XiaoMi-AI文件搜索系统
World File Search SystemPredicts
行星规模的海洋社区建模预测代谢协同作用和病毒影响
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。它是制作
严重程度依赖性间歇性白质连接性预测冲程后忽视恢复
研究文章|行为/认知严重程度依赖性间的白色物质连接性预测逃亡后疏忽恢复https://doi.org/10.1523/jneurosci.1311-23.2024收到：2023年7月13日被修订：2023年12月15日接受：2024年3月15日，2024年3月15日copyright copyright©2024 DIV>
应用机器学习可以预测代谢组指纹的验后间隔
在法医尸检中，准确估计验尸间隔（PMI）是库里的。依靠物理参数和警察数据的传统方法缺乏精度，尤其是自从该人去世以来大约两天后。新方法越来越集中于分析生物系统中的验尸代谢组学，这是受内部和外部分子影响的持续过程的“指纹”。通过仔细分析这些代谢组谱，它们涵盖了从死亡之前的事件到死后变化的各种信息，就有可能提供对PMI的更准确估计。可用真实人类数据的局限性直到最近才阻碍了全面的调查。由国家法医医学委员会（RMV，Rättsmedicinalverket）收集的大规模代谢组数据为在法医学中提供了预测分析的独特机会，从而为改进PMI估算提供了创新的方法。然而，代谢组数据似乎很大，复杂且可能是非线性的，因此可以解释它。这强调了E ff e ff使用机器学习算法来管理代谢组数据的重要性，以实现PMI预测的范围，这是该项目的主要重点。
白质大脑结构可预测语言表现和学习成功
图 2 左半球的网络基序 1 ，其在训练前的流行程度与第 1 天的基线表现相关。 （a）九个大脑区域的矢状面和轴向视图（使用 BrainNet viewer；Xia et al., 2013 创建），其中网络组件具有最高（绝对）连接（标签根据 Glasser et al., 2016 ，在图 b 中）。 （b）网络基序中最强连接的弦图，线条粗细表示基序内连接的绝对权重，颜色表示符号（红色：正，蓝色：负）。请注意，网络基序中具有负权重的连接实际上与基序流行程度呈负相关。然后，绘制 185 个大脑区域中的 67 个，网络基序的主要成分（图 a）以彩色突出显示。 （c）训练前网络流行度（右奇异向量V）与训练第一天受试者在双中心嵌入任务中的表现的回归图（r=.567，p=.046）
成纤维细胞机械转导网络预测机械适应性梗塞治疗的目标
摘要 心肌梗死后对纤维化进行区域控制对于维持梗死区的结构完整性和防止非梗死区胶原蛋白积聚至关重要。心脏成纤维细胞根据生化和生物力学信号调节基质周转，但信号通路之间复杂的相互作用阻碍了开发局部疤痕形成疗法的努力。我们采用了基于逻辑的成纤维细胞机械化学信号转导常微分方程模型来预测基质蛋白在典型生化刺激和机械张力下的表达。机械化学相互作用的功能分析表明，存在广泛的通路串扰，张力会放大、抑制或逆转对生化刺激的反应。全面的药物靶标筛选确定了 13 种机械适应性疗法，这些疗法可在需要的区域促进基质积聚，并在不需要的区域降低基质水平。我们的预测表明，机械-化学相互作用可能介导许多组织中的细胞行为，并证明多通路信号网络在发现针对特定疾病状态的治疗方法方面的效用。
时刻到时刻的大脑信号变异性可靠地预测精神病治疗结果
精神治疗反应的生物标志物仍然难以捉摸。功能磁共振成像（fMRI）已显示出希望，但低可靠性限制了典型的fMRI措施作为治疗成功的前提。引人注目的是，大脑信号的时间变异性已经证明是个体差异的敏感且可靠的指标，但尚未与精神病治疗结果有关。在这里，使用简单的基于任务和静止状态的fMRI扫描了45例社交焦虑症患者两次（相隔11周），以捕获力矩到时刻的神经变异性。fMRI测试重测后，患者接受了9周的认知行为疗法。可靠性基于5倍的交叉验证表明，基于任务的大脑信号变异性是治疗结果预测模型（总R实际，预测= .77）的最强贡献者 - 表现优于自我报告，静止状态神经变异性和基于标准的基于基于神经活动的平均值。值得注意的是，基于任务的大脑信号变异性显示出极好的测试可靠性（类内相关系数= .80），即使任务长度少于3分钟。而不是不良“噪声”的来源，而是瞬间的fMRI变异性可以作为临床结果的高度可靠，有效的预后指标。
Crispr2vec：机器学习模型预测 CRISPR 系统的脱靶切割
成簇的规律间隔短回文重复序列 (CRISPR)/CRISPR-Cas 系统彻底改变了基因编辑，可应用于治疗、诊断、农业和开发疾病模型。然而，CRISPR-Cas 存在脱靶效应——即在使用过程中导致基因组中出现非预期的遗传修饰。在这项工作中，我们提出了 crispr2vec：一种用于嵌入 CRISPR 单向导 RNA (sgRNA) 序列并预测脱靶切割的深度度量学习方法。给定一个固定的靶序列，我们表明我们学习到的嵌入可以忠实地表示潜在的脱靶。我们提出了一种专门针对 CRISPR 序列的新型三重采样策略，可提高嵌入的质量。我们表明，生成的嵌入可推广到不同的脱靶切割检测分析中。最后，我们证明了深度度量学习方法在预测脱靶切割方面的优势，与之前的文献相比，该方法在不同数据集上对可见和未可见的 sgRNA 进行交叉折叠验证。
E3 泛素连接酶 Cbl-b 预测乳腺癌的良好预后
结果：在 54.1% (158/292) 的乳腺癌组织样本中检测到 Cbl-b 表达。Cbl-b 表达与 DFS 相关（p = 0.033），但与本研究中已知的临床病理因素无显著相关性。对数秩分析表明，Cbl-b 表达与更好的 OS（p = 0.013）和 DFS（p = 0.016）相关。多变量分析表明，Cbl-b 表达是乳腺癌的独立预后因素。我们构建的用于预测 OS 的列线图结合了 Cbl-b 表达、年龄、肿瘤大小、淋巴结转移和组织学分级。除肿瘤大小外，所有上述因素和诊断日期都用于构建 DFS 列线图。列线图的 C 指数分别为 0.735 和 0.678。我们的新临床模型在预测 OS 方面优于 TNM 分期。
AI模型预测青少年精神疾病的风险和潜在原因
使用人工智能，研究人员建立了一个神经网络（一种模仿大脑联系的AI模型），以预测哪些孩子会在一年内从较低的精神病风险过渡到更高的精神病风险。然后使用该模型来评分问卷，该问卷对患者或父母对当前行为，感觉和症状进行排名，以预测升级的可能性。
严重程度依赖性间歇性白质连接性预测中风后忽视恢复
左侧的空间忽视是右hemespheric中风后的一个非常普遍且充满挑战的问题，这对日常生活行为和中风幸存者的恢复产生了强烈和负面影响。空间疏忽恢复的基础机制仍然存在，尤其是关于完整的，对侧半球的参与，其潜在贡献范围从适应不良到补偿性。在本期前瞻性，观察性研究中，我们评估了54名右派中风患者（32名男性； 22名女性）的忽视严重程度，并从住院神经居住居住和出院时。我们证明，由个别病变引起的最初忽视严重程度和幸免的白质（DIS）的相互作用（如扩散张量成像，DTI所评估）解释了卒中后忽视恢复的一定部分。在轻度受损的患者中，病变半球内的幸运结构连通性足以达到良好的恢复。相反，在严重损害的患者中，成功恢复在很大程度上取决于完整半球和半球之间的结构连通性。这些独特的模式是由它们各自的白质连接所介导的，可能有助于调和有关相对于半球的作用，以补偿是否完全补偿性。相反，他们提出了一个统一的观点，其中相对于半球可以（但不一定）扮演补偿性作用。这将取决于最初的损害严重程度和可用的，宽敞的结构连接性。将来，我们的发现可能是忽视恢复并指导患者量身定制的治疗方法的前卫生物标志物。