XiaoMi-AI文件搜索系统
World File Search SystemUnCover
统一的 AI 框架揭示基因 1 之间的深层相互关系
（未经同行评审认证）是作者/资助者。保留所有权利。未经许可不得重复使用。此预印本的版权所有者此版本于 2020 年 12 月 1 日发布。；https://doi.org/10.1101/2020.11.30.404087 doi：bioRxiv 预印本
利用机器智能揭示阿尔茨海默病......
阿尔茨海默病 (AD) 是最常见的痴呆症，占痴呆病例的 60-70% [ 1 ]。这种神经退行性疾病的特征是神经元细胞损伤以及伴随的认知和功能衰退，主要影响老年人，其中三分之二为女性，并且随着人口老龄化，患病率预计会持续上升 [ 2- 4 ]。目前尚无明确的治疗方法来预防或减缓这种使人衰弱的疾病的进展。旨在改善疾病的研究工作集中于淀粉样蛋白和 tau 通路，因为它们是 AD 病理的重要因素，因为过量 β-淀粉样蛋白 (Aβ) 肽沉积和过度磷酸化的 tau 蛋白会导致 DNA 和 RNA 损伤 [ 5- 7 ]。然而，目前临床批准的 AD 药物都不是疾病改善疗法 (DMT)，而是广泛针对 AD 症状 [ 8 ]。尽管目前有超过 100 种 AD 治疗药物，但美国食品药品监督管理局 (FDA) 批准的最后一种 AD 药物是 2003 年上市的 N-甲基-D-天冬氨酸 (NMDA) 受体 AD 拮抗剂美金刚[9,10]。虽然中国 FDA 最近批准了甘露聚糖 (GV-971) 的临床使用，但国际药物试验正在进行中，以确认结果并验证其在中国境外的使用（NCT03715114、NCT02986529、NCT02293915）[11]。由于我们对 AD 病因的理解存在差距，以及导致疾病异质性的基因组和环境因素之间复杂的相互作用，因此有必要采取多模式方法实现精准医疗。
echo2pheno：有意识小鼠中超声心动图表型的深度学习应用
图5说明了独立的组织病理学评估的结论。通过Echo2Pheno（ACNAT2，CMAS，DNAJB14，ECHS1，ECHS1，ERGIC2，GSTM1）验证了六项无关紧要的研究。在那些情况下，组织学检查在所有研究中揭示了结构正常的心脏（图5b），确认我们的发现。四个手动得出的大量研究通过Echo2Pheno（CISD1，DMD，FabP2，ZFP280D）进行了验证。四分之一的CISD1突变体显示出中度的LV扩张，而DMD突变体没有LV改变，而是局灶性心肌炎症，支持本研究中的EF和FS改变。FABP2心脏正常，而四个检查的ZFP280D雄性突变体中有两个lvs扩张，炎症性浸润，纤维化和坏死灶中的一个
利用网络方法揭示炎症性肠病的发病机制和治疗靶点
目前认为炎症性肠病 (IBD) 涉及遗传易感个体的慢性肠道炎症。IBD 患者主要发生胃肠道炎症，但有时伴有肠外表现，如关节炎、结节性红斑、巩膜炎、坏疽性脓皮病、葡萄膜炎和原发性硬化性胆管炎。这些临床方面意味着器官间网络在 IBD 中的重要性。在胃肠道中，免疫细胞受到多种局部环境因素的影响，包括微生物群、饮食环境和细胞间网络，这些因素进一步改变免疫细胞中的分子网络。因此，破译器官间、细胞间和细胞内水平的网络将有助于全面了解 IBD。本综述重点介绍肠道免疫系统，它与其他器官协调控制消化系统的生理和病理功能。 （DOI：10.2302/kjm.2022-0015-IR）； Keio J Med ** (*) : **–**, mm yy)
在您的执行保护威胁情报中发现盲点
dataminr的AI平台执行超出传统智能工具的限制，并用AI模型为您作为一个始终的威胁检测合作伙伴而努力，专门旨在削减信息过载和仅表现出最相关的警报。使用计算机视觉和公司/备受瞩目的人威胁警报，Dataminr使安全团队能够保持潜在威胁，无论是出现在文本，图像，视频中还是隐藏在徽标和符号中。利用超过12年的专有警报数据，Dataminr已开发并培训了50多个基础模型，专门用于安全事件，这些模型擅长于削减噪音，以最早的威胁迹象为您提供可行的实时警报。
上下文样本：通过样本和相关元数据收集
。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
表面组分析发现 CD98hc 是三阴性乳腺癌中抗体药物偶联靶点
摘要背景：尽管采用了新的治疗方法，但晚期三阴性乳腺癌 (TNBC) 仍然是一个相关的临床问题。考虑到这一点以及抗体-药物偶联物 (ADC) 的临床疗效，我们旨在确定可用于治疗 TNBC 的新型 ADC 靶点。方法：对来自三个不同研究的 TNBC 和正常样本进行转录组分析。通过细胞表面生物素化或质膜分离鉴定代表 TNBC 亚型的三种细胞系的质膜蛋白，然后使用 Surfaceome 在线工具分析细胞表面蛋白。免疫荧光和蛋白质印迹研究用于表征 CD98hc 定向 ADC 的作用，该 ADC 是通过将 emtansine 与识别 CD98hc 胞外域的抗体内部偶联而制备的。异种移植的 TNBC 细胞用于分析抗 CD98hc ADC 的抗肿瘤特性。结果：通过对正常乳腺和 TNBC 组织进行比较基因组学研究，以及蛋白质组学和生物信息学分析，我们制定了一系列潜在的 ADC 靶标。其中之一 CD98hc 跨膜蛋白被证实为 ADC 靶标。识别 CD98hc 胞外域的抗体可有效内化并到达溶酶体区室。制备了由此类抗体衍生的基于 emtansine 的 ADC，并在体外和体内模型中显示出在 TNBC 中的抗肿瘤特性。从机制上讲，抗 CD98hc ADC 阻断了细胞周期进程，随后有丝分裂灾难导致细胞死亡。结论：这项工作描述了 TNBC 中的潜在 ADC 靶标列表，并验证了其中之一，即跨膜蛋白 CD98hc。本文介绍的研究还证明了本文描述的多组学方法在识别新的潜在 ADC 靶标方面的稳健性。
识别模式以发现生物途径对已知药物重新利用方案的重要性
。cc-by-nc-nd 4.0国际许可证。是根据作者/资助者提供的预印本（未经Peer Review的认证）提供的，他已授予Biorxiv的许可证，以在2023年12月17日发布的此版本中显示此版本的版权持有人。 https://doi.org/10.1101/2023.12.17.572035 doi：Biorxiv Preprint
机器学习策略识别：高保真度决策策略发现的范例
摘要 我们提出了一种新方法，称为机器学习策略识别 (MLSI)，以发现隐藏的决策策略。在这种方法中，我们首先根据一组被指示使用特定策略的参与者的选择和过程数据训练机器学习模型，然后使用训练后的模型识别一组新参与者所采用的策略。与大多数需要多次试验才能识别参与者策略的建模方法不同，MLSI 可以逐个试验区分策略。我们在三个实验中检查了 MLSI 的表现。在实验一中，我们在配对比较决策任务中向参与者传授三种不同的策略。最好的机器学习模型识别出参与者使用的策略，准确率超过 90%。在实验二中，我们将 MLSI 与多重测量最大似然 (MM-ML) 方法进行了比较，后者也能够在策略识别中整合多种类型的数据，结果发现 MLSI 的识别准确率高于 MM-ML。在实验三中，我们向在有利于非补偿策略（取其优）的任务环境中自由做出决策的参与者提供反馈。 MLSI 的逐次试验结果表明，在实验过程中，大多数参与者一开始会探索多种策略，但最终学会使用“选择最佳”策略。总体而言，我们的研究结果表明，MLSI 可以逐次识别隐藏策略，并且准确率很高，可与需要多次试验才能识别策略的其他方法相媲美。