XiaoMi-AI文件搜索系统
World File Search SystemGCN
M-GCN：一种多模态图卷积网络，用于整合功能和结构连接组学数据来预测多维表型特征
我们提出了一种多模态图卷积网络 (M-GCN)，它整合了静息态 fMRI 连接和弥散张量成像纤维束成像来预测表型测量。我们的专门 M-GCN 过滤器在逐个主题的结构连接组的指导下，以拓扑方式作用于功能连接矩阵。结构信息的纳入还可充当正则化器，并有助于提取可预测临床结果的丰富数据嵌入。我们在来自人类连接组项目的 275 名健康个体和来自内部数据的 57 名被诊断为自闭症谱系障碍的个体上验证了我们的框架，以分别预测认知测量和行为缺陷。我们证明 M-GCN 在五重交叉验证环境中的表现优于几种最先进的基线，并从健康和自闭症人群中提取了预测性生物标志物。因此，我们的框架提供了表征灵活性，可以利用结构和功能的互补性质，并在训练数据有限的情况下将这些信息映射到表型测量。关键词：图卷积网络、功能连接组学、结构连接组学、多模态整合、表型预测、自闭症谱系障碍
已婚军人夫妇计划 - JAGCNet
完成 MACP 注销不需要支持文件。 OSTC 将审查请求并确保所有信息和文件在处理前正确无误。 将请求连同支持文件一起提交给 OSTC 帮助台： • 链接：https://www.jagcnet126.army.mil/TRACKS/ OSTC/new-ticket
EEG-GCNN：使用领域引导图卷积神经网络增强基于脑电图的神经系统疾病诊断
本文提出了一种基于图卷积神经网络 (GCNN) 的新型方法，用于改进使用头皮脑电图 (EEG) 诊断神经系统疾病的方法。尽管脑电图是用于神经系统疾病诊断的主要测试之一，但基于脑电图的专家视觉诊断的灵敏度仍然约为 50%。这显然表明需要先进的方法来降低检测异常头皮脑电图的假阴性率。在此背景下，我们重点关注如何区分神经系统疾病患者的异常头皮脑电图（最初被专家归类为“正常”）与健康个体的头皮脑电图。本文的贡献有三方面：1）我们提出了 EEG-GCNN，这是一种用于 EEG 数据的新型 GCNN 模型，可以捕捉头皮电极之间的空间和功能连接；2）使用 EEG-GCNN，我们对上述假设进行了首次大规模评估；3）使用两个大型头皮 EEG 数据库，我们证明 EEG-GCNN 明显优于人类基线和经典机器学习 (ML) 基线，AUC 为 0.90。
CRISPR/Cas9 介导的 GCN2 敲除揭示了其在牛乳腺上皮细胞感知氨基酸缺乏方面的关键作用
参与本论文的作者及其对各篇文章的贡献如下：Ashlin EDICK 是硕士候选人，她与其主要导师和委员会协商后设计并执行了所有实验。她收集并分析了数据。她准备了手稿和图表草稿以供科学出版。Sergio BURGOS 博士是论文导师，这项研究是在他的指导下进行的。他协助候选人设计和执行实验以及校对、审查和处理手稿以供出版。Julianne AUDETTE 在 Ashlin EDICK 和 Sergio BURGOS 博士的指导下协助执行精选实验。文献综述由 Ashlin EDICK 在 Sergio BURGOS 博士的指导下起草和修订。引言、讨论和结论由 Ashlin EDICK 起草和修订。