XiaoMi-AI文件搜索系统
World File Search SystemSusceptibility
全基因组分析表征癌症之间的共同遗传性并确定新的癌症易感区域
1 华盛顿大学流行病学系，美国华盛顿州西雅图 2 弗雷德·哈钦森癌症研究中心公共卫生科学部，美国华盛顿州西雅图 3 华盛顿大学环境与职业健康科学系，美国华盛顿州西雅图 4 哈佛陈曾熙公共卫生学院生物统计学系，美国马萨诸塞州波士顿 5 加利福尼亚大学洛杉矶分校大卫·格芬医学院病理学与实验室医学系，美国加利福尼亚州洛杉矶 6 印度理工学院海得拉巴分校数学系，印度特伦甘纳邦坎迪 7 哈佛陈曾熙公共卫生学院流行病学系，美国马萨诸塞州波士顿 8 南加州大学凯克医学院人口与公共卫生科学系，美国加利福尼亚州洛杉矶 9 多伦多大学西奈山医院 Lunenfeld Tanenbaum 研究所，加拿大安大略省多伦多 10 希望之城国家医学中心肿瘤内科与治疗学研究系中心，美国加利福尼亚州杜阿尔特 11 世界卫生组织国际癌症研究机构，法国里昂 12 美国夏威夷大学癌症中心，美国夏威夷州檀香山 13 西班牙巴塞罗那洛夫雷加特郡加泰罗尼亚肿瘤研究所 - IDIBELL 肿瘤数据分析项目 14 西班牙马德里 CIBER 流行病学与公共健康组织 (CIBERESP) 15 西班牙巴塞罗那大学医学院临床科学系 16 西班牙巴塞罗那洛夫雷加特郡贝尔维特奇生物医学研究所 (IDIBELL) ONCOBEL 项目 17 美国纽约州纽约市纪念斯隆凯特琳癌症中心医学系临床遗传学服务 18 美国纽约州纽约市威尔康奈尔医学院医学系 19 哈佛医学院布莱根妇女医院医学系钱宁网络医学分部美国马萨诸塞州波士顿 20 美国马萨诸塞州剑桥哈佛拉德克利夫研究所 21 澳大利亚昆士兰州布里斯班 QIMR 伯格霍夫医学研究所遗传学和计算生物学系 22 英国爱丁堡大学癌症研究中心，爱丁堡 23 英国剑桥大学哈奇森-MRC 研究中心 MRC 癌症部，剑桥 24 澳大利亚布里斯班 QIMR 伯格霍夫医学研究所统计遗传学系 25 德国莱比锡大学医院内脏、移植、胸腔和血管外科系 26 英国霍尔本伦敦大学学院临床试验研究所 27 斐济苏瓦南太平洋大学 28 德国马尔堡大学医院人类遗传学中心 29 美国国立卫生研究院国家癌症研究所癌症流行病学和遗传学分部美国马里兰州 30 美国国立卫生研究院国家癌症研究所跨部门研究项目，美国马里兰州贝塞斯达 31 斯坦福大学流行病学和人口健康系，美国加利福尼亚州帕洛阿尔托 32 英国伦敦癌症研究所遗传学和流行病学分部 33 美国明尼苏达州罗切斯特市梅奥诊所综合癌症中心实验室医学和病理学系 34 瑞典于默奥大学放射科学系 35 美国加利福尼亚州旧金山市加利福尼亚大学神经外科系 36 美国马萨诸塞州波士顿市哈佛大学陈曾熙公共卫生学院环境健康系 37 美国田纳西州纳什维尔市范德堡大学医学中心流行病学分部胸外科系 38 美国德克萨斯州休斯顿市贝勒医学院临床和转化研究中心
年轻的中国用户对小苏平台上信息茧的敏感性
摘要。Xiaohongshu平台是一个最近开发的强大在线媒体平台。其使用算法推动信息的主要方法鼓励形成信息茧的形成。基于选择性暴露和回声室的类似研究，本研究开发了信息的暴露和接受机理。使用该平台的年轻用户作为代表，该研究旨在使用新的信息茧易感量表来测试用户的敏感性。量表分为六个维度，包括信息内容，信息渠道，信息态度稳定，信息干预，社交网络和算法素养。通过恢复和分析问卷，这项研究发现，中国年轻用户对小苏平台的敏感性通常很重要。特定的表现可能包括接触信息含量均质的信息内容，缺乏信息渠道的多样性，倾向于受到信息和与固定群体的长期沟通的影响以及个人算法较低的素养。结果可能表明，小熊用户对信息茧的抵抗力较低，并且受到它的影响。
引用：Moutaouakil W.，Hamida S.，Cherradi B.，Raihani A.（2024）使用机器LEA
摘要：洪水代表了造成广泛损害的重要自然危害。该研究旨在证明采用机器学习（ML）模型的鲁棒性，即随机森林（RF），支持向量机（SVM），逻辑回归（LR），K-Nearest邻居（KNN）和决策树（DT），以生成摩洛哥Tetouan City的洪水易感图。该方法依赖于包含1000个样本的空间数据集，其中包括八个条件因素：高程，坡度，距离河流（DR），排水密度（DD），土地使用（LU），河流功率指数（SPI），地形见证见证人指数（TWI）和归一化差异植被指数（NDVI）。使用遥感技术提取这些因素。ML算法的性能比较表明，RF在曲线（AUC）值下表现出最高的精度和面积，达到95％，从而优于其他模型。这项研究的关键发现可以作为当局和水文学家主动预测易洪水领域的指南，并采取必要的措施来减轻风险。
机器学习模型，用于预测基于微生物组概况的传染病的易感性
人类微生物组包括居住在身体不同部位的微生物的复杂生态系统，在维持健康和决定疾病脆弱性方面起着非常重要的作用。根据微生物组的连续生成数据，对疾病风险预测的使用正在发展。机器学习提供了一种非常强大的方法，因为它具有处理复杂和高维数据的能力。在这篇研究文章中，作者通过微生物组概况概述了随机森林，支持向量机和神经网络机器学习模型的效率。本综述提供了对最近在过去发布的各种研究的全面概述，这些研究将这些机器学习技术用于微生物组数据分析。它进一步评估了每个模型捕获微生物组的内在复杂性和可变性的程度，这是准确预测疾病的关键。此外，这篇评论强调了功能选择和数据预处理在增强机器学习模型的性能中的重要性。通过选择最相关的功能并正确预处数据，可以训练更好的模型，从而做出更好的预测。我们的结果为机器学习模型提供了预测对传染病的敏感性的巨大潜力，同时表明确实有进一步改善的潜力。多组分数据集成应增加预测能力 - 将微生物组数据与其他类型的生物学信息结合起来。模型可解释性对于增强临床医生对词典的理解和信任至关重要，这对于将这些工具成功整合到真正的个人医疗保健方面至关重要。
TET2调节异染色质在老年造血干和祖细胞中的空间重新定位
*通讯作者。1450 Biggy Street，洛杉矶，加利福尼亚州90033美国。 电话。 +1-323-442-7755。 haiman@usc.edu（C.A. 海曼）。 作者的贡献：克里斯托弗·海曼（Christopher A. Haiman）可以完全访问研究中的所有数据，并负责数据的完整性和数据分析的准确性。 研究概念和设计：Haiman，Conti。 Acquisition of data: Bensen, Ingles, Kittles, Strom, Rybicki, Nemesure, Isaacs, Stanford, Zheng, Sanderson, John, Park, Xu, Y. Wang, Berndt, Huff, Yeboah, Tettey, Lachance, Tang, Rentsch, Cho, Mcmahon, Biritwum, Adjei, Tay, Truelove, Niwa, Sellers, Yamoah, Murphy, Crawford, Patel, Bush, Aldrich, Cussenot, Petrovics, Cullen, Neslund-Dudas, Stern, Kote-Jarai, Govindasami, Cook, Chokkalingam, Hsing, Goodman, Hoffmann, Drake, Hu, Keaton, Hellwege, Clark, Jalloh, Gueye, Niang, Ogunbiyi, Idowu, Popoola, Adebiyi, Aisuodionoe-Shadrach, Ajibola, Jamda, Oluwole, Nwegbu, Adusei, Mante, Darkwa-Abrahams, Mensah, Diop, Van Den Eeden, Blanchet, Fowke, Casey, Hennis, Lubwama, Thompson Jr., Leach, Easton, Preuss, Loos, Gundell, Wan, Mohler, Fontham, Smith, Taylor, Srivastava, Eeles, Carpten, Kibel, Multigner, Parent, Menegaux, Cancel-Tassin, Klein, Andrews, Rebbeck, Brureau, Ambs, Edwards, Watya, Chanock, Witte, Blot. 数据的分析和解释：Chen，Madduri，Rodriguez，Darst，Saunders，Rhie，Conti，Haiman。 手稿的起草：陈，海曼。 重要智力内容的手稿的批判性修订：陈，海曼，孔蒂，达斯特。 统计分析：Chen，Rodriguez，Chou，Sheng，A。Wang，Shen。 获得资金：海曼，孔蒂，加兹亚诺，正义。1450 Biggy Street，洛杉矶，加利福尼亚州90033美国。电话。+1-323-442-7755。haiman@usc.edu（C.A.海曼）。作者的贡献：克里斯托弗·海曼（Christopher A. Haiman）可以完全访问研究中的所有数据，并负责数据的完整性和数据分析的准确性。研究概念和设计：Haiman，Conti。Acquisition of data: Bensen, Ingles, Kittles, Strom, Rybicki, Nemesure, Isaacs, Stanford, Zheng, Sanderson, John, Park, Xu, Y. Wang, Berndt, Huff, Yeboah, Tettey, Lachance, Tang, Rentsch, Cho, Mcmahon, Biritwum, Adjei, Tay, Truelove, Niwa, Sellers, Yamoah, Murphy, Crawford, Patel, Bush, Aldrich, Cussenot, Petrovics, Cullen, Neslund-Dudas, Stern, Kote-Jarai, Govindasami, Cook, Chokkalingam, Hsing, Goodman, Hoffmann, Drake, Hu, Keaton, Hellwege, Clark, Jalloh, Gueye, Niang, Ogunbiyi, Idowu, Popoola, Adebiyi, Aisuodionoe-Shadrach, Ajibola, Jamda, Oluwole, Nwegbu, Adusei, Mante, Darkwa-Abrahams, Mensah, Diop, Van Den Eeden, Blanchet, Fowke, Casey, Hennis, Lubwama, Thompson Jr., Leach, Easton, Preuss, Loos, Gundell, Wan, Mohler, Fontham, Smith, Taylor, Srivastava, Eeles, Carpten, Kibel, Multigner, Parent, Menegaux, Cancel-Tassin, Klein, Andrews, Rebbeck, Brureau, Ambs, Edwards, Watya, Chanock, Witte, Blot.数据的分析和解释：Chen，Madduri，Rodriguez，Darst，Saunders，Rhie，Conti，Haiman。手稿的起草：陈，海曼。重要智力内容的手稿的批判性修订：陈，海曼，孔蒂，达斯特。统计分析：Chen，Rodriguez，Chou，Sheng，A。Wang，Shen。获得资金：海曼，孔蒂，加兹亚诺，正义。行政，技术或物质支持：Madduri，Sheng。监督：海曼。其他：无。
基于结核病测序的药物敏感性测试常见问题解答
基于结核病测序的药敏测试常见问题：全基因组测序和靶向下一代测序问：结核病药敏测试参考中心基于测序和表型方法的药敏测试算法是什么？答：结核病药敏测试 (DST) 参考中心 (TB DST RC) 依靠基于测序的 DST (sbDST)，使用全基因组测序 (WGS) 和靶向下一代测序 (tNGS) 来全面预测 MTBC 中的药物敏感性/耐药性。表型 DST (pDST) 使用 Bactec MGIT 系统执行，并且仍然是一种重要的参考方法，尽管它的周转时间通常比 sbDST 方法更长。在 TB DST RC，sbDST 和 pDST 并行进行（PZA 除外）。 sbDST 和 pDST 的结果在可用时会单独报告，但为了解决差异，会同时考虑这两种方法。提交纯培养物时，WGS-DST 是主要方法，而 tNGS-DST 可直接在处理过的样本和混合/非活性培养物上进行。为 DST 目的生成的 WGS 数据也可用于结核病基因分型；结核病 DST RC 生成的 WGS 数据与 CDC 的国家结核病监测系统共享（除非提交者选择退出）。对于提交的沉淀物，结核病 DST RC 将尝试分离纯培养物，如果成功，将进行 WGS-DST，并报告结果（除了直接在沉淀物上进行的 tNGS）。以下是结核病 DST RC 测试工作流程的高级概述：
通过辐射敏感性和降水效率之间的耦合
在温暖云中的抽象气溶胶相互作用（ACI）是历史期间有效辐射强迫（ERF）的不确定性的主要来源，并且通过扩展为推断的气候灵敏度。由于ACI（ERFACI）引起的ERF由云的强迫组成，这是由于云微物理学的变化和对微物理学的云调整。在这里，我们使用CAM6中托管的扰动参数集合（PPE）来检查驱动ERFACI的过程。对PPE的观察性约束会导致云微物理学和巨摩托学对人为气溶胶的响应的重大限制，但仅对Erfaci的限制最小。对PPE中的云和辐射过程的检查揭示了降水效率和辐射性敏感性的相互作用来缓冲Erfaci。
DF-QSM：基于数据保真的混合方法，用于改善大脑的定量敏感性映射
1印度科学学院计算与数据科学系，印度卡纳塔克邦，印度2个数据科学学院，印度科学教育与研究所，蒂鲁瓦南塔普拉姆，喀拉拉邦，印度，
用于快速抗生素和抗真菌性敏感性测试的基于光纤的纳米纤维传感器
摘要：抗生素和抗真菌性抗性微生物的出现代表了当今的一个主要公共卫生问题，可能将人类推向抗生素/抗真菌时代。避免这种灾难的方法之一是提高快速的抗生素和抗真菌敏感性测试。在这项研究中，我们提出了一个紧凑的基于光纤的纳米动力传感器，通过监测与微生物生存能力相关的悬臂的动态纳米级振荡来实现此目标。实现了高检测灵敏度，这归因于弹性两光子聚合悬臂，弹簧常数为0.3 n/m。这种纳米动力装置在大肠杆菌和白色念珠菌的易感性测试中表现出色，并在几分钟的时间范围内快速响应。作为概念验证，具有简单的使用和并行化的潜力，我们的创新传感器预计将成为未来快速抗生素和抗真菌敏感性测试和其他生物医学应用的有趣候选者。关键字：光纤传感器，纳米动力设备，抗生素/抗真菌敏感性测试，两光子聚合
全基因组测序分析揭示了与进行性核上麻痹相关的新敏感性基因座和结构变异
Hui Wang 1,2 * *，Shangy Rajput 8，4 Peter Paul Deyn 9.10，仅为6Yébenes16，Alberto Rabano-Gutierrez 17，Tina Meller 18，Wolfgang H Oertel 18，响应19，7 Maria Stamelou 20,21，Thomas Arzberger ，Franziska Hopfner 41，8 Pau Pastor 25:26， 31,32，欧文·罗斯32，道格拉斯10加拉斯科Silva 37，John F Gran 4，Alison M Goate 38，12 32＃，GünterHui Wang 1,2 * *，Shangy Rajput 8，4 Peter Paul Deyn 9.10，仅为6Yébenes16，Alberto Rabano-Gutierrez 17，Tina Meller 18，Wolfgang H Oertel 18，响应19，7 Maria Stamelou 20,21，Thomas Arzberger ，Franziska Hopfner 41，8 Pau Pastor 25:26， 31,32，欧文·罗斯32，道格拉斯10加拉斯科Silva 37，John F Gran 4，Alison M Goate 38，12 32＃，Günter