XiaoMi-AI文件搜索系统
World File Search SystemLRP
NLRP1 炎症小体调节衰老和衰老相关的分泌表型
衰老是一种与细胞老化相关的过程，由不同的应激引发，其特征是分泌各种炎症因子，称为衰老相关分泌表型 (SASP)。在这里，我们提出证据表明，炎症小体传感器 NLRP1 是体外和体内辐射诱导衰老的关键介质。NLRP1 炎症小体通过以 Gasdermin D (GSDMD) 依赖的方式调节 p16、p21、p53 和 SASP 的表达来促进衰老，因为在 NLRP1 不足或 GSDMD 抑制的情况下，这些反应会降低。从机制上讲，NLRP1 炎症小体在细胞质 DNA 传感器 cGMP-AMP (cGAMP) 合酶 (cGAS) 下游被激活，以响应基因组损伤。这些发现为抑制 NLRP1 炎症小体-GSDMD 轴以治疗衰老驱动的疾病提供了理论依据。
CRISPR/Cas9 介导的 HuTu-80 和 HEK 293T 细胞系中的 LRP10 敲除
在患有家族性帕金森病 (PD)、帕金森病性痴呆 (PDD) 和路易体痴呆 (DLB) 的患者中，已发现低密度脂蛋白相关蛋白 10 基因 (LRP10) 中罕见的致病变异 (Quadri et al., 2018)。此外，对携带不同 LRP10 变异的患者的尸检分析显示，脑干、边缘和皮质区域中存在严重的 α-突触核蛋白相关病理负担，表现为路易体 (LB) 和路易体神经突 (LN) (Quadri et al., 2018)。重要的是，功能研究表明，最初发现的 LRP10 致病变异影响 LRP10 转录本表达和稳定性、蛋白质稳定性或蛋白质定位，表明功能丧失 (LoF) 是一种共同的致病机制 (Quadri et al., 2018)。此外，早期使用 LRP10 过表达模型的研究报告称 LRP10 参与细胞内运输途径 (Boucher et al., 2008; Brodeur et al., 2009, 2012; Doray et al., 2008). 尽管有这些数据，但对于内源性 LRP10 在健康和疾病中的功能知之甚少，部分原因是缺乏体外 LRP10 敲除 (KO) 模型。
回顾 NLRP3 炎症小体作为动脉粥样硬化的治疗靶点：重点关注钾流出
动脉粥样硬化是多种心血管疾病的危险因素，与全球范围内的高发病率和死亡率相关。尽管动脉粥样硬化的发生发展涉及许多复杂的过程，但其发病机制尚不清楚。炎症和内皮细胞损伤对动脉粥样硬化的作用持久，导致脂质和纤维组织在动脉内膜堆积形成斑块，进而促进动脉粥样硬化的发生。Nod样受体蛋白3（NLRP3）炎性小体被认为是脂质代谢和炎症之间的纽带。长钾外流是NLRP3的重要激活剂，具有启动和调节的作用。现有的针对NLRP3信号通路的动脉粥样硬化药物大多以IL-1为靶点，而针对钾外流这一关键环节的药物则相对较新。本综述讨论了 NLRP3 炎症小体作为动脉粥样硬化免疫炎症通路的关键调节剂的作用。此外，还整合了当前关于 NLRP3 炎症小体启动和激活通路的知识，强调了钾参与的流出相关蛋白。我们重点介绍了 NLRP3 炎症小体通路的潜在治疗方法，特别是针对靶向药物的钾流出通道。总之，这些见解表明，针对 NLRP3 炎症小体是治疗动脉粥样硬化的重要抗炎疗法。
基于 AI 的 NLRP3 靶标蛋白质结构预测评估
HD1 2.3 (1.3) 2.4 (1.4) 2.4 (1.3) 2.4 (1.3) 2.3 (1.3) WHD 3.5 (2.1) 3.5 (2.1) 3.5 (2.1) 3.4 (2.0) 3.4 (2.1) HD2 8.0 (7.5) 5.3 (4.3) 5.2 (4.2) 7.2 (6.6) 7.1 (6.5) LRR 10.9 (10.6) 10.9 (10.6) 11.0 (10.7) 10.9 (10.7) 11.1 (10.7) 全长 13.0 (12.5) 14.8 (14.4) 23.8 (23.3) 21.9 (21.3) 21.8（21.5）
基于 AI 的 NLRP3 靶标蛋白质结构预测评估
。CC-BY-NC-ND 4.0 国际许可证下提供的（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2022 年 4 月 12 日发布。；https://doi.org/10.1101/2021.11.05.467381 doi：bioRxiv 预印本
基于人工智能的 NLRP3 靶标蛋白质结构预测评估
。CC-BY-NC-ND 4.0 国际许可证下提供的（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2022 年 4 月 4 日发布。；https://doi.org/10.1101/2021.11.05.467381 doi：bioRxiv 预印本
发布print_lrp（设计思维）_4thSubmission_manuscript
a School of Management, Politecnico di Milano, Piazza L. da Vinci, 32 20133, Milano, Italy b Stockholm School of Economics, Sveav ̈agen 65, 113 83, Stockholm, Sweden c TU Delft, Mekelweg 5, 2628, CD Delft, Netherlands d Reykjavik University Center for Research on Innovation and企业家，Menntavegur 1，102，101Reykjavík，冰岛E爱丁堡大学商学院，29 Buccleuch pl，爱丁堡，爱丁堡，EH8 9JS，UK Firamil College College Schools，South Kensington校园，伦敦，伦敦，SW7 2AZ，UK Harvard Business School，MILAN，BOSTNAN NICANN NICAN，BOSTRAN，BOSTNIC，BOSTNIC，美国，美国，意大利
基于 AI 的 NLRP3 靶标蛋白质结构预测评估
HD1 2.4 (1.4) 2.6 (1.5) 2.5 (1.5) 2.5 (1.5) 2.5 (1.4) WHD 3.2 (2.3) 3.2 (2.3) 3.3 (2.4) 3.2 (2.3) 3.2 (2.4) HD2 16.3 (15.8) 17.6 (17.2) 17.6 (17.6) 16.4 (16.0) 16.5 (16.0) LRR 7.9 (7.4) 8.2 (7.7) 8.2 (7.7) 8.2 (7.7) 8.1 (7.5) 全长 10.7 (10.2) 10.5 (9.9) 10.7 (10.2) 10.5 (9.9) 10.5（9.9）
基于 AI 的 NLRP3 靶标蛋白质结构预测评估
。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。此版本的版权持有者于 2021 年 11 月 5 日发布。；https://doi.org/10.1101/2021.11.05.467381 doi：bioRxiv 预印本
![通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。](/simg/d/dd5abf0752fcc9f891dc4a96743f916f96f28350.png)
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。