XiaoMi-AI文件搜索系统
World File Search SystemHickey
澳大利亚食品和饮料行业的游戏规则改变者-Faba
致谢澳大利亚的食品和饮料加速器（Faba）承认我们所居住和工作的土地的传统所有者及其监护权。我们向他们的祖先及其后代致敬，他们继续与国家的文化和精神联系。我们认识到他们对澳大利亚和全球社会的宝贵贡献。我们感谢澳大利亚政府教育系和昆士兰州大学提供的支持。特别感谢埃伦·德比郡（Ellen Derbyshire），他与编辑和章节紧密合作：马克·库珀（Mark Cooper），李·希基（Lee Hickey）教授，李·希基（Lee Hickey），埃斯特万·马塞林（Esteban Marcellin）教授，副教授尼迪·班萨尔（Nidhi Bansal），希瑟·史密斯（Heather Bansal）教授，希瑟·史密斯（Heather Smyth）教授，阿什什·辛哈（Ashish Sinha）教授，迪米安·辛哈（Ashish Sinha）教授，达米安·海恩（Damian Hine）教授，教授和莱伊·莱（Dr. Ryan Ko和Alexandria博士获得了协助开发和设计白皮书。我们还要感激地承认圆桌会议上参与的博士学位学生，并支持为组织票据和准备初稿做出贡献的人们。感谢Marc Grimwade在圆桌会议上拍摄的出色摄影。此外，我们感谢内部审阅者克里斯·唐斯（Chris Downs）博士，乔治·拉法塔（Giorgio La Fata），朱莉·谢尔顿（Julie Shelton）和亚历山大·本·玛耶（Alexander Ben-Mayor）的工作。我们非常感谢伊万诺·邦戈瓦尼（Ivano Bongiovanni）博士，他促进了昆士兰州大学教务长艾丹·伯恩（Aidan Byrne）开幕的圆桌会议。我们也感谢马克·库珀（Mark Cooper）教授和瑞安·科（Ryan Ko）教授，他们提供了引人入胜的主题演讲，为我们的圆桌讨论奠定了基础。（eds。）引用该报告的引用，请使用以下信息：McColl-Kennedy，Janet R.和Hine，Damian C.（2024）。食品AI：澳大利亚食品和饮料领域的游戏规则改变者，白皮书，创新途径计划，澳大利亚的食品和饮料加速器（Faba），昆士兰州大学，84页。ISBN 978-1-74272-436-2 DOI 10.14264/F5F35D0有关更多信息，请访问https://faba.au
时间地理 - 鲁斯莫斯
身边有如此多乐于助人、知识渊博的学生、同事和朋友，以至于我很难知道我的想法从何而来，他们的想法又从何而来。请允许我特别感谢其中几位。我非常感谢以下人士慷慨地为本书提供见解和故事：Neil Altman、Stephen Buggie、Kris Eyssell、Alex Gonzalez、Eric Hickey、James Jones、已故的 William Kir-Stimon、Shirley Kirsten、Todd Martinez、Kuni Miyake、Salvatore Niyonzima、Harry Reis、Suguru Sato、Jean Traore、Fred Turk 和 Jyoti Verma。在我的大学里，Sergio Aguilar-Gaxiola、Jean Ritter、Aroldo Rodrigues 和 Lynnette Zelezny 是不可或缺的信息和支持来源。在许多帮助过我的同事中，我要感谢 Rick Block、Richard Brislin（他的教诲是第 9 章的灵感来源）、Edward Diener 和 Harry Triandis，感谢他们关于时间和/或文化主题的教诲，感谢他们愿意回应我对数据和信息的多次请求。我无法充分表达 Phil Zimbardo 的持续支持——他不仅是社会心理学领域最鼓舞人心的老师，而且可能是最伟大的人。我感谢札幌医科大学的 Suguru Sato 和 Yoshio Sugiyama、斯德哥尔摩大学的 Lars Nystedt 和 Anna 和 Hannes Eisler，以及
大脑听觉系统中的价值偏向竞争
注意力可能会偏向于与任务目标相符的特征（例如，Folk、Remington & Johnston，1992；Wolfe、Cave & Franzel，1989），物理上显著的刺激（例如，Theeuwes，1991、1992），以及之前被注意力优先考虑的刺激，现在通常被称为选择历史（例如，Awh、Belopolsky & Theeuwes，2012）。在选择历史的背景下，与奖励相关的刺激会获得更高的注意力优先级（例如，Hickey、Chelazzi 和 Theeuwes，2010；Della Libera 和 Chelazzi，2006），并且即使先前与奖励相关的刺激不显著且与任务无关，这种注意力偏差仍会持续存在，正如使用价值驱动的注意力捕获 (VDAC) 范式所证明的那样（Anderson、Laurent 和 Yantis，2011）。奖励历史对注意力的影响主要在视觉领域进行研究（有关评论，请参阅 Anderson，2016a、2019 的作品），而对其他感觉系统中学习依赖性注意力偏差的机制理解有限。跨模态设计研究了注意力处理中多个感觉网络之间的相互作用，通常是为了理解双模态刺激是如何被处理和整合的（例如 Stormer、McDonald 和 Hillyard，2009；McDonald、Teder-Salejarvi、Di Russo 和 Hillyard，2005；McDonald、Teder-Salejarvi 和 Hillyard，
多元混合模型中随时间变化的关联
多元混合模型中随时间变化的关联：在体育分析中的应用 导师：Lisa McFetridge 博士 足球是世界上最受欢迎的运动之一，全球有超过 35 亿球迷。2021 年，足球的全球价值估计为 30.2 亿美元，预计到 2027 年将达到 38.7 亿美元。由于在这项运动中取得成功可以获得巨额经济回报，近年来，所有主要足球俱乐部都开始大量投资于大数据分析以及将统计和机器学习方法应用于体育分析。可穿戴技术的发展促进了此类投资，该技术可以实时监测健康和表现指标，例如球员在比赛和训练场景中的心率、动作和位置。球员生物标志物的动态变化（例如心率变异性）可作为伪变量来衡量他们对训练计划的适应度、比赛中的表现并发现疲劳的发生。如果正确使用，这些信息可以揭示随时间变化的趋势和模式，从而降低受伤风险、促进恢复并最终帮助球员提高健康和表现 (Viegas 2024)。可穿戴技术通常每秒收集多个观察结果，并在一个赛季内积累大量数据。为了对这种密集的纵向数据进行建模，可以使用多元混合效应模型 (Hickey 2016)。这些方法允许随时间对多个生物标志物或指标进行建模，同时捕捉影响球员内部负荷的不同方面，从而提供关键见解，不仅了解每个生物标志物如何独特地影响球员的健康，还了解不同生物标志物如何相互关联。虽然这些见解很有价值，但多元混合模型目前并未充分利用数据的时变性。当前的方法假设生物标志物之间的关系不会随时间而变化。这种时不变相关性的假设在分析随时间自然演变的信息时可能具有限制性并且可能不切实际。为了更好地捕捉这些关系随时间变化的本质，本项目将开发包含随时间变化相关性的新型多元混合模型方法。本项目将为预测体育分析 (PSA) 小组领导的一系列体育分析工作提供信息。为了最大限度地发挥这项工作的潜在影响力，博士生将与其他 PSA 研究人员以及当地精英足球俱乐部（包括在国家联赛顶级联赛中踢球的俱乐部）密切合作，将尖端的数据驱动决策融入他们的流程并实现预期的现实影响。有关项目的更多详细信息，请联系主要主管 l.mcfetridge@qub.ac.uk。Viegas, JM、Dores, H.、Freitas, A.、Cavigli, L.& D'Ascenzi, F., 运动心脏病学的发展：通向更光明的未来之路, Revista Portuguesa de Cardiologia, 2024; 43 (2), 87-89。Hickey, GL, Philipson, P., Jorgensen, A., & Kolamunnage-Dona, R., 事件发生时间和多变量纵向结果的联合建模：最新发展和问题, BMC Medical Research Methodology, 2016; 16 (1), 1-15。
用于作物改善和未来农业的基因组工程
到2050年，人口预计将达到100亿（粮农组织，2017年）。我们这个时代的一个主要挑战是学习如何养活扩大的人口并成功地做到这一点。主要是由于绿色革命和植物育种技术的进步，目前的作物产量可以为大多数人口提供足够的食物。然而，由于气候变化和可耕地的可用性有限，作物产量似乎正在稳定，甚至在下降。为了养活100亿人口的全球人口，需要增加60％的生产率（Springmann等，2018）。因此，提高农业生产力和可持续性对整个世界至关重要。迫切需要在作物生产中的科学突破和技术创新，以确保未来的全球粮食安全。遗传变异是农业改善的基础。植物育种的目的是创建和利用这些遗传量。在植物育种的悠久史上（Hickey等，2019），已经使用了四种主要技术：通过基因组编辑，跨育种，突变育种，转基因育种和育种（Chen等，2019；图1）。传统的植物育种（交叉繁殖）涉及植物的靶向穿越，以通过性重组结合理想的特征，在改善农业生产力方面发挥了重要作用。但是，由于杂交只能用于引入亲本基因组中已经存在的特征，因此精英生殖限制的遗传变异性低从1950年代后期开始的第一次绿色革命来阐明这种策略，其中“矮人”的基因突变被繁殖到主要的主食作物中，例如小麦（Triticum aes-ees-tivum）和稻米（Oryza sativa），以获得高品种的品种（Khhush，2001年）。
基于 3,366 个基因组测序的鹰嘴豆遗传变异图
Rajeev K. Varshney 1,2 ✉ , Manish Roorkiwal 1 , Shuai Sun 3,4,5 , Prasad Bajaj 1 , Annapurna Chitikineni 1 , Mahendar Thudi 1,6 , Narendra P. Singh 7 , Xiao Du 3,4 , Hari D. Upadhyaya 8,9 , Aamir W. Khan 1 , Yue Wang 3,4 , Vanika Garg 1 , Guangyi Fan 3,4,10,11 , Wallace A. Cowling 12 , José Crossa 13 , Laurent Gentzbittel 14 , Kai Peter Voss-Fels 15 , Vinod Kumar Valluri 1 , Pallavi Sinha 1,16 , Vikas K. Singh 1,16 , Cécile Ben 14,17 , Abhishek Rathore 1 , Ramu Punna 18 , Muneendra K. Singh 1 , Bunyamin Tar'an 19，Chellapilla Bharadwaj 20，Mohammad Yasin 21，Motisagar S. Pithia 22，Servejeet Singh 23，Khela Ram Soren 7，Himabindu Kudapa 1，DiegoJarquín24，Philippe Cubry 25，Lee T. IT A. Deokar 19，Sushil K. Chaturvedi 28，Aleena Francis 29，RékaHoward30，Debasis Chattopadhyay 29，David Edwards 12，Eric Lyons 31，Yves Vigourox 25，Ben J. Hayes 15 、 Henry T. Nguyen 35 、 Jian Wang 11,36 、 Kadambot H. M. Siddique 12 、 Trilochan Mohapatra 37 、 Jeffrey L. Bennetzen 38 、 Xun Xu 10,39 和 Xin Liu 10,11,40,41 ✉
DNA总裁南希·斯梅尔（Nancy Smail）寻求志愿者eac ...
Almaguer, Irene, CMA, Happy Valley, OR Batten, Shawn, St. John's, NL Bishop, Bailey, Student, Cheyenne, WY Botello, Edgar, Visalia, CA Bradley, Jaycie, Student, Longview, TX Bregman, Oksana, Apopka, FL Brooks, Brindley, Founder & ED/Pt Advocate, Puyallup, WA Caione, Kelly, Fairfield, CT Case, Shannon, Albany, NY Castro, G. Elgin, OK Catlin, Paula, Thornton, CO Cinco, Carlota, Las Vegas, NV Corwin, Sara, FNP-C, Okeechobee, FL Crawford, Ashley, Hillsboro, OR Dennehy, Melissa, LPN, Billerica, MA Derby, Sara, CMA，Bagley，MN DiLiberto，Katherine，护士从业人员，休斯敦，德克萨斯州杜福，劳拉，劳拉，护士从业人员，Encino，Ca Erickson，Ca Erickson，Ca Erickson，Jessica，Springfield，Springfield或Fields，Davan，Colliers，WV Fisher，Fisher，Fisher，Jessica，Jessica，Jessica，Jessica，Southern Pines，NC Forkner，NC Forkner，box forkner，box forkne，box forkner，box for，box for，ca fu fu，彼得伯勒（Peterborough），在哈恩（Hahn），乔安娜（Joanna），大力神（Hercules），加利福尼亚州哈杰克（Ca Hajek），凯瑟琳（Katherine），西雅图（Katherine），西雅图（Wa Heale），凯特琳（Katelynn），注册护士，奥克布鲁克（Oakbrook）露台，伊尔·亨德斯奇特（Il Henderschedt），艾米丽（Emily奥克兰花园（Oakland Gardens），纽约州，纽约州，亚历山大（Alexandria），加斯托尼亚（Alexandia），北卡罗来纳州贾维斯（NC Jarvis），凯瑟琳（Catherine），学生护士，德里（Derry），德里（Derry）华盛顿州汤森（Townsend）
Lee County社区健康改善...社区健康评估高地县
我们要衷心感谢我们的多个社区合作伙伴，居民，非营利组织，医疗保健专业人员，学校代表以及许多在整个过程中不懈努力支持他们的支持的其他社区成员和组织。他们的宝贵意见和专业知识不仅为社区提供了代表性的声音，还为我们的领导者和社区从中提供了信誉，可以继续合作满足高地县的医疗保健需求。通过这些伙伴关系，我们可以开发和实施社区项目；创建建筑环境；并倡导实施改善当地健康结果的政策。List of Contributors Aisha Alayande, Drug Free Highlands Amanda John, Tobacco Free Partnership / QuitDoc Amanda Tyner, Florida Department of Health Carly Carden, Peace River Center Christine Kortbein, Hanley Foundation Elizabeth Silva, Central Florida Healthcare Heather Smith, Florida Department of Health Kimberly Williams, AdventHealth Kitty Slark, Tri-County Human Services Leah Sauls, Highlands County Board of County Commissioners Luzed Cruz, Children's Advocacy Center Mary Kay Burns, Florida Department of Health Penny Pringle, Florida Department of Health Sara Rosenbaum, AdventHealth Tessa Hickey, Florida Department of Health Tonya Akwetey, Healthy Start Coalition Bill Gardam, Peace River Center, Stakeholder/Key Informant Greg Hall, Central Florida Healthcare, Stakeholder/Key Informant Holly Parker，Healthy Start Coalition，利益相关者/主要线人Melissa Thibodeau，Heartland Rural Health Network，利益相关者/主要线人Paul Blackman，Highlands County Sheriff办公室，利益相关者/关键知情人Tiffany Green，Highway Park邻里邻里委员会，利益相关者/关键知情人群
SENP1在肿瘤发生和癌症治疗中的新兴作用
Sumo，于1996年发现，在真核生物中广泛表达，以调节靶蛋白定位，活性以及通过共价修饰底物蛋白质与其他生物大分子的相互作用（Chang和Yeh，2020）。由人类基因组编码的五个不同的SUMO蛋白，包括SUMO1，SUMO2，SUMO3，SUMO4和SUMO5。sumo1，sumo2和sumo3是主要的SUMO蛋白，而SUMO4和SUMO5的表达仅限于特定组织（Kukkula等，2021）。SUMO2和SUMO3之间的氨基酸序列为97％同源，而它们与SUMO1仅具有50％同源性（Gareau and Lima，2010年）。因为SUMO2和SUMO3不能用抗体区分。这两个同工型共同称为SUMO2/3（Hickey等，2012）。不同的氨基酸序列会导致SUMO1和SUMO2/ 3修饰不同的底物（Shen等，2006）。作为关键蛋白质后翻译改性（PTM），Sumoylation参与了各种生物学过程，包括基因表达，DNA复制/修复，RNA处理，RNA加工和核总质质转运。sumoylation是一种动态且可逆的酶促级联反应过程，它是由Sumo特异性激活酶（E1; SAE1和SAE2），结合酶（E2; UBC9）和连接酶（E3）（E3）（Zhao，2018）催化的。Sumoylation过程包括四个阶段：成熟，激活，结合和连接（Ryu等，2020）。相互结合途径的第一步是通过水解ATP裂解其COOH末端，以暴露共轭所需的Diglycine（GG）残基。第二，成熟的相扑蛋白通过与激活酶E1结合而激活。然后将相扑蛋白转移到共轭酶E2中。最后，Sumo在连接酶E3的辅助下与底物上的特异性赖氨酸残基（K）形成异肽键（图1）。目标
引用 Larue F、Rouan L、Pot D、Rami J-F、Luquet D 和 Beurier G (2024) 使用神经网络将遗传标记和作物模型参数链接到 e
需要开发适应不断变化的生产情景的植物品种，特别是在气候变化的情况下，这要求作物满足日益复杂和多样化的需求，这对育种者来说是一个巨大的挑战。在此背景下，追求赋予所需作物特性和适应性的性状组合比以往任何时候都更加重要，因此有必要加强多标准或多性状育种（Moeinizade 等人，2020 年）。利用分布在基因组中的完整核苷酸多样性来预测数量性状的育种值（基因组预测，GP，Meuwissen 等人，2001 年）已证明其在育种计划中的有效性。事实证明，这种方法有助于提高遗传增益率并降低成本（Hickey 等人，2017 年）。然而，为了应对气候变化和更明确的环境目标种群（Chapman 等人，2000 年），对多环境（ME）育种的需求日益增长，这需要采用基因组预测方法来解释基因型和环境（GxE）之间相互作用的出现（Rincent 等人，2017 年）。先前的研究试图在基因组选择（GS）中解决 GxE。例如，Burgueño 等人(2012) 开发了多环境统计模型。然而，这些模型仅考虑线性和非因果环境效应，从而降低了预测准确性的可能增益，尤其是对于复杂的综合性状或与校准集有显着差异的环境（Rogers and Holland，2022）。Heslot 等人。另一方面，（2014 年）使用作物生长模型 (CGM) 来推导环境协变量。与标准 GS 模型相比，在 GS 框架内加入环境协变量可提高预测准确性并降低未观察环境中的预测变异性。整合作物模型以解决 GxE，如 Heslot 等人的研究所示。(2014) ，强调了这种方法在所述育种环境中的实用性。尽管如此，考虑大量协变量会显著增加问题的复杂性，使得建模变得极具挑战性（Larkin 等人，2019 年）。