XiaoMi-AI文件搜索系统
World File Search SystemMam
房间里的 AI 代理：为移植选择委员会提供客观决策信息 Bima J. Hasjim MD MSc 1,2 *、Ghazal Azafar PhD 2,3 *、Frank Lee MD 4、Tayyab S. Diwan MD 4、Shilpa Raju MPH 2、Jed Adam Gross MPhil JD 5,6、Aman Sidhu MD 2、Hirohito Ichii MD PhD 1、Rahul G. Krishnan PhD 7、Muhammad Mamdani MPH PharmD 8,9、Divya Sharma PhD 10,11 +、Mamatha Bhat MD PhD 2,3,12,13 + *共同第一作者 + 共同资深作者 1 加州大学欧文分校外科系，加利福尼亚州奥兰治，美国 2 多伦多大学大学健康网络 Ajmera 移植中心移植 AI 计划， 3 加拿大安大略省多伦多大学健康网络多伦多总医院研究所 4 明尼苏达州罗彻斯特梅奥诊所医学院移植外科分部 5 加拿大多伦多大学健康网络临床和组织伦理学系 6 加拿大安大略省多伦多大学达拉拉纳公共卫生学院临床公共卫生分部 7 加拿大安大略省多伦多大学计算机科学系 8 加拿大安大略省多伦多大学健康网络多伦多总医院药学系和妇女健康计划 9 临床评估科学研究所 10 加拿大安大略省北约克大学数学与统计学系 11 加拿大安大略省多伦多大学健康网络生物统计学系 12 加拿大安大略省多伦多大学医学系胃肠病学和肝病学分部 13 加拿大安大略省多伦多矢量研究所 通讯作者：Mamatha Bhat，医学博士
房间里的 AI 代理：为移植选择委员会提供客观决策信息 Bima J. Hasjim MD MSc 1,2 *、Ghazal Azafar PhD 2,3 *、Frank Lee MD 4、Tayyab S. Diwan MD 4、Shilpa Raju MPH 2、Jed Adam Gross MPhil JD 5,6、Aman Sidhu MD 2、Hirohito Ichii MD PhD 1、Rahul G. Krishnan PhD 7、Muhammad Mamdani MPH PharmD 8,9、Divya Sharma PhD 10,11 +、Mamatha Bhat MD PhD 2,3,12,13 + *共同第一作者 + 共同资深作者 1 加州大学欧文分校外科系，加利福尼亚州奥兰治，美国 2 多伦多大学大学健康网络 Ajmera 移植中心移植 AI 计划， 3 加拿大安大略省多伦多大学健康网络多伦多总医院研究所 4 明尼苏达州罗彻斯特梅奥诊所医学院移植外科分部 5 加拿大多伦多大学健康网络临床和组织伦理学系 6 加拿大安大略省多伦多大学达拉拉纳公共卫生学院临床公共卫生分部 7 加拿大安大略省多伦多大学计算机科学系 8 加拿大安大略省多伦多大学健康网络多伦多总医院药学系和妇女健康计划 9 临床评估科学研究所 10 加拿大安大略省北约克大学数学与统计学系 11 加拿大安大略省多伦多大学健康网络生物统计学系 12 加拿大安大略省多伦多大学医学系胃肠病学和肝病学分部 13 加拿大安大略省多伦多矢量研究所 通讯作者：Mamatha Bhat，医学博士
Giorgio Mammoliti 的审计报告
c) 法案第 88.9.1(1) 条规定，候选人及其配偶向自己竞选活动捐款的最高金额为计算金额与 25,000 美元中的较小者，而本次补选中允许的最高捐款额为 25,000 美元。Mammoliti 先生向其竞选活动捐款 45,406.43 美元（包括个人支付的额外费用为 60,646.57 美元）。虽然其中 45,500 美元的捐款是直接从其信用额度中借来的，但由于该笔贷款是个人偿还的，而非来自竞选资金，因此贷款余额被视为法案规定的捐款。我们认为，Mammoliti 先生的捐款超过了 25,000 美元的限额，明显违反了法案第 88.9.1(1) 条。
阐明HR+HER2的免疫活性状态-Mammaprint
1密歇根大学，密歇根州安阿伯市； 2耶鲁癌症中心，耶鲁大学医学院，康涅狄格州纽黑文； 3佐治亚州亚特兰大埃默里大学医学院；田纳西州纳什维尔市纳什维尔乳房中心4； 5达拉斯手术组，德克萨斯州达拉斯； 6德克萨斯肿瘤学 - 巴耶勒·查尔斯·萨蒙斯癌症中心，美国达拉斯，美国肿瘤网络；德克萨斯州科技大学健康科学中心医学院，德克萨斯州拉伯克； 8旧版卫生系统，波特兰，俄勒冈州； 9匹兹堡大学，宾夕法尼亚州匹兹堡； 10迈阿密癌症研究所，佛罗里达州迈阿密的浸信会卫生部； 11伊利诺伊州芝加哥大学，伊利诺伊州芝加哥；华盛顿大学12号华盛顿大学，华盛顿州西雅图市的弗雷德·哈奇森癌症研究中心； 13加利福尼亚大学，旧金山，加利福尼亚州旧金山； 14加利福尼亚大学旧金山分校的外科系，加利福尼亚州旧金山； 15荷兰阿姆斯特丹议程； 16医学事务，加利福尼亚州欧文市议会公司； 17贝勒大学医学中心，德克萨斯州肿瘤学，美国肿瘤学网络，达拉斯，德克萨斯州1密歇根大学，密歇根州安阿伯市； 2耶鲁癌症中心，耶鲁大学医学院，康涅狄格州纽黑文； 3佐治亚州亚特兰大埃默里大学医学院；田纳西州纳什维尔市纳什维尔乳房中心4； 5达拉斯手术组，德克萨斯州达拉斯； 6德克萨斯肿瘤学 - 巴耶勒·查尔斯·萨蒙斯癌症中心，美国达拉斯，美国肿瘤网络；德克萨斯州科技大学健康科学中心医学院，德克萨斯州拉伯克； 8旧版卫生系统，波特兰，俄勒冈州； 9匹兹堡大学，宾夕法尼亚州匹兹堡； 10迈阿密癌症研究所，佛罗里达州迈阿密的浸信会卫生部； 11伊利诺伊州芝加哥大学，伊利诺伊州芝加哥；华盛顿大学12号华盛顿大学，华盛顿州西雅图市的弗雷德·哈奇森癌症研究中心； 13加利福尼亚大学，旧金山，加利福尼亚州旧金山； 14加利福尼亚大学旧金山分校的外科系，加利福尼亚州旧金山； 15荷兰阿姆斯特丹议程； 16医学事务，加利福尼亚州欧文市议会公司； 17贝勒大学医学中心，德克萨斯州肿瘤学，美国肿瘤学网络，达拉斯，德克萨斯州
Mammaprint®与基因表达途径的关联预测对细胞周期蛋白依赖性激酶4/6（CDK）抑制的抗性
•在所有HR+HER2-肿瘤中，14.4％（n = 834）被归类为Ultralow，38.1％为（n = 2201）低，37.6％（n = 2175）为高1，而9.8％（n = 568）为高2风险（表1）。•观察到线性相关性，随着哺乳动物的风险增加和RB功能的增加（p <0.001）（图2）。RB功能丧失的平均基因表达与高2个肿瘤表现出最高的相关性。所有哺乳动物/蓝图亚型比较都是显着的（所有比较的2路ANOVA，p <0.0001）（图3）。•与其他哺乳动物组相比，乳腺斑点高2的肿瘤比例最高，对CDK4I的耐药性（43.0％）（p <0.001）（图4）。•高2显示与与CDK4无关的高增殖相关的基因最强的相关性，与所有哺乳动物基团相比，相关性明显更高（所有乳突比较的2条ANOVA，P <0.0001）（图5A）。然而，在蓝图高2个腔与高2基底亚组比较之间对CDK4I的抗性之间的相关性中没有显着差异（2路ANOVA，P = 0.185）（图5B）。
标题：《CRISPR-Cas9 基因组编辑对猛犸象复兴的潜力》。作者：陈月宁 来源：青年人类学 – 本科
本文的主要目的是介绍和批判性地评估 CRISPR-Cas9 基因组编辑技术在复活灭绝物种方面的可能性。猛犸象，科学名称为 Mammuthus primigenius，是一种已灭绝的更新世巨型动物物种，以其在干旱草原苔原极寒恶劣条件下生存的出色适应能力而闻名，那里的平均气温在 -30°C 至 -50°C 之间。猛犸象强大的抗寒能力及其与苔原和北方森林的生态联系促使科学家们假设复活猛犸象可能对保护和恢复现代世界退化生态系统的平衡和健康做出重大贡献。科学家还认为，复活猛犸象可以增强现存物种的遗传多样性，从而进一步增强动物物种对不断变化的环境条件的恢复力和适应性。通过将 CRISPR-Cas9 基因组编辑技术应用于现代大象，科学家们预见到了从现代大象中成功复活猛犸象的可能性，将曾经被视为“不可能的任务”变成了可行的现实。本文将全面分析 CRISPR-Cas9 基因组编辑技术的机制和局限性，强调如何操作和利用这项独特的技术，使科学家能够以所需的方式操纵和修改生物体的基因组，从而让灭绝的物种复活。关于复活灭绝物种的好处是否大于伦理问题和潜在危害的争论仍未解决，本文还将讨论围绕这一努力的伦理影响。
MamMIL：使用状态空间模型对整个幻灯片图像进行多实例学习
摘要 — 近年来，病理诊断通过将深度学习模型与使用全切片图像 (WSI) 的多实例学习 (MIL) 框架相结合而取得了优异的表现。然而，WSI 的千兆像素特性对高效的 MIL 提出了巨大挑战。现有研究要么不考虑实例之间的全局依赖关系，要么使用线性注意等近似值来建模对对实例交互，这不可避免地带来了性能瓶颈。为了应对这一挑战，我们提出了一个名为 MamMIL 的框架用于 WSI 分析，通过将选择性结构化状态空间模型（即 Mamba）与 MIL 相结合，能够在保持线性复杂度的同时对全局实例依赖关系进行建模。具体而言，考虑到 WSI 中组织区域的不规则性，我们将每个 WSI 表示为一个无向图。为了解决 Mamba 只能处理一维序列的问题，我们进一步提出了一种拓扑感知扫描机制来序列化 WSI 图，同时保留实例之间的拓扑关系。最后，为了进一步感知实例之间的拓扑结构并结合短程特征交互，我们提出了一种基于图神经网络的实例聚合块。实验表明，MamMIL 可以实现比最先进的框架更先进的性能。代码可以在 https://github.com/Vison307/MamMIL 访问。索引术语 — 多实例学习、状态空间模型、整个幻灯片图像
从哺乳动物细胞和固定组织中分离基因组DNA从哺乳动物细胞和固定组织中分离基因组DNA
获得用于遗传研究的DNA已成为几乎所有生物医学研究的重要组成部分。本单元为全血，人体组织，培养细胞和唾液/颊拭子的简单，成本效益的DNA制备提供了更新。使用新鲜或冷冻样品时，可以常规地分离出适合下游测定法的高分子重量DNA，例如基因分型阵列或下一代测序。DNA也可以从福尔马林固定的石蜡装置（FFPE）组织中分离出来，尽管它更具挑战性，并且在下游应用中存在局限性，该DNA适合使用。在过去的几十年中，商业套件的可用性和成本降低使它们在该领域中的使用引起了人们的关注。有许多提供类似类型的提取套件的供应商，这是从人类标本中获得高质量DNA的一种经济高效的选择。大多数商业上可用的提取方法不再需要使用有毒化学物质，例如苯酚和氯仿，也使它们成为研究人员的更安全选择。商用套件通常在DNA的产量和质量方面具有手动方法（Chacon-Cortes＆Griffiths，2014; Guha等，2018）。基本协议1描述
多样性，丰富和建模哺乳动物的占用率
dra。Alejandra Soto-Werschitz。 她在墨西哥，委内瑞拉和巴西的研究，教学，大学外展和公共科学传播方面拥有超过10年的经验。 ，她因其学术生涯而受到认可，为科学沟通项目做出了贡献，并作为Conahcyt-Mexico的Naɵonal研究人员（SNI）的成员而受到认可。 她拥有墨西哥Naɵ自主大学的生物学学士学位（1994年），墨西哥生态学AC，墨西哥的野生动植物管理科学硕士（2000年）和博士学位。在应用生态学上，重点是巴西联邦拉夫拉斯大学的零散的生态系统和农业生态系统。 目前，她是墨西哥Querétaro大学生态学和动物多样性学术组的成员，是Scienɵstextension专家。 她的项目涵盖了生态学，动物生态学，生物多样性保护，气候变化，占用模型，再现动物行为以及人类介入，Fragmentaɵon和栖息地丧失对不同生态系统中乳腺多样性的影响。 她的工作已经在公立大学，公民社会，政府和非政府组织和社区之间建立了牢固的联系，所有这些都为野生动物保护节的好处而建立了联系。Alejandra Soto-Werschitz。她在墨西哥，委内瑞拉和巴西的研究，教学，大学外展和公共科学传播方面拥有超过10年的经验。，她因其学术生涯而受到认可，为科学沟通项目做出了贡献，并作为Conahcyt-Mexico的Naɵonal研究人员（SNI）的成员而受到认可。她拥有墨西哥Naɵ自主大学的生物学学士学位（1994年），墨西哥生态学AC，墨西哥的野生动植物管理科学硕士（2000年）和博士学位。在应用生态学上，重点是巴西联邦拉夫拉斯大学的零散的生态系统和农业生态系统。目前，她是墨西哥Querétaro大学生态学和动物多样性学术组的成员，是Scienɵstextension专家。她的项目涵盖了生态学，动物生态学，生物多样性保护，气候变化，占用模型，再现动物行为以及人类介入，Fragmentaɵon和栖息地丧失对不同生态系统中乳腺多样性的影响。她的工作已经在公立大学，公民社会，政府和非政府组织和社区之间建立了牢固的联系，所有这些都为野生动物保护节的好处而建立了联系。
Mamba 作为决策者：探索离线强化学习中的多尺度序列建模
摘要 — 顺序建模在离线强化学习 (RL) 中表现出色，其中决策转换器 (DT) 是最显著的代表之一，取得了显著的成功。然而，RL 轨迹具有与传统序列（例如文本或音频）不同的独特属性：（1）局部相关性，其中 RL 中的下一个状态在理论上仅由基于马尔可夫决策过程 (MDP) 的当前状态和动作决定，以及 (2) 全局相关性，其中由于轨迹的时间连续性，每个步骤的特征都与长期历史信息相关。在本文中，我们提出了一种新颖的动作序列预测器，名为 Mamba Decision Maker (MambaDM)，其中 Mamba 有望成为序列建模范式的有前途的替代方案，因为它可以有效地建模多尺度依赖关系。特别是，我们介绍了一种新颖的混合器模块，它可以熟练地提取和集成输入序列的全局和局部特征，从而有效地捕捉 RL 数据集中的相互关系。大量实验表明，MambaDM 在 Atari 和 OpenAI Gym 数据集上实现了最佳性能。此外，我们通过实证研究了 MambaDM 的扩展规律，发现增加模型大小不会带来性能提升，但将 MambaDM 的数据集大小扩大 2 倍可以在 Atari 数据集上获得高达 33.7% 的得分提升。本文深入探讨了 MambaDM 在 RL 领域的序列建模能力，为未来在稳健高效的决策系统方面的进步铺平了道路。
Biomamba：一种利用Mamba
摘要在生物学中的自然语言处理（NLP）的进步取决于模型解释复杂的生物医学文献的能力。传统模型通常在该领域的复杂和特定领域的语言中挣扎。在本文中，我们提出了Biomamba，这是一种专门为生物医学文本挖掘设计的预培训模型。Biomamba建立在Mamba的建筑上，并在生物医学文学的典型语料库中进行了预培训。我们的实证研究表明，在各种生物医学任务上，Biomamba显着优于Biobert和General Domain Mamba等模型。，对于Intance，Biomamba可实现100倍的困惑性，而Bioasq上的跨透明镜损失减少了4倍[29]测试集。我们提供了模型体系结构，预训练过程和微调技术的概述。此外，我们发布了代码和经过训练的Model 1，以促进进一步的研究。