XiaoMi-AI文件搜索系统
World File Search SystemDTI
DTI 通知 230331-01 - 空军预备役人员中心
DTI 通知：230331-01 主题：从 myPers 转移的系统影响：空军国民警卫队和空军预备役飞行员 BLUF：剩余的几个人事计划正在过渡到新系统，从 2023 年 4 月 1 日起将不再在 myPers 上提供。过渡到 myFSS 的人事计划包括预备役服务计划、IRR PIM 准备、教育服务、AFR 奖金和奖励以及 IR 分类和培训。过渡到 MyVector 的人事计划包括联合军官管理、AFR 发展教育、AFR 发展团队、关键指挥和联合、AFR 任务和 ANG 任务。在此过渡期间，成员在处理案件查询时可能会略有延迟。在提出可能影响晋升、发展或福利的请求时，请确保他们考虑到这些潜在的延迟。随着我们继续实施数字化转型计划，将向该领域提供更多信息。与往常一样，请将需要立即援助的成员转至 Total Force 服务中心，电话为 1-800-525-0102。中校、FSS 指挥官和主管应联系 FSSE 热线以处理紧急问题。
DTI药物目标见解2025; 19-关于Science
摘要简介：足够的高血糖控制仍然是临床使用的治疗剂的巨大挑战。新的，更有效的抗糖尿病药物是药物发现项目的首位。方法：本文介绍了2、3二氯二烷酮（C1）和2、6-二氯 - 皇家酮（C2）的体外抗糖尿病潜力，α-氨基糖苷酶和α-淀粉酶，然后在硅分析中进行。结果：两种化合物C-1和C-2都在各种测试浓度下对α-葡萄糖苷酶进行显着抑制，IC 50中的35.266μm和38。分别为379μm。 同样，化合物C-1和C-2分别以42.449μm和46.708μm的IC 50值引起了显着的抗α-淀粉酶作用。 关于α-葡萄糖苷酶和α-淀粉酶结合位点的分子对接投资被实施，以更好地理解C1和C2分子与活性位点之间发生结合力学的模式，这说明了与参考抑制剂和Acarbose和Acarbose的评估相结合的效率。 活性化合物C1和C2与活性位点残基之间的相互作用主要是极性键，氢键键合，π-π和π-H相互作用，这有助于与酶骨架的强烈比对。 同样，有效结合通常由强稳定且稳定的氢键模式表示，这是由于MM-PBSA值的最小波动所表明的。 结论：简而言之，这项研究将有助于为这些化合物提供改善的抗糖尿病性和毒性降低。分别为379μm。同样，化合物C-1和C-2分别以42.449μm和46.708μm的IC 50值引起了显着的抗α-淀粉酶作用。关于α-葡萄糖苷酶和α-淀粉酶结合位点的分子对接投资被实施，以更好地理解C1和C2分子与活性位点之间发生结合力学的模式，这说明了与参考抑制剂和Acarbose和Acarbose的评估相结合的效率。活性化合物C1和C2与活性位点残基之间的相互作用主要是极性键，氢键键合，π-π和π-H相互作用，这有助于与酶骨架的强烈比对。同样，有效结合通常由强稳定且稳定的氢键模式表示，这是由于MM-PBSA值的最小波动所表明的。结论：简而言之，这项研究将有助于为这些化合物提供改善的抗糖尿病性和毒性降低。关键字：2、3和2、6-二氯丁酮，α-葡萄糖苷酶/α-淀粉酶抑制，分子对接，分子模拟
基于fMRI和DTI数据的大脑有效连接组
神经科学研究旨在找到准确可靠的大脑有效连接组（EC）。尽管当前的EC发现方法有助于我们对大脑组织的理解，但它们的性能受到fMRI数据的短样本量和差的时间分辨率的严重限制，以及大脑连接组的高维度。通过利用DTI数据作为先验知识，我们介绍了两个贝叶斯因果发现框架 - 贝叶斯魔像（BGOLEM）和贝叶斯FGES（BFGES）方法 - 这些方法可显着准确，更可靠的EC，并解决现有的Causal Discovery方法仅基于FMRI数据的现有Causal Discovery方法的缺点。此外，要使用我们的经验数据方法来评估EC的准确性的提高，我们将伪发现率（PFDR）引入了大脑中因果发现的新计算准确度量。通过一系列关于合成和杂种数据的模拟研究（将人类连接组项目（HCP）受试者和合成fMRI的DTI结合在一起），我们证明了我们提出的方法的有效性以及引入度量指标在发现EC中的可靠性。通过采用PFDR指标，我们表明，与传统方法相比，当应用于人类连接项目（HCP）数据时，我们的贝叶斯方法可显着准确。另外，我们使用Rogers-Tanimoto索引进行重新测试数据来衡量发现EC的可重复性，并表明我们的贝叶斯方法提供了比传统方法更可靠的EC。总体而言，我们的研究的数值和视觉结果突出了这些框架可显着提高我们对大脑功能的理解的潜力。
DTI药物目标见解2023; 17：45-53-关于Science
摘要简介：人类免疫缺陷病毒（HIV）感染和抗逆转录病毒疗法的长期使用，尤其是基于EFAVIRENZ（EFV）的治疗方案，由于胰岛素抵抗和导致更高的代谢疾病风险而导致的脂质谱。div> dlutegravir（DTG）是一种比例比EFV更好的积分酶抑制剂。但是，泰国治疗经验的数据有限。主要结果是切换治疗后24周时脂质谱变化。方法：我们对≥18岁的HIV患者进行了一项前瞻性，开放标签的研究研究，他们接受了至少6个月的基于EFV的治疗，患有HIV-1核糖核酸水平<50份副本/mL <50份/ml≥6个月，在切换前接受了疾病疾病的疾病症状疗法，并受到诊断为疾病的疾病症状，并受到诊断为疾病的疾病。小组III指南。结果：六十四名患者已入学。平均年龄（标准偏差[SD]）为48.20±10.46岁，男性为67.19％。在第24周，平均总胆固醇，低密度脂蛋白胆固醇，高密度脂蛋白胆固醇和甘油三酸酯的基线下降。但是，平均体重和腰围增加了。结论：DTG从基于EFV的治疗转换后导致更好的脂质谱，这表明这种转变可以使患有高心血管疾病风险的患者受益。但是，必须注意，还观察到体重增加和增加的腰围。关键字：ARV，DoluteGravir，血脂异常，Efavirenz，转换处理
基底神经节代偿性白质在阿尔茨海默氏病中DTI的变化
1 Department of Anatomy, Third Faculty of Medicine, Charles University, Ruska 87, 100 00 Prague, Czech Republic 2 Klinik für Neurologie, Universitätsklinikum Schleswig-Holstein Campus Lübeck, Ratzeburger Allee 160, 23562 Lübeck, Germany 3 Department of Radiodiagnostic and Interventional Radiology, Institute for Clinical和实验医学，Videnska，1958/9，140 21捷克共和国布拉格4神经病学系，大学医院第三学院，大学医院Kralovske Vinohrady，Charles University，Ruska 87，100 00 Prague，捷克共和国； ales.bartos@lf3.cuni.cz 5统计模型部，计算机科学研究所，捷克共和国科学院，POD Vodarenskou Vezi 271/2，182 07 Prague，Czech共和国共和国共和国6号科学信息中心6 Chardles Universion，Charles Universion，Charles Universion，Charles Universion，Ruska 87，Ruska 87，100 n7，100 sce 00 of petr.zach@lf3.cuni.cz（P.Z.）; vladimir.musil@lf3.cuni.cz（V.M.）;电话。： +420-267102494（P.Z.）; +420-267102532（V.M.）†这些作者同样为这项工作做出了贡献，并共享第一作者身份。
交叉注意DTI：在盲评估设置中与交叉注意模块的药物目标相互作用预测
，我们通过基于变压器的神经网络模型实现了药物目标影响（DTI）预测任务的最新性能。通过序列化化合物和蛋白质成对的微笑，细节和蛋白质序列数据，我们实现了有希望的DTI预测。与两个基准数据集上的最新模型相比，该模型改善了平方平方误差度量。通过使用两个变压器编码器作为特征提取器和作为任务执行者的交叉注意，发现了新型药物候选物的关键区域，从而允许对化合物的结构突出显示。值得注意的是，化合物和蛋白质相互参考以通过注意机制相互参与。此外，我们提出了一种模型评估方法，该方法称为盲目评估，该方法是为了发现药物发现的实际目的而设计的。所提出的模型被认为是一种潜在的筛选方法，用于挖掘大型数据集并突出新的潜在药物候选物，并为这些化合物的结构提供丰富的注释，以告知高吞吐量筛选（HTS）研究。
DTI和MR弹性学的综合使用用于监测神经发育障碍模型发育中的微观结构变化：Poly（i：c）诱导的母体免疫激活大鼠
神经发育障碍中的早期神经病理学机制部分不足，因为常规解剖磁共振成像（MRI）无法检测出产后发育过程中体内细微的脑微结构变化。因此，我们将磁共振弹性图（MRE）和扩散张量成像（DTI）的潜在值投资于由母体免疫激活引起的神经发育障碍的大鼠模型。我们研究了12个母亲的12个后代，这些母亲在妊娠第15天注射了多迪比替迪吡胆蛋白略带略丁酸（poly（i：c），4 mg/kg），再加上8个对照。T2加权解剖学MR图像，MRE（800 Hz）和DTI（30个梯度方向，B = 765.8 s/mm 2，5图像，B = 0 S/mm 2）在4和10周大时被收集，并将结果与在10周进行的组织学分析进行比较。心室在聚（I：C）大鼠中的第4周比对照组大。在聚（i：c）大鼠中未检测到其他形态异常。在第4周，较大的心室与较低的外部胶囊裂纹各向异性和胶囊径向扩散（Pearson，R = -0.53，95％置信区间（CI）[-0.79至-0.12]，和R = -0.45％CI [-0.45％CI [-0.74至-0.74至-0.74至-0.74 to）call体的平均和径向扩散，外囊内囊的平均和轴向扩散和外部囊中的径向扩散特性随着poly（i：c）大鼠的年龄而增加（Sidak的比较，P <0.05）。皮质刚度随着聚（I：C）大鼠的年龄而增加（Sidak的比较，P = 0.005）。这些时间变化可能反映了异常髓磷脂含量，在组织学评估后第10周观察到的细胞密度和小胶质细胞激活降低。得出结论，MRE和DTI允许从出生后第4周开始监测聚（I：C）大鼠的脑微结构异常变化。这表明这两种成像技术都有可能用作综合成像工具，以例行解剖成像，以帮助早期诊断神经发育障碍，并为神经病理提供新的见解。
小鼠脑扩散张量成像的技术
在小鼠脑jiang-yang Zhang博士中进行扩散张量成像的技术。 NMR研究助理教授Russell H. Morgan放射学科学系Johns Hopkins大学医学院神经科学研究介绍，老鼠模型在促进我们对大脑及其疾病的知识方面发挥了重要作用。 要研究小鼠神经解剖学，尤其是由基因突变或病理引起的神经解剖学的变化，需要新颖的成像工具。 扩散张量成像（DTI）是一个很好的候选者，因为它可以可视化大脑中的白质（WM）结构，并已用于研究神经系统疾病，例如多发性硬化症和阿尔茨海默氏病。 即使DTI在诊所经常进行，但小鼠大脑的DTI仍然是一项艰巨的任务。 在总体积期间，小鼠大脑比人脑小约1000倍。 人脑DTI的当前分辨率约为每个像素1-2 mm。 为了实现相同的相对分辨率，我们需要使用特殊技术来实现小鼠脑DTI的分辨率为0.1-0.2 mm。 小鼠脑DTI的技术挑战在小鼠大脑的DTI中的主要技术挑战是实现高空间分辨率，同时保持令人满意的信号与噪声比（SNR）。 dTI被称为差的SNR技术，因为扩散加权图像中的信号幅度通过扩散敏化梯度减弱。 为了达到令人满意的SNR，大多数小鼠脑DTI实验都是在具有定制线圈的高场系统上进行的。在小鼠脑jiang-yang Zhang博士中进行扩散张量成像的技术。 NMR研究助理教授Russell H. Morgan放射学科学系Johns Hopkins大学医学院神经科学研究介绍，老鼠模型在促进我们对大脑及其疾病的知识方面发挥了重要作用。要研究小鼠神经解剖学，尤其是由基因突变或病理引起的神经解剖学的变化，需要新颖的成像工具。扩散张量成像（DTI）是一个很好的候选者，因为它可以可视化大脑中的白质（WM）结构，并已用于研究神经系统疾病，例如多发性硬化症和阿尔茨海默氏病。即使DTI在诊所经常进行，但小鼠大脑的DTI仍然是一项艰巨的任务。在总体积期间，小鼠大脑比人脑小约1000倍。人脑DTI的当前分辨率约为每个像素1-2 mm。为了实现相同的相对分辨率，我们需要使用特殊技术来实现小鼠脑DTI的分辨率为0.1-0.2 mm。小鼠脑DTI的技术挑战在小鼠大脑的DTI中的主要技术挑战是实现高空间分辨率，同时保持令人满意的信号与噪声比（SNR）。dTI被称为差的SNR技术，因为扩散加权图像中的信号幅度通过扩散敏化梯度减弱。为了达到令人满意的SNR，大多数小鼠脑DTI实验都是在具有定制线圈的高场系统上进行的。强磁场的缺点是它缩短了组织t 2，而加长组织t 1。高场系统比1.5特斯拉或3特斯拉磁铁具有更严重的场不均匀性。简短的T 2和场不均匀性使得通常用于临床DTI的回声平面成像（EPI）的采集类型，在高场系统上很难。除了分辨率挑战外，DTI数据通常还被受试者运动或梯度涡流引起的伪像所损坏。在体内实验期间的受试者运动可以通过更好的动物约束和呼吸触发来最小化。涡流可以通过调整梯度预先强调来显着降低。即使面临这些挑战，近年来，小鼠大脑的DTI也取得了许多进步。表1列出了几个DTI实验及其成像参数。在体内DTI获得的最佳分辨率约为0.1 mm x 0.1 mm x 0.5 mm [1]，EX Vivo DTI获得的最佳分辨率为0.02 mm x 0.02 mm x 0.02 mm x 0.3 mm [2]。应用程序分辨率和成像参数
根据结构化合物表征和遗传扰动的转录组预测激活和抑制药物-靶标相互作用
通过计算方法识别药物-靶标相互作用 (DTI) 是加速药物开发和了解小分子作用机制的可靠策略。然而，目前预测 DTI 的方法主要集中于识别简单的相互作用，需要进一步的实验来了解药物的作用机制。在这里，我们提出了 AI-DTI，这是一种通过结合 mol2vec 和遗传扰动的转录组来预测激活和抑制 DTI 的新方法。我们在具有 MoA 的大规模 DTI 上训练了该模型，发现我们的模型优于之前预测激活和抑制 DTI 的模型。目标特征向量的数据增强使该模型能够预测广泛可用药靶标的 DTI。我们的方法在训练集中未见靶标的独立数据集和明确定义阳性和阴性样本的高通量筛选数据集中取得了显著的性能。此外，我们的方法成功地重新发现了用于治疗 COVID-19 的药物的大约一半的 DTI。这些结果表明，AI-DTI 是一种实用的工具，可以指导药物发现过程并产生合理的假设，从而揭示未知的药物作用机制。
潜在的 SARS-CoV-2 非结构蛋白抑制剂
背景：在当前的 COVID-19 大流行中，由于缺乏批准的药物和可广泛获得的疫苗，重新利用现有药物对于快速开发治疗该疾病的方法至关重要。方法：在本研究中，我们使用由病毒蛋白序列和药物化学结构组成的数据集，用于已知药物-靶标相互作用 (DTI) 和人工生成的非相互作用 DTI，以训练具有预测新 DTI 能力的二元分类器。测试了随机森林 (RF)、深度神经网络 (DNN) 和卷积神经网络 (CNN)。选择 CNN 和 RF 模型执行分类任务。结果：这些模型对给定的 DTI 数据具有很好的泛化能力，并用于预测涉及 SARS-CoV-2 非结构蛋白 (NSP) 的 DTI。我们（使用 CNN）阐明了涉及 82 种 DTI 的 29 种药物，相互作用的概率为 97%，其中 44 种 DTI 的相互作用概率为 99%，可用于治疗 COVID-19。 RF 阐明了涉及 17 种 DTI 的 6 种药物，相互作用的概率为 90%。结论：这些结果为病毒蛋白的可能抑制剂提供了新的见解，超越了最近研究中使用的药效团模型和分子对接程序。