XiaoMi-AI文件搜索系统
World File Search SystemNishi
作者：Nobutoshi Nawa、Hisaaki Nishimura、Kiyohide Fushimi 和 Takeo Fujiwara 收稿日期：2024 年 12 月 19 日。接受日期：2025 年 1 月 10 日。引用：Nobuto
作者：Nobutoshi Nawa、Hisaaki Nishimura、Kiyohide Fushimi 和 Takeo Fujiwara 收稿日期：2024 年 12 月 19 日。接受日期：2025 年 1 月 10 日。引文：Nobutoshi Nawa、Hisaaki Nishimura、Kiyohide Fushimi 和 Takeo Fujiwara。2011 年至 2022 年日本高温暴露与儿童免疫性血小板减少症：一项全国性的时空分层病例交叉研究。《血液学》。2025 年 1 月 23 日。doi：10.3324/haematol.2024.287176 [印刷前电子出版] 出版商免责声明。印刷前电子出版对于科学的快速传播越来越重要。因此，Haematologica 会以电子方式发布已完成定期同行评审并被接受出版的稿件早期版本的 PDF 文件。此 PDF 文件的电子发布已获得作者批准。在印刷前以电子方式发布稿件后，稿件将接受技术和英语编辑、排版、校对并提交给作者最终批准；稿件的最终版本将出现在期刊的常规期刊中。适用于期刊的所有法律免责声明也适用于此制作过程。
唾液厌氧菌的昼夜变化与儿童的严重牙齿龋齿相关，Shinya Nishide 1、2、3， *，Hirohisa Hongou 4，Toshihiro Yoshih
抽象背景：唾液分泌具有昼夜波动，唾液量会影响口腔细菌活性。在这项研究中，研究了唾液中厌氧菌数量的时间依赖性，例如链球菌突变（S. mutans），并检查了其对龋齿严重程度的影响。方法：这项研究是在日本大学医院进行的。二十个受试者（2-10岁），主要牙齿被要求在醒着在家中醒来后每1小时收集整个唾液。十八名受试者分别在胰蛋白种链球菌培养了收集的唾液，分别为胰蛋白种链球菌和总厌氧菌培养了胰蛋白酶酵母提取物 - 半胱氨酸蔗糖 - 巴西特拉蛋白（TYCSB）培养基和GIFU厌氧培养基（GAM）。还从病历中分析了严重的龋齿数量。结果：在GAM培养基中的菌落数量与一天中的唾液收集时间之间存在正相关。在TYCSB培养基中的菌落数量与收集时间之间没有明显的相关性。根据是否经历了纸浆治疗，将患者分组。仅在经验丰富的组中，在后来的几个小时内增加了葡萄糖和厌氧菌的菌落数量。结论：晚餐到睡前晚餐后，儿童口腔厌氧细菌的数量以时间依赖的方式波动，并在深夜较高。患有严重牙齿龋齿的儿童随着夜晚的发展而增加了叛变。
Yasuhiro Ogawa代表董事兼总裁Samty Holdings Co.，Ltd。1-8-39 Nishimiyahara，Yodogawa-ku，Osaka-ku，Osaka-shi，Osaka，Osaka，Japan，Ex
股东议程和参考问题的股东参考文件提案1：股票合并1。Reasons for Share Consolidation As announced in the Company's press release dated October 11, 2024, “Announcement of Support for Song Bidco G.K.'s Tender Offer for the Company's Stock and Recommendation to Tender the Company's Stock,” (including amendment by the press release dated November 8, 2024 “(Amendment) Announcement Concerning Partial Amendments to “Announcement of Support for Song Bidco G.K.'s Tender Offer for the Company's Stock并建议招标公司的股票，“新闻稿”）歌曲Bidco G.K. (the “Offeror”) has determined to implement a tender offer (the “Tender Offer”) as part of a series of transactions to take the Company's Stock (as defined below) private (the “Transaction”) through acquiring all of the Company's common shares (the “Company's Stock”) listed on the Prime Market of the Tokyo Stock Exchange, Inc. (the “TSE”) (excluding the treasury shares held by the Company and the Non- Tendered Shares (Note 1））。（注1）“非货币股东”是指Daiwa Securities Group Inc.持有的公司股票总数（“ Daiwa Securities Group”）（持有的股票数：17,828,612股；股东股权;股东比率：34.75％）和Daiwa Pi Partners Co. ltd. ltd.（sarar dai ins co. ltd.（“ diai）（”股票比率：2.44％）（Daiwa Securities Group和Daiwa Pi统称为“非倾向股东”）。总共这些股票总计19,078,612股，股权比率为37.18％。但是，下面重申了一个摘要。（注2）“股权比率”是指该比率（四舍五入到两个小数；以下额在股权比率计算中相同适用于同一股票数量（51,309,011股）（51,309,011股），该公司通过扣除股份持有的股票数量和股份持有的股票数量以及2024年8月31日的股票数量（5024年）（5024年）（50.2024）（50.2024股票）（5024股票）（5024股）（5024股）（5024股）（5011.011股）（5011.011股）（501.011股股票） （51,309,061股），均为“截至2024年12月31日的财政年度的第三季度的合并财务业绩摘要（基于日本GAAP）”，该公司于2024年10月11日发布（“公司的摘要报告报告”）。在2024年11月27日的公司新闻稿中宣布，“有关公司股票证明的要约的结果，等等。song bidco G.K.以及母公司以及最大和主要股东的变化。因此，截至2024年12月3日，招标要约的开始日期，要约人拥有25,674,113股公司股票（股权比率：50.04％）。在新闻稿中披露了有关交易目的和背景的详细信息，包括招标要约和股份合并（如下所示）。有关以下内容所包含的有关要约的说明是基于要约人提供的解释。要约人是一家有限责任公司（Goudou Gaisha），于2024年9月13日成立，其主要目的是持有该公司在TSE的主要市场上列出的所有股票（不包括公司和非企业股份的财政部股票），并通过投标报价和管理和管理公司的商业活动。截至10月11日，供应商中的所有股权均由Song Holdings G.K持有。 （“要约人的母公司”），由RS HCO Investment HK Holdings，Limited（“ HK Holdco”）持有的所有股权，所有已发行的和未销售的股票均由基金，由基金管理，由Hillhouse Investment Investment Management，Ltd.（包括其关联公司和其他封闭的Intialied Interities and oft Conlied Intipitied Interities）管理，建议或经营。公司集团（意味着由公司组成的公司集团，32个合并子公司和2个权益方法分支机构（截至10月11日起），同样适用于本文中的企业领域：（i）“实际资产开发业务”从事计划，开发
引用Shiota Y，Nishiyama T，Yokoyama S，Yoshimura Y，木谷C，田中S，Iwasaki S和Kikuchi M（2024），《遗传变体与AU
自闭症谱系障碍（ASD）是一种常见的神经发育障碍，其特征是社会交流和受限，重复行为或利益受损（Masi等，2017; Lord等，2018; Hirota and King，King，2023）。在美国，ASD影响了8岁儿童约2.3％（Hirota and King，2023）。ASD的一个重要方面是其异质临床特征。例如，有些人表现出智力障碍（ID）和有限的语言能力，而另一些人则表现出运动障碍（Hirota and King，2023年）。这种异质性归因于多种遗传变异和环境因素（Baron-Cohen，2017； Bai等，2019）。遗传变异与等位基因效应大小和种群频率不同。此外，遗传变异存在于连续体中，从单核苷酸变化到染色体水平的基因组变化。小规模的变化包括单核苷酸多态性（SNP）以及短DNA序列的插入或缺失（indels），而典型的大规模变化包括拷贝数变化（CNV）和染色体重排（Sebat等，2007）。通常，稀有变体的效果大小比共同变体具有更大的效果大小（Grove等，2019）。存在许多具有不同效应大小和等位基因频率的变体，以及它们与环境因素的相互作用，产生了ASD的高度复杂的遗传结构（Timpson等，2018）。有针对性的面板测序允许对具有高灵敏度的变体有效检测（Mellone等，2022）。尽管全基因组和全异常下一代测序（NGS）已被用于对这种多基因疾病的全面分析，但这些方法相对昂贵（Mellone等，2022）。迄今为止，几项大型队列研究已经确定了越来越多的ASD相关遗传变异。已使用全基因组测序和传播和从头结合的测试确定了超过一千个ASD相关的稀有变体（Murtaza等，2022）。通过外来分析的日本人口分析，Kimura等人。（2022）识别稀有突触功能相关的变体。但是，这些大型队列研究可能包括具有不同程度的自闭症特征和ID严重程度的个体。此外，遗传变异与单个ASD特征之间的关系，例如语音发展，社会反应能力和智力，在很大程度上尚未得到探索。在这项研究中，我们进行了病例对照NGS分析，并对日本ASD儿童进行心理评估，主要是具有高功能自闭症（HFA）。由于HFA不被认为是独特且绝对的诊断类别，因此我们将其评估为ASD的一种形式，在表型中是高度异质的。患有智能商（IQ）为70或以上的ASD的儿童被定义为具有HFA的儿童（Alvares等，2020）。使用基于短阅读的方法，我们分析了SNP和简短的Indels，无论它们在人口频率上是罕见还是常见。我们旨在通过阐明与ASD相关的变体与个体ASD特征之间的关系来进一步了解ASD。
已发表版本的引文（哈佛）：Nishimwe, A, Ruranga, C, Musanabaganwa, C, Mugeni, R, Semakula, M, Nzabanita, J, Kabano, I, Uwimana, A, Utumatwishima, JN, Kabakambira, JD 、 Uwineza, A、 Halvorsen, L、 Descamps, F、 Houghtaling, J、 Burke, B、 Bahati, O、 Bizimana, C、 Jansen, S、 Twizere, C、 Nkurikiyeyezu, K、 Birungi, F、 Nsanzimana, S 和 Twagirumukiza , M 2022, “利用人工智能和数据科学技术协调、共享、访问和分析卢旺达的 SARS-COV-2/COVID-19 数据（LAISDAR 项目）：研究设计和原理”，BMC 医学信息学和决策，卷22，214。https：//doi.org/10.1186/s12911-022-01965-9
摘要背景：自卢旺达爆发 COVID-19 疫情以来，已收集了大量 SARS-COV-2/COVID-19 相关数据，包括 COVID-19 检测和医院常规护理数据。不幸的是，这些数据分散在不同的数据结构或格式的孤岛中，无法用于增进对疾病的了解、监测其进展并生成指导预防措施的证据。该项目的目标是利用人工智能 (AI) 和数据科学技术协调数据集，以支持卢旺达政府监测和预测 COVID-19 负担的需求，包括医院入院率和总体感染率。方法：该项目将收集现有数据，包括医院电子健康记录 (EHR)、COVID-19 检测数据，并与社区调查的纵向数据相链接。观察性健康数据科学与信息学 (OHDSI) 的开源工具将用于通过观察性医疗结果伙伴关系 (OMOP) 通用数据模型 (CDM) 协调医院 EHR。该项目还将利用其他 OHDSI 工具进行数据分析和网络集成，以及 R Studio 和 Python。该网络将包括卢旺达多达 15 家医疗机构，其 EHR 数据将与 OMOP CDM 协调。预期结果：这项研究将产生一个技术基础设施，其中 15 家参与的医院和健康中心将在本地 Mac Mini（“数据节点”）上拥有 OMOP CDM 格式的 EHR 数据，以及一组 OHDSI 开源工具。中央服务器或门户将包含参与站点的数据目录，以及用于定义和管理分布式研究的 OHDSI 工具。中央服务器也会整合这些信息
如何引用本文：Rahul Malik、Sagar Pande、Nishi、Aditya Khamparia（2020 年）。人工智能和机器学习协助气候变化监测。人工智能与系统杂志，2，168–190。https://doi.org/10.33969/AIS.2020.21011。
气候变化影响社会运作，可能需要进行大量调整才能应对变化的气候模式。机器学习 (ML) 算法取得了长足进步，在其他研究领域取得了突破，最近还被认为有助于气候分析。尽管大量孤立的地球系统事件是用 ML 方法进行分析的，但尚未出现更通用的机器学习来更好地了解整个温度系统。例如，ML 可以帮助进行环境识别，其中复杂的反馈使得从即时方程分析甚至变量可视化和地球系统模型 (ESM) 诊断中进行表征变得困难。因此，人工智能 (AI) 可以基于确定的气候关联来提供即将到来的环境事件（包括极端事件）的增强警报。虽然 ESM 开发绝对必要，但我们建议同时关注使用 ML 和 AI 来识别和充分利用预先存在的模拟和数据。