XiaoMi-AI文件搜索系统
World File Search SystemKeegan
PI3K/AKT/MTOR途径的激活在乳腺癌中引起耐药性
乳腺癌是世界各地女性癌症死亡的主要原因（Siegel and Miller，2020年）。在分子水平上，乳腺癌是一种异质性疾病，分为激素/雌激素受体阳性（HR+/ER+），人表皮生长因子受体2阳性（HER2+）阳性（HER2+）和ER/PR/PR/HER2三重接纳性乳腺癌（TNBC），以及相应的治疗策略，该策略是根据分子属于Metrecormular sugimular sugimular sugimular sugimular sugimular sugimular sugimular sugimular sugin sytypics的。常见疗法包括用于HR+疾病的内分泌治疗（ET），HER2针对HER2+疾病的靶向治疗，化学疗法和针对TNBC患者的免疫疗法以及BRCA突变的TNBC患者的PARP抑制剂。获得的耐药性会导致乳腺癌的肿瘤复发，这与多种但相对独立的机制有关，包括过度表达乳腺癌抗性蛋白（BCRP，也称为ABCG2），细胞周期检查点的修改，凋亡的抑制和激活多个信号通路（Kartal-yandim-yandim-yandim等，2016）。PI3K/AKT/MTOR途径已成为近年来克服耐药性的新目标（Keegan等，2018； Verret等，2019）。失调与肿瘤进展和对乳腺癌标准疗法的抗性密切相关（Guerrero-Zotano等，2016）。PI3K/AKT/MTOR途径是几种类型的癌症中最常激活的途径之一（Alzahrani，2019）。这也是固有阻力的最重要原因之一。针对PI3K/AKT/MTOR途径的几种药物正在临床开发中。在这篇综述中，我们总结了与乳腺癌耐药性有关的PI3K/AKT/MTOR途径的当前知识，并提出了有效的药物开发策略。
开发定向能源沉积的NASA HR-1，以优化液体火箭发动机应用的特性
添加剂制造和新材料正在发展，多个同事和组织负责NASA HR-1的发展和发展。作者要感谢SLS液体发动机办公室（LEO）计划以及快速分析和制造推进技术（RAMPT）提供资金和支持以开发流程并推进这种合金。我们要感谢Johnny Heflin，Keegan Jackson和John Fikes提供了项目领导。我们要感谢我们的行业和学术界合作伙伴，包括RPM创新（RPMI），Beam，Fraunhofer，Formalloy和Auburn University的Nima Shamsaei（Rampt公共私人合作伙伴），以及阿拉巴马大学（UAH）大学（UAH）的Judy Schneider（UAH）（UAH）（UAH）开发和特征分类的sampemples。我们还要感谢提供原料粉的各种供应商，包括均质化金属公司（HMI），Praxair和Powder Alloy Corporation（PAC）。热处理是一项关键操作，我们的专家Pat Salvail，Kenny Webster和David Cole提供了出色的支持。我们还要感谢NASA GRC Counterparts，包括David Ellis，Justin Milner，Chris Kantzos，Ivan Locci以及许多其他帮助评估和表征样本的人。此外，我们认识到其他工程师在整个开发和测试中都提供了投入，包括托马斯·蒂斯利（Thomas Teasley），克里斯·普罗尔兹（Chris Protz），威尔·蒂尔森（Will Tilson），布莱恩·韦斯特（Brian West），凯瑟琳·贝尔（Brian West），凯瑟琳·贝尔（Catherine Bell），萨曼莎·麦克莱罗（Samantha McLeroy）以及MSFC，GRC和工业的许多其他工程。
与游戏收集定量数据中的有效性威胁
我们已经看到使用游戏来收集游戏以外的研究问题的数据本身，这是在研究本身之外的研究问题，称为游戏研究（Deterding等，2015）或基于游戏的方法（Slegers等，2016）。例如，经济学家长期以来不得不与他们无法进行真正的宏观经济实验的事实作斗争 - 政府也不会允许他们，也不能真正建立并比较两个相同的现实生活经济体。因此，像卡斯特罗诺娃，威廉姆斯，拉坦和基冈（2009）或Živić，Andjelković，Andjelković，Özden，Dekić和Castronova（2017）已经探索了基于经济性经济学的虚拟经济学，在MACRIEN上，在Maccrotect of MacCRAID上，已经探索了使用MacCRIEN的虚拟经济体的使用。现实世界。正在适应现有的，并创建了新游戏，例如实验室和在线实验（Hawkins，Rae，Nesbitt和Brown，2012; Oladimeji，Thimbleby，Curzon，Iacovides，Iacovides和Cox，＆Cox，＆Cox，2012年）。例如心理学和流行病学是重新修复游戏智能 - 现有娱乐游戏的大规模数据 - 回答基础研究问题（Devlin等，2014； Williams，Contractor，Poole，Poole，Srivastava，＆Cai，＆Cai，2011）。在人们的游戏中表现与诸如流畅智能（Kokkinakis，Cowling，Drachen和Wade，2017年）等游戏外的特征之间建立了密切的关系，他们建议游戏可以用作替代心理测量乐器。人类计算机互动（HCI）和其他领域的定性研究人员越来越多地使用板和纸牌游戏来构建用户和设计研究过程（Hannula＆Harviainen，2016； Slegers等，2016）。所谓的公民科学游戏正在吸引成千上万的志愿者来众筹科学数据收集和处理任务，例如记录污染水平，分类星系图像或识别蛋白质折叠（Cooper，2015年）。
主动声纳简史
加拿大纽芬兰海岸。对所谓的费森登振荡器的研究一直持续到 1931 年，在此期间，频率从 540 Hz 增加到 1,000 Hz（Lasky，1977 年；Hackman，1984 年；Bjørnø，2003 年；Katz，2005 年）。第一次世界大战中，潜艇成为较弱海军强国的首选武器——用今天的话来说，这是一种“不对称威胁”——刺激了对水下潜艇的探测需求，而这些潜艇本来是隐形的（Cote，2000 年）。潜艇的隐蔽性和海洋的不透明性深刻改变了 20 世纪剩余时间的海战（Keegan，1990 年；Cote，2000 年）。由于声音是唯一能在水中传播可观距离的传输能量，因此必须利用声学回声测距来应对这一威胁。第一次世界大战后出现的最重要的回声测距系统是超声波 ASDIC，这是英国和法国海军合作研制的。ASDIC 是盟军潜艇探测调查委员会的缩写，该委员会在第一次世界大战期间成立，以开展潜艇探测研究。意大利也进行了类似的研究，美国的研究范围更为广泛。1918 年，法国物理学家 Paul Langevin 使用一种设计为以 38 kHz 机械共振的发射器演示了第一个 ASDIC 系统，并用它来估计目标距离和方位（Lasky，1977 年；Urick，1983 年；Burdic，1984 年；Hackman，1984 年；Bjørnø，2003 年；Proc，2005 年）。第一个 ASDIC 舰载系统于 1919 年安装，该系统有一个覆盖式圆顶，使系统可以在船舶移动时运行。工作频率从 20 到 50 kHz 不等。在 20 世纪 20 年代和 30 年代初，ASDIC 被开发用于驱逐舰的反潜战 (ASW)。两次世界大战之间的时期也是水下声学基础研究的时期。这一时期的一个关键发现是，水下较高频率的声音在穿过海水时，其振幅比较低频率的声音衰减得更大。基于这一观察，新型驱逐舰 ASDIC（119 型）的频率范围从
机器学习方法的探索性应用，以优化对饮食失调症状的数字干预措施的预测
Dwyer，D。和Choi，K。（2021）。在预测精神病学治疗结果时，机器学习的希望。世界精神病学，20（2），154 - 170。https：//doi.org/10.1002/wps.20882 Chien，I.，Enrique，A.，Palacios，J.，Regan，T.，Keegan，T.，Keegan，D. （2020）。一种机器学习方法，以了解与互联网交付的心理健康相互作用的互动模式。JAMA Network Open，3（7），E2010791。https://doi.org/10。 1001/jamanetworkopen.2020.10791 Christodoulou，E.，Ma，J.，Collins，G.S.，Steyerberg，E.W. （2019）。 系统的综述显示机器学习对临床预测模型的逻辑回归没有任何绩效益处。 临床流行病学杂志，110，12 - 22。https：// doi。 org/10.1016/j.jclinepi.2019.02.004 Fitzsimmons-Craft，E。E. Jacobi，C.，Jo，B.，Trockel，M。T.和Wilfley，D。E.（2020）。 数字认知行为疗法的有效性 - 对大学女性饮食失调的指导自助干预：一项群集随机临床试验。 JAMA Network Open，3（8），E2015633。 https://doi.org/10.1001/jamanetworkopen.2020.15633 Flygare，O. BMC精神病学，20（1），1 - 9。https：// doi。 统计软件杂志，33（1），1 - 22。https://doi.org/10。1001/jamanetworkopen.2020.10791 Christodoulou，E.，Ma，J.，Collins，G.S.，Steyerberg，E.W.（2019）。系统的综述显示机器学习对临床预测模型的逻辑回归没有任何绩效益处。临床流行病学杂志，110，12 - 22。https：// doi。org/10.1016/j.jclinepi.2019.02.004 Fitzsimmons-Craft，E。E. Jacobi，C.，Jo，B.，Trockel，M。T.和Wilfley，D。E.（2020）。数字认知行为疗法的有效性 - 对大学女性饮食失调的指导自助干预：一项群集随机临床试验。JAMA Network Open，3（8），E2015633。https://doi.org/10.1001/jamanetworkopen.2020.15633 Flygare，O.BMC精神病学，20（1），1 - 9。https：// doi。统计软件杂志，33（1），1 - 22。预测互联网传递认知行为疗法后身体障碍障碍的预测因素：一种机器学习方法。org/10.1186/s12888-020-02655-4 Friedman，J.，Hastie，T。，＆Tibshirani，R。（2010）。通过坐标下降的通用线性模型的正规化路径。Hettige，N。C.，Nguyen，T。B.，Yuan，C.，Rajakulendran，T.，Baddour，J.，Bhagwat，N.，Bani-Fatemi，A.，Voineskos，A.N. 使用社会文化和临床特征对精神分裂症中自杀式定位的分类：一种机器学习方法。 综合医院精神病学，47，20 - 28。https：//doi.org/10.1016/j.genhosppsy.2017.03.001 Hooker，S。（2021）。 超越“算法偏差是数据问题”。 模式，2（4），100241。 Jordan，M。I.和Mitchell，T。M.（2015）。 机器学习：趋势，敏感和前景。 Science，349（6245），255 - 260。https：//doi.org/10。 1126/science.AAA8415库恩。 （2021）。 caret：分类和回归培训。 r软件包ver- sion 6.0-88。 https://cran.r-project.org/package = Caret Lee，Y. N.，Zuckerman，H.，Chen，V。C.，Ho，R.，Rong，C。和McIntyre，R。（2018年）。 机器学习算法的应用以预测抑郁症的治疗结果：元分析和系统评价。 做Hettige，N。C.，Nguyen，T。B.，Yuan，C.，Rajakulendran，T.，Baddour，J.，Bhagwat，N.，Bani-Fatemi，A.，Voineskos，A.N.使用社会文化和临床特征对精神分裂症中自杀式定位的分类：一种机器学习方法。综合医院精神病学，47，20 - 28。https：//doi.org/10.1016/j.genhosppsy.2017.03.001 Hooker，S。（2021）。超越“算法偏差是数据问题”。模式，2（4），100241。Jordan，M。I.和Mitchell，T。M.（2015）。 机器学习：趋势，敏感和前景。 Science，349（6245），255 - 260。https：//doi.org/10。 1126/science.AAA8415库恩。 （2021）。 caret：分类和回归培训。 r软件包ver- sion 6.0-88。 https://cran.r-project.org/package = Caret Lee，Y. N.，Zuckerman，H.，Chen，V。C.，Ho，R.，Rong，C。和McIntyre，R。（2018年）。 机器学习算法的应用以预测抑郁症的治疗结果：元分析和系统评价。 做Jordan，M。I.和Mitchell，T。M.（2015）。机器学习：趋势，敏感和前景。Science，349（6245），255 - 260。https：//doi.org/10。1126/science.AAA8415库恩。（2021）。caret：分类和回归培训。r软件包ver- sion 6.0-88。 https://cran.r-project.org/package = Caret Lee，Y. N.，Zuckerman，H.，Chen，V。C.，Ho，R.，Rong，C。和McIntyre，R。（2018年）。机器学习算法的应用以预测抑郁症的治疗结果：元分析和系统评价。做情感障碍杂志，241，519 - 532。https：//doi.org/10.1016/j.jad.2018.08.073 Lekkas，D.，Price，G.，McFadden，J。，J。，＆Jacobson，J。，＆Jacobson，N.C。（2021）。机器学习到在线正念干预数据的应用：合规性评估中的底漆和经验示例。正念，12（10），2519 - 2534。https：//doi.org/10.1007/s12671-021-021-021-01723-4 Linardon，J.，J.，Messer，M.，Shatte，M.，Shatte，Shatte，Shatte，A.