XiaoMi-AI文件搜索系统
World File Search SystemInferring
使用数据约束的复发神经网络模型推断大脑互动
4加利福尼亚州帕萨迪纳市加州理工学院 *通信：kanaka.rrajan@mssm.edu抽象行为来自许多解剖学和功能上不同的大脑区域的协调活动。现代的实验工具允许空前访问跨越许多相互作用区域的大型神经种群。然而，了解这样的大规模数据集需要两个可扩展的计算模型来提取区域通信的有意义的特征和原则性理论来解释这些特征。在这里，我们引入了基于电流的分解（CurbD），这是一种使用数据约束的复发性神经网络模型来推断大脑相互作用的方法，该模型直接重现实验性的神经数据。Curbd利用了此类模型推断出的功能相互作用，以揭示多个大脑区域之间的定向电流。我们首先表明Curbd准确地隔离了具有已知动力学的模拟网络中的区域间电流。然后，我们将路缘应用于跑步过程中从小鼠获得的多区域神经记录，在帕夫洛维亚调节过程中的猕猴以及记忆回收期间的人类，以证明Curbd在各种神经数据集中脱离了Curbd对脑部互动的广泛适用性。在发育过程中引入，即使是小生物的神经系统也会组织成非常复杂的结构。大脑具有结构模块性（例如，脑区域，层状组织，细胞类型），具有系统发育跨模块的专业化。大脑区域具有惊人的专业化和独特的功能特征。但是，单个大脑区域也经常与整个大脑中的许多其他区域相互作用2。这些宏观电路通过直接投影，多节日回路和更广泛的间接效应（例如神经调节剂释放3）反复连接。因此，在理论上，大脑甚至在简单的行为中都处于活跃状态，从理论上讲，只有一个较小的区域4-6介导的大脑。得出对行为神经基础的理解需要考虑大脑活动的分布性质。，尽管现代实验技术提供了大规模的多区域数据集，但研究人员仍缺乏一种全面的，统一的方法来推断全脑部相互作用和信息流。在这里，我们引入了基于电流的分解（CURBD），这是一个计算框架，利用多区域神经记录的复发性神经网络（RNN）模型来推断
EC-GAN：通过生成对抗网络推断大脑有效连接
从功能性磁共振成像（fMRI）数据推断不同大脑区域之间的有效连接是近年来神经信息学领域的一项重要前沿研究。然而，由于fMRI数据噪声大、样本量小，目前的方法在有效连接研究中的应用受到限制。在本文中，我们提出了一种基于生成对抗网络（GAN）推断有效连接的新框架，称为EC-GAN。所提出的框架EC-GAN通过对抗过程推断有效连接，其中我们同时训练两个模型：生成器和鉴别器。生成器由一组基于结构方程模型的有效连接生成器组成，可通过有效连接生成每个大脑区域的fMRI时间序列。同时，采用鉴别器来区分真实的和生成的fMRI时间序列的联合分布。在模拟数据上的实验结果表明，与其他最新方法相比，EC-GAN可以更好地推断有效连接。真实世界的实验表明，EC-GAN 可以为分析 fMRI 数据的有效连接提供一个全新的、可靠的视角。
通过整合体外药物反应试验和药物蛋白质分析推断肿瘤特异性癌症依赖性
。CC-BY-NC-ND 4.0 国际许可证永久有效。它是在预印本（未经同行评审认证）下提供的，作者/资助者已授予 bioRxiv 许可，可以在该版本中显示预印本。版权所有者于 2022 年 1 月 12 日发布了此版本。；https://doi.org/10.1101/2022.01.11.475864 doi：bioRxiv 预印本
推断微阵列数据集揭示了帕金森氏病的关键生物标志物和潜在的药物靶标
帕金森氏病（PD）是一种严重的神经系统疾病，其特征是失去自愿运动和运动的大大减慢。传统上归因于环境因素，但最近的研究强调了遗传学在PD发作和进展中的重要作用。这项研究旨在通过分析来自四个数据集（83个PD和53个控制质量Nigra样品）的基因表达数据来鉴定PD中差异表达的基因（DEG）和相关途径，这些数据来自基因表达综合（GEO）数据库。使用GEO2R，我们通过富集确定了常见的DEG并进行了功能注释和KEGG途径富集分析。我们使用StringDB构建了蛋白质 - 蛋白质相互作用（PPI）网络，并通过CytoHubba鉴定了集线器基因。结果显示，在多巴胺能突触和可卡因成瘾等途径中富含18个临界DEG。关键集线器基因包括酪氨酸羟化酶（Th），溶质载体家族18构件A2（SLC18A2）和钾在内部整流的通道亚家族J成员6（KCNJ6）。这些发现提供了对PD分子机制的见解，突出了潜在的生物标志物和治疗靶标。本研究为未来的研究和制定帕金森氏病的有效治疗策略提供了强大的框架。
通过整合体外药物反应试验和药物蛋白质分析推断肿瘤特异性癌症依赖性
发现肿瘤特异性分子依赖性可能会改善癌症疗法的开发。必需的工具包括遗传和化学扰动，每种方法都有其优点和局限性。化学扰动可以很容易地大规模应用于原发性癌症样本，但由于一种化合物对多种蛋白质具有亲和力，因此对命中的机制理解和进一步的药物开发通常很复杂。为了从体外药物敏感性曲线计算推断出单个癌症的特定分子依赖性，我们开发了一个数学模型，使用蛋白质-药物亲和力曲线的测量值对这些数据进行解卷积。通过整合药物激酶分析数据集和几种药物反应数据集，我们的方法 DepInfeR 正确识别了已知的蛋白激酶依赖性，包括 HER2+ 乳腺癌细胞系的 EGFR 依赖性、具有 FLT3 -ITD 突变的急性髓细胞白血病 (AML) 的 FLT3 依赖性以及两种主要慢性淋巴细胞白血病 (CLL) 亚型对 B 细胞受体途径的差异依赖性。此外，我们的方法发现了新的亚组特定依赖性，包括以前未报告的高危 CLL 对检查点激酶 1 (CHEK1) 的依赖性。该方法还生成了 117 个 CLL 样本异构集中激酶依赖性的详细图谱。将多药理学表型反卷积为潜在的因果分子依赖性的能力应该会增加高通量药物反应检测在功能精准肿瘤学中的效用。
通过具有概率输出的多任务神经网推断红移和星系性能 - 模拟月亮光谱的应用
1 Department of Physics and Astronomy, University of Florence, Via G. Sansone 1, I-50019 Sesto F.no (Florence), Italy 2 Inf-Astro fi sic observatory of Arcetri, Largo E. Fermi 5, I-50125 Florence, Italy 3 School of Physics and Astronomy, University of St Andrews, North Haugh, ST Andrews, St Andrews. Ky16 9SS, UK 4 Inf-Observatory of Astro Phone and Spazio of the Space of Bologna, Via Piero Gobetti 93 /3, 40129 Bologna, Italy 5 GEPI, Observiire de Paris, PSL University, CNRS, Meudon, France 6 Cavendish Laboratory, University of Cambridge, 19 J. Thomson Ave., Cambridge CB3 0he, UK 7, UK 7卡夫利宇宙学研究所，剑桥大学，马德利路，剑桥CB3 0HA，英国8物理与天文学系，伦敦大学学院，伦敦高尔街，伦敦WC1E 6BT，英国9欧洲南部天obervoration，Karl-Schwarzsschild-Strassse 2， D-85748 Garching Bei Muenchen，德国1 Department of Physics and Astronomy, University of Florence, Via G. Sansone 1, I-50019 Sesto F.no (Florence), Italy 2 Inf-Astro fi sic observatory of Arcetri, Largo E. Fermi 5, I-50125 Florence, Italy 3 School of Physics and Astronomy, University of St Andrews, North Haugh, ST Andrews, St Andrews. Ky16 9SS, UK 4 Inf-Observatory of Astro Phone and Spazio of the Space of Bologna, Via Piero Gobetti 93 /3, 40129 Bologna, Italy 5 GEPI, Observiire de Paris, PSL University, CNRS, Meudon, France 6 Cavendish Laboratory, University of Cambridge, 19 J. Thomson Ave., Cambridge CB3 0he, UK 7, UK 7卡夫利宇宙学研究所，剑桥大学，马德利路，剑桥CB3 0HA，英国8物理与天文学系，伦敦大学学院，伦敦高尔街，伦敦WC1E 6BT，英国9欧洲南部天obervoration，Karl-Schwarzsschild-Strassse 2， D-85748 Garching Bei Muenchen，德国
Vivado Design Suite用户指南：使用IP集成器设计IP子系统
引用一个模块........................................................................................................................................................................................................................................................................................................................................................................................................................... XCI推论..................................................................................................................................................... RTL Module..............................................................251 Inferring Control Signals in a RTL Module........................................................................... 252 Inferring AXI Interfaces..........................................................................................................256 Prioritizing Interfaces for Automatic Inference...................................................................259 HDL Parameters for Interface Inference..............................................................................261 Editing the RTL Module After Instantiation......................................................................... 267 Module Reference in a Non-Project Flow.............................................................................269 x_module_spec属性..................................................................................................................................................................................................................................................................................................... 270重复使用一个模块参考的块设计.................................功能.................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................
7 条参考文献 - 麦克斯韦
SOULSBY C.；TETZLAFF D.；VAN DEN BEDEM N.；MALCOLM I.A.；BACON P.J.；YOUNGSON A.F.根据泉水和溪水的水化学调查推断地下水对山区集水区地表水的影响。《水文学杂志》第 333 卷，第 199-213 页，2007 年。