XiaoMi-AI文件搜索系统
World File Search SystemSort
对分选的食管腺癌细胞进行靶向测序揭示了分离亚群中的已知和新突变
结果 38 个 EAC 中有 35 个携带至少一种基质细胞中不存在的体细胞突变；73.7%、10.5% 和 10.5% 分别携带肿瘤蛋白 53、细胞周期蛋白依赖性激酶抑制剂 2A 和 SMAD 家族成员 4 的突变。此外，在 38 例病例中的 2 例中发现了肝细胞核因子-1α 的 2 个新突变。肿瘤蛋白 53 基因异常比 p53 IHC 更具信息量。相反，SMAD4 的缺失在 IHC 中更常见（53%）并且与更高的复发率相关（P=0.015）。仅通过细胞分选，我们才能检测到 7 个 EAC 中存在超二倍体和伪二倍体亚克隆，它们表现出不同的突变负荷和/或额外的拷贝数扩增，表明这些癌症具有高度的遗传异质性。
分选酶介导的白细胞介素位点特异性修饰......
本预印本的版权所有者（此版本于 2020 年 7 月 21 日发布。；https://doi.org/10.1101/2020.07.20.211870 doi: bioRxiv preprint
DeepDicomSort：一种针对脑磁共振成像数据的自动排序算法
摘要 随着医学成像研究中使用的数据集规模不断扩大，对自动化数据管理的需求也随之增加。一项重要的数据管理任务是对数据集进行结构化组织，以保持完整性并确保可重用性。因此，我们研究了此数据组织步骤是否可以自动化。为此，我们设计了一个卷积神经网络 (CNN)，可根据视觉外观自动识别八种不同的脑磁共振成像 (MRI) 扫描类型。因此，我们的方法不受扫描元数据不一致或缺失的影响。它可以识别造影前 T1 加权 (T1w)、造影后 T1 加权 (T1wC)、T2 加权 (T2w)、质子密度加权 (PDw) 和派生图（例如表观扩散系数和脑血流）。在第一次实验中，我们使用了脑肿瘤患者的扫描结果：719 名受试者的 11065 次扫描用于训练，192 名受试者的 2369 次扫描用于测试。CNN 的总体准确率达到 98.7%。在第二个实验中，我们用第一个实验中的所有 13434 张扫描图训练 CNN，并用 1318 名阿尔茨海默病患者的 7227 张扫描图测试 CNN。在这里，CNN 的总体准确率达到了 98.5%。总而言之，我们的方法可以准确预测扫描类型，并且可以快速自动地对脑部 MRI 数据集进行分类，几乎无需人工验证。通过这种方式，我们的方法可以帮助正确组织数据集，从而最大限度地提高数据的可共享性和完整性。
病例报告：Sortina 制药公司使用 Iscaffpharma 公司的患者衍生支架进行癌症药物筛选摘要：Sortina 制药公司基于 PDS 技术
病例报告：Sortina pharma 使用 Iscaffpharma 的患者来源支架进行癌症药物筛选 摘要：Sortina Pharma 基于 PDS 技术，已经能够加速其潜在客户生成计划，以开发一种小分子作为侵袭性乳腺癌患者的新医疗方法。与其他疾病相比，肿瘤学开发的成功率仍然处于具有挑战性的低水平，从第一阶段获得批准的可能性仅为 5.1%。这表明临床前模型需要更准确。在 Iscaffpharma 的研究中，人类癌症微环境已被证明会促使癌细胞适应并产生导致癌症侵袭性的特征。当今的模型缺乏肿瘤环境的影响，因此无法准确了解这些侵袭性特征。Iscaffpharma 开发了一种独特的技术，使用具有保留微环境的患者来源支架 (PDS) 进行药物筛选。创建的药物指纹与癌症治疗对人类的可能影响有着密切的联系。患者来源的支架 (PDS) 人体支架来自新鲜或生物库中的肿瘤，可了解患者特征、肿瘤类型和发病率/死亡率。Iscaffpharma 开发了一种仔细去除人体支架细胞的方法，保留了细胞周围的基质。然后将癌症报告细胞重新植入 PDS，从而可以研究周围环境的影响。
使用 Thorpe 排序估计混合的两种方法的比较
使用 Thorpe 排序和尺度分析对 2017 年春季收集的一些高分辨率 CTD 数据进行了分析，包括常用的“Thorpe 尺度”方法和较少使用的方法，该方法基于直接估计“可用翻转势能”（AOPE）：混合“湍流斑块”中原始密度剖面与排序密度剖面的势能之间的差异。剖面仪的速度各不相同，因此空间（垂直）采样不均匀。开发并描述了一种方法，将 Thorpe 缩放和 AOPE 方法应用于这种不均匀采样的数据。 AOPE 方法似乎对“背景”浮力频率 N 的估计（约束性较差）不太敏感。虽然这些方法通常用于首先估计湍流动能的耗散率 « K，但真正的目标是估计密度扩散率 K r，从而估计混合对密度分布的净改变。两个易于测量的无量纲参数被提出作为混合斑块“年龄”或“状态”的可能指标，这可能有助于解决总湍流能量和耗散如何在动能和势能成分之间分配的问题，以及测量的 AOPE 中有多少最终会改变背景分层。下面提供了一个关于其如何工作的推测性示例。
