XiaoMi-AI文件搜索系统
World File Search SystemIdentification
在未标记的相机陷阱图像中自动识别非洲豹子
摘要 - 本文介绍了一种解决现实世界动物识别问题的算法，即确定panthera提供的非标记的非洲豹图像数据集中的K单个动物数量未知数量。为了确定豹子的ID，我们提出了一种有效的自动化算法，该算法包括从图像中分割豹子体，对图像对之间的相似性和群集进行了分割，然后进行验证。要执行聚类，我们采用了修改的三元搜索，该搜索使用了新型的自适应K -Medoids ++聚类算法。最佳聚类是使用Silhouette分数的扩展定义确定的。使用新的聚类后验证程序用于进一步提高聚类的质量。使用Panthera数据集评估了该算法，该数据集由1555张图像中拍摄的677个单独的豹子组成，并通过基线K -Medoids ++聚类算法算法的0.864进行了调整后的共同信息评分，与0.864相比进行了聚类。
深度学习在性取向相关脑电图源识别中的应用
摘要 简介：性取向是否是一种具有神经功能足迹的生物学特征尚不清楚。借助深度学习，无需先验选择特征即可对生物数据集进行分类的能力已大大提高。本研究的目的是使用深度学习正确分类不同性取向男性的静息态脑电图 (EEG) 数据，并探索识别所学区别特征的技术。方法：使用三个队列（同性恋男性、异性恋男性和混合性别队列）、一个预先训练的性别分类网络和一个新训练的性取向分类网络对性别进行分类。此外，还使用 Grad-CAM 方法和源定位来识别网络用于区分的时空模式。结果：使用预先训练的网络对男性和女性进行分类，男性和女性的分类之间没有差异
识别与
首先，LRTI 团队！谢谢，谢谢，谢谢！我谨亲自向你们所有人表示感谢。我最亲密的同事 AGG 和 JEF 教会了我很多东西。马修和兰布罗斯！昨天和今天的 U1015 成员：Lisa、Agathe、Marine、Imran、Gladys、Pierre、Eugénie、Nicolas、Carolina、Yacine、Camille、Cissé、Caroline、Nathalie、Marion 以及所有其他爱好者！！！ ENS 的“女孩”：Masha、Diane 和 Félicie。平台上的“伙计们”（也许更像 Yann！）还有 Alexia！ BiGR 同事：Bastien 和 Marine（感谢您的耐心）。那些 UGF 的人！我保证我确实尽了最大努力准时到达。 metabolo 的专业人士：Claudia、Sylvère 和 Kroemer 教授。娜塔莉和出色的 LIO 团队。整个 PREMIS 团队+++Miha，我的兄弟（多么支持啊！）。 Jean-Marie、Ariane、Stéphane、Capucine 以及 DITEP 的全体人员：很快再见！马里恩和维罗妮克：我很高兴得知你们离我并不远。我的推荐人：Benjamin Terrier 教授、Olivier Lambotte 教授和 Xavier Mariette 教授。 Vassili Soumelis 和他的团队给了我坚持下去的愿望。所有使这个项目成长的人：Matthieu、Camille、Kevin、Aymeric、Andrei、Leonardo、Nicolas、Laetitia、Paul（！）以及更多我忘记的人。 GR 血液科：您让我“临床”爆发氧气！
白癜风疾病特异性肠道微生物标志物的鉴定
白癜风与肠道菌群存在潜在的相关性，但目前这方面的研究有限。该研究采用16S rRNA高通量测序技术检测49例白癜风患者和49例非白癜风患者粪便样本的肠道菌群。研究包括四个对照组：（1）DI（疾病）组vs. HC（健康对照）组；（2）DI_m组（未成年人疾病组）vs. HC_m组（未成年人健康对照组）；（3）DI_a组（成人疾病组）vs. HC_a组（成人健康对照组）；（4）DI_m组vs. DI_a组。研究结果表明白癜风患者与健康对照者的肠道菌群组成存在空间异质性。无论是未成年人组还是成年人组，白癜风患者的肠道菌群多样性都显著降低。但不同年龄段白癜风患者肠道菌群差异已得到证实，其中拟杆菌属和副拟杆菌属已被鉴定为白癜风未成年组和成年组患者肠道菌群的特异性标记物，相关性分析显示，这两个菌属与白癜风面积评分指数（VASI）和病程呈正相关。值得注意的是，DI_m组和DI_a组之间的菌群多样性差异并不显著，菌群组成和功能特征相似。然而，相关性分析表明，随着年龄的增长，拟杆菌属和副拟杆菌属呈下降趋势。白癜风患者肠道菌群与健康对照组相比有明显差异，且不同年龄段患者与健康对照组之间存在差异的微生物标记物属也不同。疾病特异性微生物标记属（拟杆菌属和副拟杆菌属）与 VASI、病情持续时间和年龄有关。这些发现对于改善白癜风患者的早期诊断和制定潜在治疗策略至关重要。
生物信息学驱动的遗传生物标志物识别和治疗
之所以选择 GSE51808 和 GSE176079 数据集，是因为它们对于阐明登革热病毒 (DENV) 感染的分子机制具有重要意义，并且与研究目标一致。GSE51808 全面检查了登革热 (DF) 和登革出血热 (DHF) 患者在急性期和恢复期的全血样本中的基因表达变化，为了解 DENV 的全身免疫反应提供了重要见解。此外，它涵盖了不同临床严重程度的样本，从而可以广泛研究与该疾病相关的基因表达模式。相反，GSE176079 集中在从外周血中分离的单核细胞亚群上，有助于深入检查细胞类型特异性免疫反应。这两个数据集是从 GPL13158（Affymetrix HT HG-U133+ PM 阵列板）和 GPL21290（Illumina HiSeq 3000）平台生成的。
基于Android的视觉产品识别系统...
摘要提出的系统“基于Android的盲人识别”，旨在通过使他们能够使用Android智能手机识别日常产品来增强视障人士的独立性。该系统利用与Android移动平台集成的计算机视觉技术来捕获产品的图像，使用训练有素的机器学习模型分析它们，并向用户提供音频反馈。应用程序专注于产品包装，条形码和不同的视觉特征，以确保实时准确识别。该解决方案设计为用户友好的语音命令，可访问的导航和低延迟，使其可用于日常使用。通过提供便携式可靠的产品识别方式，该工具解决了盲人与周围环境互动的挑战，改善了他们的生活质量和促进独立性。关键字：视觉产品识别，Android应用，盲目和视力障碍，机器学习，音频反馈视觉障碍的人经常在日常任务中遇到重大障碍，包括在不熟悉的环境中识别产品。从杂货店购物到区分个人物品，无法准确地识别物品对独立性和可及性构成挑战。当前的解决方案，例如盲文标签，条形码扫描仪或人类援助，由于可伸缩性问题，对他人的依赖或缺乏广泛采用而产生的有效性有限。该项目着重于提供负担得起的移动技术和机器学习的快速发展为解决这些挑战开辟了新的可能性。随着配备高分辨率摄像头和功能强大的处理器的智能手机的扩散，现在可以实现实时图像识别应用程序。通过利用这些技术，可以开发出一种便携式且具有成本效益的解决方案，以根据视觉受损的个体的需求量身定制的产品识别。本研究提出了一种基于Android的应用程序，该应用程序结合了计算机视觉和机器学习，以提供用于产品识别的用户友好工具。该系统采用智能手机的相机来捕获产品图像，使用预先训练的Tensorflow Lite模型对其进行处理，并通过文本对语音引擎向用户提供听觉反馈。该应用程序的设计具有可访问性功能，例如语音导航和简化的接口，从而确保了目标受众的易用性。
识别高度表达的基因和有效的核心...
摘要。具有特定转录活性的有效启动子在调节外源基因表达中起着显着的作用。对骨骼肌的有效启动子对骨骼肌肉的高表达能力。这对于通过结合基因编辑和传统繁殖技术的有针对性改善牲畜肉质的质量非常重要。To identify efficient promoters specific to the skeletal muscles of buffalo, in the present study, a total of 14 genes, CACNG1 , LRRC30 , CACNG6 , MYOG , VGLL2 , MYOD1 , KCNA7 , DUPD1 , PRR32 , LBX1 , IGFN1 , ACTN3 , PITX3 , and MURC , were firstly基于高通量测序数据筛选为骨骼肌肉特异性表达的基因。通过定量逆转录聚合酶链反应（RT-QPCR），在其中只有两个基因（即vgll2和cacng1）被鉴定为在buffalo的骨骼肌中特异性和有效表达。然后，通过双重荧光素酶报告基因检测系统在小鼠C2C12细胞和水牛骨骼肌细胞中评估了VGLL2和CACNG1上游推定的启动子区域的不同截短片段的转录活性。结果，VGLL2和CACNG1的核心启动子均被鉴定为在骨骼肌组织中具有特定和有效的转录活性，而VGLL2核心启动子的转录活性更为有效。这些结果为水牛和其他牲畜动物的肉质质量有针对性改善提供了重要的信息。
基于蛋白质表达的患者亚型鉴定心肌梗塞后心力衰竭的预测
总结本研究调查了基于适体的平台鉴定能够预测能够预测心力衰竭发生（HF）的循环生物标志物的能力，在住院期间收集的血液样本在患有第一个心肌梗死（MI）的患者中收集的血液样本。REVE-1（派生）和REVE-2（验证）共同组合分别包括254例和238名患者，分别随后9美元G 4 $ 8 $ 8和7 $ 6 G 3 $ 0年。住院期间收集的血液样本用于量化4,668种蛋白质。五十种蛋白质与HF的长期出现与全因死亡作为竞争事件显着相关。k-均值，一种无监督的聚类方法，基于50个蛋白质的表达水平鉴定了两组属性。第2组与两个队列中HF的风险更高相关。这些结果表明，MI患者住院期间定量的50个选定蛋白的子集可以对HF进行分层并预测HF的长期出现。
使用深度迁移学习识别单细胞空间分辨转录组学数据中的高风险细胞
背景：通过检查空间分辨转录组学平台组织样本中的高风险细胞和区域，可以深入了解特定疾病过程。对于现有方法，虽然可以识别细胞类型或簇并将其与疾病属性相关联，但无法以相同的方式关联单个细胞，这可能导致无法识别与疾病属性相关的细胞子集，尤其是当疾病相关细胞与非疾病相关细胞聚集在一起时。方法：DEGAS（单细胞诊断证据量表）[5] 使用复杂的深度迁移学习算法解决了上述问题，该算法旨在识别肿瘤样本单细胞 RNA 测序数据中的高风险成分。DEGAS 采用基因表达数据的潜在表示和域适应将疾病属性从患者转移到单个细胞。在这项研究中，我们展示了 DEGAS 在适应单细胞空间分辨转录组学平台（如 10X Genomics Xenium 平台和 Nanostring 的 CosMx 平台）产生的数据方面的多功能性。通过整合上述平台的空间位置信息，DEGAS 不仅可以识别组织样本中的高风险成分，还可以精确定位与疾病状态相关的载玻片内的位置。结果：我们在多个平台上评估了 DEGAS，包括 10X Genomics Xenium 和 Nanostring CosMx。DEGAS 成功识别了高风险细胞和区域，并通过已知标记进行了验证。此外，DEGAS 还应用于我们新生成的 T2D Xenium 数据集和公开的黑色素瘤 Xenium 数据集。我们在公开的正常和肝细胞癌组织的 Nanostring CosMx FFPE 样本上测试了 DEGAS，揭示了与关键途径相关的高风险细胞和拓扑结构。值得注意的是，高风险区域主要富集在肿瘤组织中，DEGAS 揭示了与侵袭性疾病标志物和细胞类型多样性相关的异质性。关键词：单细胞 RNA 测序、空间分辨转录组学、域适应、深度迁移学习