经干细胞命运的调节
6 Riken综合医学科学中心发育遗传学实验室，1-7-22 Suehiro-Cho，Tsurumi-Ku，Yokohama，Kanagawa，Kanagawa 230-0045，日本。 摘要新皮层发育的特征是神经祖细胞（NPC）膨胀，神经发生和神经胶质发生的顺序相。 多肉体介导的表观遗传机制在调节发育过程中的谱系潜力中起着重要作用。 PolyComb抑制性复合物1（PRC1）的组成在哺乳动物中高度多样，并被认为有助于细胞命运的上下文特异性调节。 在这里，我们对规范PRC1.2/1.4和非典型的PRC1.3/1.5的作用进行了侧面副副作用，所有这些作用均在NSC增殖和分化中表达。 我们发现NSC中PCGF2/4的缺失导致在神经发生和神经胶原型相期间，PCGF2/4的删除大大减少和改变谱系命运，而PCGF3/5则起了较小的作用。 从机械上讲，编码干细胞和神经源性因子的基因由PRC1结合，并在PCGF2/4缺失时差异表达。 因此，与非典型PRC1相比，在增殖，神经源和神经胶原相比，在增殖，神经源和神经胶原阶段期间，规范PRC1在不同的PRC1亚复合体中有助于不同的阶段，而是在NSC调节中起着更重要的作用。 NPC增殖和的精确空间和时间调节6 Riken综合医学科学中心发育遗传学实验室，1-7-22 Suehiro-Cho，Tsurumi-Ku，Yokohama，Kanagawa，Kanagawa 230-0045，日本。摘要新皮层发育的特征是神经祖细胞（NPC）膨胀，神经发生和神经胶质发生的顺序相。多肉体介导的表观遗传机制在调节发育过程中的谱系潜力中起着重要作用。PolyComb抑制性复合物1（PRC1）的组成在哺乳动物中高度多样，并被认为有助于细胞命运的上下文特异性调节。在这里，我们对规范PRC1.2/1.4和非典型的PRC1.3/1.5的作用进行了侧面副副作用，所有这些作用均在NSC增殖和分化中表达。我们发现NSC中PCGF2/4的缺失导致在神经发生和神经胶原型相期间，PCGF2/4的删除大大减少和改变谱系命运，而PCGF3/5则起了较小的作用。从机械上讲，编码干细胞和神经源性因子的基因由PRC1结合，并在PCGF2/4缺失时差异表达。因此，与非典型PRC1相比，在增殖，神经源和神经胶原相比，在增殖，神经源和神经胶原阶段期间，规范PRC1在不同的PRC1亚复合体中有助于不同的阶段，而是在NSC调节中起着更重要的作用。NPC增殖和在新皮层，茎和祖细胞开发过程中的引入最初是增殖的，然后再依次引起注定到不同皮质层的神经元，然后产生星形胶质细胞和少突胶质细胞（Lodato＆Arlotta，2015年，2015年； Qian等人，2000年）。
规范和非典型PRC1差异促进了神经干细胞命运的调节
新皮层发育的特征是神经祖细胞（NPC）膨胀，神经发生和胶片发生的顺序相。多肉体介导的表观遗传机制在调节发育过程中的谱系潜力中起着重要作用。PolyComb抑制复合物1（PRC1）的组成在哺乳动物中高度多样，并被介绍为有助于细胞命运的上下文调节。在这里，我们对规范PRC1.2/1.4和非典型PRC1.3/1.5的作用进行了并排比较，所有这些都在NSC的增生和分化中表达。我们发现NSC中PCGF2/4的缺失导致在神经发生和神经胶原型相期间，PCGF2/4的删除大大减少和改变谱系命运，而PCGF3/5则起了较小的作用。从机械上讲，编码干细胞和神经源性因子的基因由PRC1结合，并在PCGF2/4缺失时差异表达。因此，与非典型的PRC1相比，在扩散，神经源和神经胶原阶段的增殖，神经源和神经胶原阶段期间，规范性PRC1在NSC调节中起着更重要的作用，而不是不同的PRC1亚复合物在NSC调节中起着更重要的作用。
根据规范扩张的最佳非线性外推方法的最佳非线性外推方法
摘要 - 向量随机函数的非线性外推在许多科学和工程应用中起关键作用，例如信号处理，财务预测，机器学习和湍流建模。传统的线性外推技术，包括Wiener滤波和自回归移动平均值（ARMA）模型，通常无法说明非高斯数据中存在的复杂依赖关系和高阶相互作用。虽然规范扩展通过正交基函数分解提供了向量随机函数的最佳表示，但它们仍然不足以进行有效的非线性外推。需要一种更高级的方法来捕获复杂的现实世界数据集中固有的高阶依赖性和多尺度结构。本研究探讨了传统方法的局限性，并提出了一个可靠的非线性外推框架，以应对非高斯统计和多尺度可变性所带来的挑战。