XiaoMi-AI文件搜索系统
World File Search SystemRathore
SARS-CoV-2 蛋白质相互作用图揭示了药物再利用的靶点
David E. Gordon 1,2,3,4,35 , Gwendolyn M. Jang 1,2,3,4,35 , Mehdi Bouhaddou 1,2,3,4,35 , Jiewei Xu 1,2,3,4,35 , Kirsten Obernier 1,2,3,4,3 , M. White , Matthew J. , 575 35 , Veronica V. Rezelj 8,35 , Jeffrey Z. Guo 1,2,3,4 , Danielle L. Swaney 1,2,3,4 , Tia A. Tummino 1,2,9 , Ruth Huettenhain 1,2,3,4 , Robyn M. Kaake 1,2, 4 , Alice , Berils , 12 , L. 1,2,3,4 , Helene Foussard 1,2,3,4 , Jyoti Batra 1,2,3,4 , Kelsey Haas 1,2,3,4 , Maya Modak 1,2,3,4 , Minkyu Kim 1,2,3,4 , Paige Haas 1,2,3,4 , Benjamin , 21 , 21 , 24 , Pollaccoberg . ,3,4 , Jacqueline M. Fabius 1,2,3,4 , Manon Eckhardt 1,2,3,4 , Margaret Soucheray 1,2,3,4 , Melanie J. Bennett 1,2,3,4 , Merve Cakir 1,2,3,4 , Michael J. McGregyu , 1,23, 4 , Lijo , Lijo n Meyer 8 , Ferdinand Roesch 8 , Thomas Vallet 8 , Alice Mac Kain 8 , Lisa Miorin 5,6 , Elena Moreno 5,6 , Zun Zar Chi Naing 1,2,3,4 , Yuan Zhou 1,2,3,4 , Shiming Peng 1,2,9 , Ying , 2 , 14 , 14 , Shihang , Zhang , Wenqi Shen 1,2,4,11 , Ilsa T. Kirby 1,2,4,11 , James E. Melnyk 1,2,4,11 , John S. Chorba 1,2,4,11 , Kevin Lou 1,2,4,11 , Shizhong A. Dai 1,2,4 , Danish Herbert 11 , 22 , Claudia Hernandez-Armenta 12 , Jiankun Lyu 1,2,9 , Christopher JP Mathy 1,2,13,14 , Tina Perica 1,2,13 , Kala B. Pilla 1,2,13 , Sai J. Ganesan 1,2,13 , Daniel J. Saltzberg 12 , 12 , 13 , Rakeshrand , 13 . Xi Liu 1,2,9 , Sara B. Rosenthal 15 , Lorenzo Calviello 1,16 , Srivats Venkataramanan 1,16 , Jose Liboy-Lugo 1,16 , Yizhu Lin 1,16 , Xi-Ping Huang 17 , YongFeng Liu 17 , Stephanie Mark 1 , 18 , Wan Boko 18 . hn 1,2,9 , Maliheh Safari 1,2,19 , Fatima S. Ugur 1,2,4,9 , Cassandra Koh 8 , Nastaran Sadat Savar 8 , Quang Dinh Tran 8 , Djoshkun Shengjuler 8 , Sabrina J Fletcher 8 , Michael C . 0 , David J. Broadhurst 20 , Saker Klippsten 20 , Phillip P. Sharp 4 , Nicole A. Wenzell 1,2,4 , Duygu Kuzuoglu 1,2,4,21,22 , Hao-Yuan Wang 1,2,4 , Raphael Trenker , 12 , Jan A. Caver , 24 3,26 , Joseph Hiatt 3,25,26 , Theodore L. Roth 3,25,26 , Ujjwal Rathore 3,26 , Advait Subramanian 1,2,26 , Julia Noack 1,2,26 , Mathieu Hubert 10 , Robert M. Stroud , Alan Oel , 19 , 19 , 19 . by S. Rosenberg 1,2,19,27 , Kliment A Verba 1,2,9 , David A. Agard 1,2,3,19 , Melanie Ott 1,2,3,27 , Michael Emerman 28 , Natalia Jura 1,2,4,23 , Mark von Zastrow 1,2,4, 29 , Alan Verba , 13 , 13 ,21 , Olivier Schwartz 10 , Christophe d'Enfert 31 , Shaeri Mukherjee 1,2,26 , Matt Jacobson 1,2,9 , Harmit S. Malik 24 , Danica G. Fujimori 1,2,4,9 , Trey Ideker 1,32 , Charles N. 12 , 12 , F. 6,21 , James S. Fraser 1,2,13 , John D. Gross 1,2,9 , Andrej Sali 1,2,9,13 , Bryan L. Roth 17 , Davide Ruggero 1,2,4,21,22 , Jack Taunton 1,2,4 , Tanja , 12 , 12 , Bel , Bel , Marco , 13 gnuzzi 8 ✉ , Adolfo García-Sastre 5,6,33,34 ✉ , Kevan M. Shokat 1,2,4,11 ✉ , Brian K.Shoichet 1,2,9 ✉ & Nevan J. Krogan 1,2,3,4,5 ✉
基于深图卷积神经网络
MDD患者的连通性。 通过将人脑视为功能上相互作用的大脑区域并将其与人类行为相关联的全面网络，我们可以了解脑组织如何在精神疾病中的变化，这可能有效地有助于MDD诊断方法（He et ne.MDD患者的连通性。通过将人脑视为功能上相互作用的大脑区域并将其与人类行为相关联的全面网络，我们可以了解脑组织如何在精神疾病中的变化，这可能有效地有助于MDD诊断方法（He et ne.，2017年）。近年来，大规模研究讨论了精神病的病理机制，并试图寻找其生物标志物。大多数人确认脑疾病的生物病理学主要与脑FC的异常有关。Cattarinussi等。 （2022）收集了双相情感障碍的静止状态fMRI，研究了皮质边缘结构之间大脑功能网络的改变。 Park等。 （2022）表明，普遍焦虑症患者的临床症状严重程度与在负面情绪状况下大脑区域的FC强度有很强的相关性。 Hirshfeld-Becker等。 （2019）通过内在的脑FC对青春期的MDD预测进行了试点研究。 Long等。 （2020）用大量静止状态fMRI数据构建了静止状态脑功能网络，表明MDD神经病理学的基础可能与异常的脑FC有关。 Shen等。 （2016）将静止状态fMRI数据应用于抑郁症患者的客观诊断，或者通过图理论特征不焦虑，并说明了静止状态fMRI数据对MDD诊断研究的重要性。 早在2011年，Brier等人。 ，2017年）。Cattarinussi等。（2022）收集了双相情感障碍的静止状态fMRI，研究了皮质边缘结构之间大脑功能网络的改变。Park等。 （2022）表明，普遍焦虑症患者的临床症状严重程度与在负面情绪状况下大脑区域的FC强度有很强的相关性。 Hirshfeld-Becker等。 （2019）通过内在的脑FC对青春期的MDD预测进行了试点研究。 Long等。 （2020）用大量静止状态fMRI数据构建了静止状态脑功能网络，表明MDD神经病理学的基础可能与异常的脑FC有关。 Shen等。 （2016）将静止状态fMRI数据应用于抑郁症患者的客观诊断，或者通过图理论特征不焦虑，并说明了静止状态fMRI数据对MDD诊断研究的重要性。 早在2011年，Brier等人。 ，2017年）。Park等。（2022）表明，普遍焦虑症患者的临床症状严重程度与在负面情绪状况下大脑区域的FC强度有很强的相关性。Hirshfeld-Becker等。（2019）通过内在的脑FC对青春期的MDD预测进行了试点研究。Long等。 （2020）用大量静止状态fMRI数据构建了静止状态脑功能网络，表明MDD神经病理学的基础可能与异常的脑FC有关。 Shen等。 （2016）将静止状态fMRI数据应用于抑郁症患者的客观诊断，或者通过图理论特征不焦虑，并说明了静止状态fMRI数据对MDD诊断研究的重要性。 早在2011年，Brier等人。 ，2017年）。Long等。（2020）用大量静止状态fMRI数据构建了静止状态脑功能网络，表明MDD神经病理学的基础可能与异常的脑FC有关。Shen等。（2016）将静止状态fMRI数据应用于抑郁症患者的客观诊断，或者通过图理论特征不焦虑，并说明了静止状态fMRI数据对MDD诊断研究的重要性。早在2011年，Brier等人。，2017年）。由静止状态fMRI数据构建的大脑网络FC数据也是MDD诊断的可靠数据源。（2011）通过血氧水平依赖性静止状态功能连接网络系统地研究了阿尔茨海默氏病。然后，Shi等。（2021）使用静止状态FC数据进行了渐进的三步机学习分析，以调查多中心大型样本数据集中机器学习模型的分类性能。此外，他们基于静止状态FC数据应用了极端梯度增强模型，以对MDD患者和正常对照进行分类，并评估了MDD中数据的临床应用值。大脑网络分类研究主要在两个流中：传统的机器学习和深度学习。到目前为止，最广泛使用的机器学习是支持向量机（SVM）（Rathore等人早在2009年，Craddock等。（2009）使用线性SVM分类了20个受试者的感兴趣区域（ROI）FC。目前，该领域的研究越来越多。Ichikawa等。 （2020）通过逻辑回归对65例患者的整个大脑FC进行了分类。 Zhu等。 （2021）通过线性SVM实现了31个受试者的分类。 Yan等。 （2021）使用SVM对32名患者的区域均匀性进行了分类。 但是，由于MDD研究的人口统计学和临床异质性，分类精度存在显着差异。 秦等人。Ichikawa等。（2020）通过逻辑回归对65例患者的整个大脑FC进行了分类。Zhu等。 （2021）通过线性SVM实现了31个受试者的分类。 Yan等。 （2021）使用SVM对32名患者的区域均匀性进行了分类。 但是，由于MDD研究的人口统计学和临床异质性，分类精度存在显着差异。 秦等人。Zhu等。（2021）通过线性SVM实现了31个受试者的分类。Yan等。 （2021）使用SVM对32名患者的区域均匀性进行了分类。 但是，由于MDD研究的人口统计学和临床异质性，分类精度存在显着差异。 秦等人。Yan等。（2021）使用SVM对32名患者的区域均匀性进行了分类。但是，由于MDD研究的人口统计学和临床异质性，分类精度存在显着差异。秦等人。（2022）指出，尽管出版物数量越来越多，但结果与报告的分类准确性的不一致从61.7％到98.4％不等。此外，机器学习模型的优化通常需要足够的培训数据以在不同样本中安装可推广性。大型样本量对于确保人口代表性模型的性能和提供有关生物基础的可靠信息至关重要。使用具有较小样本量的单站点数据集进行了实质性的先前机器学习研究，从而导致模型性能的巨大可变性和差的生成性。为了消除小型数据集带来模型性能带来的这个问题，我们为以下研究选择了大型和多站点数据集。