XiaoMi-AI文件搜索系统
World File Search SystemConnectome
在...
神经影像学研究越来越多地使用面向网络的分析来了解健康和分散个体的人脑。神经科学研究提供了证据，表明这些神经回路在解释人口之间的大脑功能差异方面起着至关重要的作用[1]。青少年脑认知发展（ABCD）研究[2]是美国脑发育和儿童健康的最大和长期研究。它为多样化的人群提供了广泛的大脑发展数据集，包括fMRI和丰富的生物学和行为调查结果。此数据集提供了一个机会，可以探索与错综复杂的大脑联系和丰富的行为数据之间的关系。最近有一种趋势是使用源自神经成像数据（例如fMRI）来预测各种临床结果的脑网络。然后分析这些模型以确定功能性脑网络与临床结果之间的潜在相关性。例如，Li等人。[3]提出了一个GNN模型来预测临床靶标，然后发现了特定于任务的神经系统标志物。此外，Chen等人。[1]在ABCD研究中为每个行为任务构建了单个模型，并分析了这些模型以捕获各种行为的关系。我们没有在这项工作中训练每个任务的单个模型，而是通过多任务学习（MTL）同时培训35个任务以及来自ABCD研究中7327个样本的休息状态功能性脑网络。MTL是一个框架，使多个学习任务能够共享其知识，从而改善了概括。所使用的骨干模型是脑网络跨前来[4]。MTL模型体系结构的概述如图1：大脑网络变压器将大脑网络转换为图形级别的嵌入，然后将其馈入每个预测目标的不同特定任务完全连接的网络（FCN）中。使用ADAM优化器对所有目标进行了端到端训练，并应用了平方误差以计算损失和评估性能。此外，我们为比较训练了35个单独的大脑网络变压器，一个用于每个任务。我们将35个任务包括在ABCD研究中，分为3个类别（域）：认知预测（15个任务），人格预测（9个任务）和心理健康预测（11个任务）。我们的实验结果表明，MTL的性能明显优于单任务mod-
解释混合种群中的SNP遗传力
1 EDUWELL team, Lyon Neuroscience Research Centre, INSERM U1028, CNRS UMR5292, Lyon 1 University, Lyon, France 2 Centre National de la Recherche Scientifique (CNRS) and Université de Paris, INCC UMR 8002, Paris, France, 3 Normandie Univ, UNICAEN, INSERM, U1237, NeuroPresage Team, Cyceron, 14000 CAEN，法国4040年4心理学系艺术与科学学院，范德比尔特视觉研究中心，范德比尔特大学，纳什维尔，田纳西州田纳西州37235，美国 *地址与Antoine.lutz@inserm.lutz@inserm.fr
转录细胞周期蛋白依赖性激酶的小分子抑制剂施加了HIV-1潜伏期，呈现“块和锁定”治疗策略
Authors: Lianglong Sun 1,2,3 , Tengda Zhao 1,2,3, # , Xinyuan Liang 1,2,3,# , Mingrui Xia 1,2,3,# , Qiongling Li 1,2,3 , Xuhong Liao 4 , Gaolang Gong 1,2,3,5 , Qian Wang 1,2,3 , Chenxuan Pang 1,2,3 , Qian Yu 1,2,3 , Yanchao Bi 1,2,3,5 , Pindong Chen 6 , Rui Chen 1 , Yuan Chen 7 , Taolin Chen 8 , Jingliang Cheng 7 , Yuqi Cheng 9 , Zaixu Cui 5 , Zhengjia Dai 1,2,3 , Yao Deng 1 , Yuyin Ding 1 , Qi Dong 1 , Dingna Duan 1,2,3 , Jia-Hong Gao 10,11,12 , Qiyong Gong 8,13 , Ying Han 14 , Zaizhu Han 1,3 , Chu-Chung Huang 15 , Ruiwang Huang 1,3 , Ran Huo 16 , Lingjiang Li 17,18 , Ching-Po Lin 19,20,21 , Qixiang Lin 1,2,3 , Bangshan Liu 17,18 ,Chao Liu 1,3 , Ningyu Liu 1 , Ying Liu 16 , Yong Liu 22 , Jing Lu 1 , Leilei Ma 1 , Weiwei Men 10,11 , Shaozheng Qin 1,2,3,5 , Jiang Qiu 23,24 , Shijun Qiu 25 , Tianmei Si 26 , Shuping Tan 27 , Yanqing Tang 28 , Sha Tao 1 , Dawei Wang 29 , Fei Wang 28 , Jiali Wang 1 , Pan Wang 30 , Xiaoqin Wang 23,24 , Yanpei Wang 1 , Dongtao Wei 23,24 , Yankun Wu 26 , Peng Xie 31,32 , Xiufeng Xu 9 , Yuehua Xu 1,2,3 , Zhilei Xu 1,2,3 , Liyuan Yang 1,2,3 , Huishu Yuan 16 , Zilong Zeng 1,2,3 , Haibo Zhang 1 , Xi Zhang 33 , Gai Zhao 1 , Yanting Zheng 25 , Suyu Zhong 22 , Alzheimer's Disease Neuroimaging Initiative, Cam-CAN, Developing Human Connectome Project, DIDA-MDD Working Group, MCADI, NSPN, and Yong He 1,2,3,5,*
果蝇中的平行和收敛的多感官级联反应
连接组是突触连接的网络图。任何连接组的关键功能作用是约束神经元信号传导并雕刻整个神经系统的活动流。连接组在有关器官环境的快速传播中起着核心作用，从感觉神经元到高阶神经元，以进行动作计划，并最终再到效应子。在这里，我们使用一种简约的活动模型扩散模型来研究连接组在塑造假定的感觉级联反应中的作用。我们的模型允许我们模拟从传感器到其他大脑其余的信号通路，绘制不同感觉方式之间这些途径的相似性，并识别通过不同感觉方式同时激活的收敛区域 - 神经元。此外，我们考虑了两个多感官集成方案 - 一种合作的情况，在这种情况下，不同的感觉方式相互作用以“加快”（减少）神经元的激活时间和一个竞争性的“获胜者夺走所有情况”，其中不同的感觉流与同一神经领域相比。最后，我们使用数据驱动的算法根据级联模拟期间的行为将神经元分为不同的类别。我们的工作有助于强调“简单”模型在丰富连接数据中的作用，同时根据其联合连接/动力学属性提供数据驱动的神经元分类。
新生儿脑连接使用变量自动编码器
功能磁共振成像（fMRI）的摘要最新进展有助于以前的早期产前和新生儿脑发育的无法访问的轨迹。迄今为止，胎儿 - 神经fMRI数据的解释依赖于线性分析模型，类似于成人神经成像数据。但是，与成人大脑不同，胎儿和新生大脑的发展迅速，超过了整个寿命的任何其他大脑发育期。因此，在沿着产前 - 神经期连续体的大脑发育的关键时期，传统的线性计算模型可能无法充分捕获这些加速且复杂的神经发育轨迹。为了获得对胎儿 - 神经性大脑发育的细微理解，包括非线性增长，我们首次开发了数量的，全系统范围的大脑对大脑活动的代表（胎儿（> 500）（> 500）的（> 500）的早产和完整的新生儿，使用了一种不受欢迎的模型，以优于替代的综合模型，以前陈述了一种模型（Vae），以前是一种模型（Vae），以前是一种模型（Vae），以前是一种模型（VAI），是一种模型，是一种模型，是一种模型）健康成年人的数据。在这里，我们证明了非线性脑特征，即潜在变量，该特征是在人类成年人的RSFMRI上预先介绍的，具有重要的个体神经特征，携带了重要的个体神经特征，从而改善了产前神经性脑脑成熟模式的表示，并具有更准确的和稳定的年龄预测与新生酸盐群体相比，并具有稳定的年龄预测。使用VAE解码器，我们还揭示了跨越感觉和默认模式网络的不同功能性脑网络。使用vae，我们能够可靠地捕获和量化复合物，非线性胎儿 - 神经性神经连通性。这将为详细绘制其起源于胎儿生活的健康和异常功能性脑签名的详细映射。
统一的大脑连接组翻译和融合工具
大脑连接可以通过多种方式估计，具体取决于模态和处理策略。我们在此介绍 Krakencoder，这是一种联合连接组映射工具，它通过共同的潜在表示同时双向转换结构 (SC) 和功能连接 (FC)，以及不同的图谱和处理选择。这些映射表现出前所未有的准确性和个体层面的可识别性；SC 和 FC 之间的映射比现有模型的可识别性高 42-54%。Krakencoder 通过共享的低维潜在空间结合了所有连接组类型。这种“融合”表示 i) 更好地反映了家庭相关性，ii) 保留了与年龄和性别相关的信息，iii) 增强了与认知相关的信息。Krakencoder 无需重新训练即可应用于新的、超出年龄分布的数据，同时仍保留了潜在表示中连接组预测和家庭关系的个体间差异。 Krakencoder 在以个性化、行为和人口统计相关的方式捕捉多模式大脑连接组之间的关系方面取得了重大飞跃。
基于个体脑代谢连接组指标
摘要 目的 18 F-氟脱氧葡萄糖 (FDG) 正电子发射断层扫描 (PET) 揭示了轻度认知障碍 (MCI) 和阿尔茨海默氏痴呆 (AD) 患者的脑代谢改变。先前的代谢连接组分析源自患者群体，但不支持预测个体从当前 MCI 转变为 AD 的风险。我们现在提出一种个体代谢连接组方法，即 Kullback-Leibler 散度相似性估计 (KLSE)，以表征预测个体从 MCI 转变为 AD 风险的全脑代谢网络。方法从 ADNI 数据库招募 FDG-PET 数据，包括 50 名健康对照者、332 名稳定性 MCI 患者、178 名发展为 AD 的 MCI 患者和 50 名 AD 患者。使用 KLSE 方法确定每个人的代谢脑网络。比较KLSE矩阵与组水平矩阵的组内和组间相似性与差异性，评估KLSE的网络稳定性和个体间变异性。采用多变量Cox比例风险模型和Harrell's一致性指数（C指数）评估KLSE及其他临床特征的预测性能。结果与典型的组水平方法相比，KLSE方法能捕捉到更多的顶叶和颞叶病理连接，并提供详细的个体信息，同时具有更高的网络组织稳定性（组内相似系数，sMCI为0.789，pMCI为0.731）。代谢连接组表达是优于其他临床评估的转变预测因子（风险比（HR）= 3.55；95% CI，2.77 – 4.55；P < 0.001）。在 Cox 模型中结合临床变量后，预测性能进一步提高，即 C 指数 0.728（临床）、0.730（组级模式模型）、0.750（成像连接组）和 0.794（组合模型）。
成年果蝇中央大脑的连接组和分析
Louis K. Scheffer 1* , C. Shan Xu 1 , Michal Januszewski 2 , Zhiyuan Lu 1,3 , Shin-ya 1 Takemura 1 , Kenneth J. Hayworth 1 , Gary B. Huang 1 , Kazunori Shinomiya 1 , Jeremy 4 Maitin-Shepard 2 , Stuart Berg 1 , Jody Clements. 1, Philip Hubbard 1, William Katz 1, 5 Lowell Umayam 1, Ting Zhao 1, David Ackerman 1, Tim Blakely 2, John Bogovic 1, Tom 6 Dolafi 1, Dagmar Kainmueller 1¶, Takashi Kawase 1, Khaled A. Khairy 1**, Laramie 7 Leavitt , Peter H. Li 2 , Larry Lindsey 2 , Nicole Neubarth 1†† , Donald J. Olbris 1 , Hideo 8 Otsuna 1 , Eric T. Trautman 1 , Masayoshi Ito 1,4 , Jens Goldammer 1,5 , Tanya Wolff 1 , 9 Robert Svirskas 1 , Philipp Schlegel 9 , Erika R Neace 1 , Christopher J. Knecht, Jr. . 1 , 10 chelsea x. alvarado 1 , Dennis A. Bailey 1 , Samantha Ballinger 1 , Jolanta Borycz 3 , 11 Brandon S. Caninino 1 , Natasha Cheatham 1 , Bry 1 Kelli fairbanks 1 , saantha finley 1 , Nora Forknall 1 , 13 Audrey Francis 1 , Gary Patrick Hopkins 1 , Emily M. Joyce 1 , Sungjin Kim 1 , Nicole A. 1 , Charli Maldonado 1 , 15 Emily A. Manley 1 , Sari mclin 3 , Caroline Morone 1 , Miatta ndama 1 1 1 , Omotara 16 Ogundeyi 1 , nneoma christoph Ler Paterson 1 , Elliott E. Phillips 1 , Emily M. Phillips 1 , neha 18 Rambally 1 , Caitlin Ribeiro 1 , Madelaine k Robertson 3 , Jon Thomson rymer 1 , sean 19 M. Sc. , Shinomya 1 , 20 Claire Smith 1 , Ketsey Smith 1 , Natalie L. Smith 1 , Margaret A. Sobeski 1 , alia 21 Suleiman 1 , Jackie Sweft Mour Tokhi 1 , John J. Walsh 1 , tansy yang 1 , Jane Anne Horne 3 , 23 Feng Li 1 , Ruchi Parekh 1 , Patricia K. Rivlin 1 , Vek Jayaraman 1 , kei itto 1,4,5 1,3 , Gerald M. Rubin 1 , Harald F. 25 Hess 1 , Viren Jain 2 , Stephen M. Plaza 1
通过多任务元学习实现数据高效的脑连接组分析
脑网络将脑区之间的复杂连接表征为图结构，为研究脑连接组提供了有力的手段。近年来，图神经网络已成为一种流行的结构化数据学习范式。然而，由于数据获取成本相对较高，大多数脑网络数据集的样本量有限，这阻碍了深度学习模型的充分训练。受元学习的启发，元学习可以在有限的训练样本下快速学习新概念，本文研究了在跨数据集环境中分析脑连接组的数据高效训练策略。具体来说，我们建议在大样本量的数据集上对模型进行元训练，并将知识迁移到小数据集。此外，我们还探索了两种面向脑网络的设计，包括图谱变换和自适应任务重新加权。与其他预训练策略相比，我们基于元学习的方法实现了更高、更稳定的性能，这证明了我们提出的解决方案的有效性。该框架还能够以数据驱动的方式获得有关数据集和疾病之间相似性的新见解。