XiaoMi-AI文件搜索系统
World File Search SystemPredicted
分析用于治疗非小细胞肺癌的药物，包括预测的durvalumab
7 Giotrif（Afatinib）。 澳大利亚批准的产品信息。 北瑞德：Boehringer Ingelheim Pty Limited。 2013年11月7日批准，2020年12月17日更新。 可从 8 Alecensa（Alectinib）获得。 澳大利亚批准的产品信息。 悉尼：Roche Products Pty Limited。 批准2017年3月14日，2021年5月7日更新。 可从 9 alunbrig（brigatinib）获得。 澳大利亚批准的产品信息。 悉尼：武田制药澳大利亚Pty Ltd.批准2019年3月6日，2022年6月3日更新。 可从 10 Zykadia（Ceritinib）获得。 澳大利亚批准的产品信息。 Macquarie Park：Novartis Pharmaceuticals Australia Pty Limited。 2016年3月31日批准，2022年3月23日更新。 可从 11 xalkori（crizotinib）获得。 澳大利亚批准的产品信息。 悉尼：辉瑞澳大利亚Pty Ltd.批准2013年9月27日，更新于2020年9月10日。 可从 澳大利亚批准的产品信息。 悉尼：Roche Products Pty Limited。 2020年5月15日批准，2022年3月25日更新。 可从 13 erlotinib apotex（erlotinib）获得。 澳大利亚批准的产品信息。 Kew East：Accelagen Pty Ltd.批准了2020年8月13日。7 Giotrif（Afatinib）。澳大利亚批准的产品信息。北瑞德：Boehringer Ingelheim Pty Limited。2013年11月7日批准，2020年12月17日更新。可从 8 Alecensa（Alectinib）获得。澳大利亚批准的产品信息。悉尼：Roche Products Pty Limited。批准2017年3月14日，2021年5月7日更新。可从 9 alunbrig（brigatinib）获得。澳大利亚批准的产品信息。悉尼：武田制药澳大利亚Pty Ltd.批准2019年3月6日，2022年6月3日更新。可从 10 Zykadia（Ceritinib）获得。澳大利亚批准的产品信息。Macquarie Park：Novartis Pharmaceuticals Australia Pty Limited。2016年3月31日批准，2022年3月23日更新。可从 11 xalkori（crizotinib）获得。澳大利亚批准的产品信息。悉尼：辉瑞澳大利亚Pty Ltd.批准2013年9月27日，更新于2020年9月10日。可从 澳大利亚批准的产品信息。 悉尼：Roche Products Pty Limited。 2020年5月15日批准，2022年3月25日更新。 可从 13 erlotinib apotex（erlotinib）获得。 澳大利亚批准的产品信息。 Kew East：Accelagen Pty Ltd.批准了2020年8月13日。澳大利亚批准的产品信息。悉尼：Roche Products Pty Limited。2020年5月15日批准，2022年3月25日更新。可从 13 erlotinib apotex（erlotinib）获得。澳大利亚批准的产品信息。Kew East：Accelagen Pty Ltd.批准了2020年8月13日。Kew East：Accelagen Pty Ltd.批准了2020年8月13日。可从 14 Erlotinib Sandoz（Erlotinib）获得。澳大利亚批准的产品信息。Macquarie Park：Sandoz Pty Ltd.批准了2020年9月2日。可从 15 iressa（gefitinib）获得。澳大利亚批准的产品信息。Macquarie Park：Astrazeneca Pty Ltd.批准2003年4月28日，2021年1月13日更新。可从 澳大利亚批准的产品信息。 南墨尔本：Cipla Australia Pty Ltd.批准2020年4月23日，2021年4月30日更新。 可从 17 lorviqua（lorlatinib）获得。 澳大利亚批准的产品信息。 悉尼：帕菲泽澳大利亚Pty Ltd.批准2019年11月19日，更新于2021年12月22日。 可从 18 tagrisso（Osimertinib）获得。 澳大利亚批准的产品信息。 Macquarie Park：Astrazeneca Pty Ltd.批准2016年8月3日，更新于2021年9月14日。 可从 获得澳大利亚批准的产品信息。南墨尔本：Cipla Australia Pty Ltd.批准2020年4月23日，2021年4月30日更新。 可从 17 lorviqua（lorlatinib）获得。 澳大利亚批准的产品信息。 悉尼：帕菲泽澳大利亚Pty Ltd.批准2019年11月19日，更新于2021年12月22日。 可从 18 tagrisso（Osimertinib）获得。 澳大利亚批准的产品信息。 Macquarie Park：Astrazeneca Pty Ltd.批准2016年8月3日，更新于2021年9月14日。 可从 获得南墨尔本：Cipla Australia Pty Ltd.批准2020年4月23日，2021年4月30日更新。可从 17 lorviqua（lorlatinib）获得。澳大利亚批准的产品信息。悉尼：帕菲泽澳大利亚Pty Ltd.批准2019年11月19日，更新于2021年12月22日。可从 18 tagrisso（Osimertinib）获得。澳大利亚批准的产品信息。Macquarie Park：Astrazeneca Pty Ltd.批准2016年8月3日，更新于2021年9月14日。可从
使用扩展的块项张量回归根据颅内脑活动预测手指运动和共同激活
每年，全球有多达 50 万患者因脊髓损伤、脑干中风和肌萎缩侧索硬化症 (ALS) 而陷入瘫痪 [1]。脑机接口 (BCI) 能够绕过断开的神经通路来取代丢失或受损的身体部位的功能，这使得它们被推广为这些患者的解决方案。通常，BCI 系统由几个组件组成：从记录的大脑活动中提取信号特征，并将结果翻译（“解码”）为控制外部设备（如机械臂或手）的命令。BCI 控制手部肌肉的功能性电刺激 (FES) [2, 3] 和假手、外骨骼或其他效应器 [4, 5, 6, 7] 已经取得了非凡的成果。
对谷氨酸转运蛋白及其AlphaFold2的结构生物信息学研究预测了水溶性的数量变体，并揭示了l-> q，i-> q的自然突变
谷氨酸转运蛋白通过调节兴奋性神经发射器水平（涉及多种神经系统和生理疾病）时，通过调节兴奋性神经发射器水平来在神经生理中起关键作用。然而，由于它们在细胞内脑中的定位，包括谷氨酸转运蛋白在内的整合跨膜蛋白仍然难以研究。在这里，我们介绍了通过QTY代码产生的谷氨酸转运蛋白及其水溶性变体的结构生物信息学研究，这是一种基于系统氨基酸取代的蛋白质设计策略。这些包括由X射线晶体学，Cryo-EM确定的2种结构，以及6个由Alphafold2预测的结构及其预测的水溶性数量变体。在谷氨酸转运蛋白的天然结构中，跨膜螺旋含有疏水氨基酸，例如亮氨酸（L），异亮氨酸（I）和苯丙氨酸（F）。为设计水溶性变种，这些疏水性氨基酸被系统地取代了亲水性氨基酸，即谷氨酰胺（Q），苏氨酸（T）和酪氨酸（Y）。数量变体表现出水溶性，其中四个具有相同的等电聚焦点（PI），而其他四个具有非常相似的PI。我们介绍天然谷氨酸转运蛋白及其水溶性数量变体的超塑结构。尽管有明显的蛋白质跨膜序列差异（41.1％ - > 53.8％），但与RMSD0.528Å-2.456Å相似，表现出与RMSD0.528Å-2.456Å的显着相似性。此外，我们研究了天然谷氨酸转运蛋白及其QTY变体之间疏水性斑块的差异。经过仔细检查，我们发现了这些转运蛋白中的L-> Q，i-> q，i-> t，i-> t，f-> y和q-> l，t-> i，y-> f的多种自然变化。其中一些自然变异是良性的，其余的是在特定的神经系统疾病中报告的。我们进一步研究了疏水性在谷氨酸转运蛋白中疏水性取代的特征，利用了变体分析和进化分析。我们的结构生物信息学研究不仅提供了疏水螺旋之间差异的见解
在早期但不晚的神经反应，视觉皮层由具有足够模型复杂性的随机重量CNN很好地预测
卷积神经网络（CNN）受到灵长类动物视觉系统的组织的启发，进而成为视觉皮层的有效模型，从而可以准确预测神经刺激反应。虽然对与大脑相关的对象识别任务进行培训可能是预测大脑活动的重要前提，但CNN的大脑样结构可能已经允许准确预测神经活动。在这里，我们在预测视觉皮层的神经反应方面评估了任务精制和脑部优化的卷积神经网络（CNN）的性能，并进行了系统的架构操作以及受过训练的和未经训练的特征提取器之间的比较，以揭示关键的结构组件影响模型性能。对于人类和猴子区域V1，采用RELU激活函数的随机重量CNN与平均或最大池的结合，显着超过了其他激活函数。随机体重CNN在预测V1响应时与训练有素的对应物相匹配。可以预测V1响应的程度与神经网络的复杂性密切相关，这反映了神经激活功能和汇总操作的非线性。但是，对于与物体识别（例如IT）相关的较高视觉区域，编码性能与复杂性之间的这种相关性显着弱。测试视觉区域之间的这种差异是否反映了功能差异，我们在纹理歧视和对象识别任务上训练了神经网络模型。与我们的假设一致，模型的复杂性与纹理歧视的性能更加密切，而不是对象识别。我们的发现表明，具有足够模型复杂性的随机重量CNN允许将V1活动视为训练有素的CNN，而较高的视觉区域则需要通过梯度下降通过训练获得的精确重量配置。
人工智能分析基因表达数据预测弥漫大 B 细胞淋巴瘤患者预后
目的：我们旨在利用深度学习技术识别弥漫性大 B 细胞淋巴瘤 (DLBCL) 中的新生物标志物。方法和结果：在 GSE10846 系列中执行多层感知器 (MLP) 分析，分为发现 (n = 100) 和验证 (n = 414) 集。根据其对结果预测 (死亡/存活) 的标准化重要性，从总共 54,614 个基因探针中选出前 25 个基因探针。通过基因集富集分析 (GSEA) 确认了与不良预后的关联。在验证集中，通过单变量 Cox 回归分析，ARHGAP19、MESD、WDCP、DIP2A、CACNA1B、TNFAIP8、POLR3H、ENO3、SERPINB8、SZRD1、KIF23 和 GGA3 的高表达与较差的结果相关，而 SFTPC、ZSCAN12、LPXN 和 METTL21A 的高表达与良好的结果相关。多变量分析证实 MESD、TNFAIP8 和 ENO3 为风险因素，而 ZSCAN12 和 LPXN 为保护因素。使用风险评分公式，这 25 个基因确定了两组具有不同生存率的患者，这些生存率与来源细胞的分子分类无关（5 年 OS，低风险 vs. 高风险）：分别为 65% vs. 24%（风险 = 3.2，P < 0.000001）。最后，与已知 DLBCL 标记物的相关性表明，MYC、BCL2 和 ENO3 的高表达与最坏结果相关。结论：通过人工智能，我们确定了一组具有预后相关性的基因。
在早期但不晚的神经反应，视觉皮层由具有足够模型复杂性的随机重量CNN很好地预测
卷积神经网络（CNN）受到灵长类动物视觉系统的组织的启发，进而成为视觉皮层的有效模型，从而可以准确预测神经刺激反应。虽然对与大脑相关的对象识别任务进行培训可能是预测大脑活动的重要前提，但CNN的大脑样结构可能已经允许准确预测神经活动。在这里，我们在预测视觉皮层的神经反应方面评估了任务精制和脑部优化的卷积神经网络（CNN）的性能，并进行了系统的架构操作以及受过训练的和未经训练的特征提取器之间的比较，以揭示关键的结构组件影响模型性能。对于人类和猴子区域V1，采用RELU激活函数的随机重量CNN与平均或最大池的结合，显着超过了其他激活函数。随机体重CNN在预测V1响应时与训练有素的对应物相匹配。可以预测V1响应的程度与神经网络的复杂性密切相关，这反映了神经激活功能和汇总操作的非线性。但是，对于与物体识别（例如IT）相关的较高视觉区域，编码性能与复杂性之间的这种相关性显着弱。测试视觉区域之间的这种差异是否反映了功能差异，我们在纹理歧视和对象识别任务上训练了神经网络模型。与我们的假设一致，模型的复杂性与纹理歧视的性能更加密切，而不是对象识别。我们的发现表明，具有足够模型复杂性的随机重量CNN允许将V1活动视为训练有素的CNN，而较高的视觉区域则需要通过梯度下降通过训练获得的精确重量配置。
CRISPR-CAS9基因组编辑在steinernema昆虫病毒线虫
。CC-BY-NC 4.0国际许可证的永久性。根据作者/资助人提供了预印本（未经同行评审证明）提供的，他已授予Biorxiv的许可证，以在2023年11月17日发布的此版本中在版权所有者中显示预印本。 https://doi.org/10.1101/2022.05.16.492029 doi：Biorxiv Preprint
锂离子电池等效电路模型的影响参数依赖性和体系结构对现实生活驱动周期中预测的热产生的影响
摘要：本研究研究了使用Bernardi方程来研究所考虑的电力等效电路模型（ECM）参数依赖性和架构对预测的热产生速率的影响。为此，从细胞表征测试到细胞参数识别和最终验证研究的整个工作流程，都在用镍锰钴化学的圆柱形5 AH LG217000 lg217000 lg217000 lg217000锂离子杆（LIB）上检查。此外，将不同的测试程序在其结果质量方面进行比较。对于参数识别，开发了一个MATLAB工具，使用户能够在一次运行中生成所有必要的ECMS。通过比较不同电荷状态（SOCS）和环境温度的高度动态世界的轻型车辆测试周期（WLTC）的实验结果和模拟结果的电压预测来评估开发的ECM的准确性。结果表明，如果仅比较电压结果，则可以忽略滞后和电流等参数依赖性。考虑到热量产生预测，疏忽可能导致高达9％（电流）或22％（滞后）的错误预测，因此不应忽略。结论电压和热量产生结果，本研究建议使用双极化（DP）或Thevenin ECM考虑所有参数依赖性，除了充电/放电电流依赖性液体的热模型。
人工智能基因表达分析预测了套细胞淋巴瘤和大型泛癌系列的总体生存率
摘要：套细胞淋巴瘤 (MCL) 是成熟 B 细胞非霍奇金淋巴瘤的一种亚型，其预后不良。首先，我们分析了一系列 123 例病例 (GSE93291)。使用多层感知器人工神经网络、径向基函数、基因集富集分析 (GSEA) 和常规统计数据的算法，将 20,862 个基因与 28 个 MCL 预后基因相关联以进行降维，从而预测患者的总体生存率并突出显示新的标志物。结果，58 个基因以高精度预测生存率（曲线下面积 = 0.9）。进一步缩减后，确定了 10 个基因：KIF18A、YBX3、PEMT、GCNA 和 POGLUT3 与生存率较差有关；SELENOP、AMOTL2、IGFBP7、KCTD12 和 ADGRG2 与生存率较高有关。还与增殖指数 (Ki67) 进行了关联。有趣的是，这些与细胞周期、凋亡和代谢有关的基因也预测了弥漫性大 B 细胞淋巴瘤 (GSE10846，n = 414) 的生存率，以及包括最相关癌症 (肺癌、乳腺癌、结直肠癌、前列腺癌、胃癌、肝癌等) 的癌症基因组图谱 (TCGA，n = 7289) 的泛癌系列。其次，使用 10 个肿瘤学小组 (转录组、癌症进展和途径、代谢途径、免疫肿瘤学和宿主反应) 预测生存率，并突出显示 TYMS。最后，使用机器学习，C5 树和贝叶斯网络对 LLMPP MCL35 增殖测定的预测和相关性具有最高的准确度，并制作了 RGS1。总之，人工智能分析可以高精度地预测 MCL 的总体生存率，并突出显示可预测大量泛癌症系列生存率的基因。
EEG阶段可以在考虑到功率和信噪比之后的认知状态相似的准确性
EEG阶段越来越多地用于认知神经科学，大脑 - 计算机接口和闭环刺激设备。 但是，尚不清楚脑脑图在认知状态之间的准确性预测是多么准确。 我们终止了在11个公共数据集中的484名参与者中的parieto枕α波的EEG阶段预测准确性。 我们能够在各种认知条件和数据集中准确跟踪脑电图相位，尤其是在高瞬时α功率和信噪比（SNR）的时期。 尽管静止状态的精度通常高于任务状态，但绝对精度的差异很小，其中大多数差异归因于EEG功率和SNR。 这些结果表明，使用脑电图阶段的实验和技术应更多地集中于最大程度地减少外部噪声并等待高功率时期，而不是诱导特定的认知状态。EEG阶段越来越多地用于认知神经科学，大脑 - 计算机接口和闭环刺激设备。但是，尚不清楚脑脑图在认知状态之间的准确性预测是多么准确。我们终止了在11个公共数据集中的484名参与者中的parieto枕α波的EEG阶段预测准确性。我们能够在各种认知条件和数据集中准确跟踪脑电图相位，尤其是在高瞬时α功率和信噪比（SNR）的时期。尽管静止状态的精度通常高于任务状态，但绝对精度的差异很小，其中大多数差异归因于EEG功率和SNR。这些结果表明，使用脑电图阶段的实验和技术应更多地集中于最大程度地减少外部噪声并等待高功率时期，而不是诱导特定的认知状态。