XiaoMi-AI文件搜索系统
World File Search SystemWan
Xiaoqian（Joy）Wang-普渡大学工程学院Xiaoqian（Joy）Wang-普渡大学工程学院
Transactions on Pattern Analysis and Machine Intelligence (TPAMI), IEEE Transactions on Cybernetics, IEEE Transactions on Image Processing (TIP), IEEE Transactions on Neural Networks and Learning Systems (TNNLS), Journal of Machine Learning Research (JMLR), Transactions on Knowledge and Data Engineering (TKDE), Pattern Recognition, Cognitive Computation, Neurocomputing, Knowledge and Information系统，计算系统新兴技术杂志，神经处理信，国际机器学习与控制论期刊，国际人工智能工具杂志
IPCC不确定性框架：一些决策者想要什么（以及为什么不应该）
对气候变化的研究受到深刻的不确定性的困扰，而研究的直接政策含义仍然使兄弟会引起兄弟。政策制定世界有其要求：不确定的信息必须以简单，一致和相关的方式传达。为了平衡这些要求与对科学严格的需求，必须以与决策相关的方式传达不确定性，又对科学尽可能地忠于科学。为了解决这个问题，IPCC不确定性指南（IPCC 2010）既提供了信心，也提供了可能性指标，以使专家在发现中表征不确定性。置信度度量是在定性量表上定义的，五个级别（“非常低”，“低”，“中”，“高”和“非常高”）。适当的置信度取决于对两个独立维度的评估：证据和一致（图1）。
呼吸道疾病激增，而免疫接种
在科罗拉多州（CO）儿童和成人中，呼吸道疾病是2023年与急诊科（ED）访问或住院相关的第一和第二常见的可预防疾病（VPD）。儿童，可预防的呼吸系统疾病（呼吸综合病毒，与COVID相关疾病，流感）占2023年所有VPD相关住院的95％。尽管患病率，发病率/死亡率以及这些疾病的巨大经济成本，但相关疫苗的摄取显着低于其他疫苗。上学年中有92％的CO K-12学生是最新的，但有61％的儿童中只有61％的儿童接受了流感疫苗。截至2024年10月，只有1％的〜10％是最新的。2这些失败的疫苗接种离开CO儿童，尤其是婴儿，非常容易受到他们在日常生活中最有可能遇到的呼吸道感染的影响。此外，不良呼吸疫苗的覆盖范围增加了儿童与之同住并可能转移到的老年人的风险。呼吸综合病毒（RSV）：2023年在所有年龄组中，CO RSV住院和ED访问急剧增加。从2022年到2023年的0-5岁儿童的RSV住院增加了五倍（图1）。3年来首次取代了Covid，因为疾病是儿科患者住院最多的疾病（0-19）（附录表1）。此外，患有RSV的CO儿童需要比大流行前更高的护理水平。在80岁以上的成年人中，从2022年到2023年，RSV住院增加了六倍（图2）。这些与2021年非药理干预措施（NPI）（如2021年之后的掩盖和社交距离）在2022年和2023年的全国RSV住院率息息相一致。
引用：Sha J，Liu W，Wu J，Yanping W，Li X，Ren H，Pang Z，Zhang W，Lee CS，WangP。
Figure 5 (Color online) (a) CLSM images of HepG-2 cells after incubation with TBPCP and TBCP (5 μM) under hypoxic conditions and two-photon irradiation (940 nm, 50 mW, 2 min) followed by staining with C11-BODIPY 581/591, Hoechst 33342, and Fer-1.对于C11-Bodipy 581/591：λEX= 561 nm; λEM= 570–620 nm。用于氧化的C11-Bodipy 581/591，λEX= 488 nm，λem= 500–530 nm。比例尺：10μm。（b）在深色和白光照射下用TBPCP和TBCP（5μM）处理的HEPG-2细胞的GSH水平（400-700 nm，200 mW/cm 2，10 min）。（c）在不同TBPCP处理的条件下，HEPG-2细胞中GPX4表达和GPX4的相对表达的蛋白质印迹分析。（d）在不同TBCP处理的条件下，HEPG-2细胞中GPX4表达和GPX4的相对表达的蛋白质印迹分析。误差线代表平均值±SD（每组n = 3）， * p <0.05，** p <0.01，*** p <0.001。（e）TBPCP和TBCP处理的线粒体和核形态的生物-TEM（5μM）HEPG-2细胞在不同的处理后，比例尺：500 nm：500 nm。
引用ping n，Zuo K，Cai J，Rong C，Yu Z，Zhang X，Wang G，Ma C，Ma C，Yang H，Li J，Wang X，Wang X和Zhao D（2025）Crorigendum：Apigenin可预防ISCH
版权所有©2025 Ping，Zuo，Cai，rong，Yu，Zhang，Wang，Ma，Yang，Li，Li，Wang和Zhao。这是根据Creative Commons归因许可（CC BY）的条款分发的开放访问文章。允许在其他论坛上使用，分发或复制，前提是原始作者和版权所有者被记住，并且根据公认的学术实践，请引用本期刊中的原始出版物。不允许使用，分发或复制，不符合这些条款。
文章 图像质量对细菌分类模型性能的影响研究 Treesukon Treebupachatsakul 1,a , Wanwalee Chomkwah 1 ,
2 泰国曼谷拉卡邦先皇理工学院信息技术学院，1 Chalong Krung 1 Alley，Ladkrabang，Bangkok 10520，泰国电子邮件：a treesukon.tr@kmitl.ac.th，b，* suvit@it.kmitl.ac.th（通讯作者）摘要。深度学习模型构建中监督学习的关键要求之一是用于训练和验证的数据集。为了收集数据集，从不同资源获取各种质量的图像是不可避免的，这被认为会影响监督模型的性能。本研究旨在证明涉及从两个不同资源获得的高和标准数据集的图像质量对模型性能的影响。对具有革兰氏阳性菌和革兰氏阴性菌数据集的各种细胞特征进行了试验。这些不同的数据集被匹配并贡献了 5 个案例；案例 1：使用高质量图像进行训练和测试，案例 2：使用高质量图像进行训练并使用标准质量图像进行测试，案例 3：使用标准质量图像进行训练和测试，案例 4：使用标准质量图像进行训练并使用高质量图像进行测试，以及案例 5：结合这两种图像质量进行训练和测试。实施了预训练的 CNN 模型来证明使用和不使用分层 K 折交叉验证的目的。重新训练模型的结果表明，高性能模型需要从与测试集相同资源中获得的高质量数据集，在具有挑战性的未知数据集上进行测试时，这些数据集可产生超过 90% 的所有性能评估指标。这项研究为构建可用于自动化微生物诊断的高性能模型提供了宝贵的见解，对公共卫生和临床实践产生了影响。
康，宁；埃克斯顿，马克；克莱蒙（Clermont），pier-luc；拉塔拉尼（Latarani），玛丽安（Maryam）；男性大卫·金斯利（David Kingsley）； Wang，Yuzhuo和Crea，Francesco（2020）。 EZH2抑制：p
免疫疗法正在彻底改变广泛的癌症的临床管理。然而，由于动态癌症的侵害，确实会发生对免疫疗法的反应或获得对免疫疗法的反应，最终导致免疫逃生。在许多人类癌症中，Zeste 2（EZH2）的进化保守的组蛋白修饰剂造型（EZH2）异常过表达。累积研究表明，EZH2是癌细胞免疫编辑和通过下调免疫识别和激活，上调免疫检查点并创建免疫抑制性肿瘤微环境的主要驱动力。在这篇综述中，我们概述了EZH2在CER免疫编辑中的作用，当前药理EZH2抑制剂的临床前和临床研究以及EZH2抑制剂的前景以及用于癌症治疗的免疫疗法组合。
引用王X-H，Zhang S-F，Wu H-Y，Gao J，Wang L，Yin Y和Wang X（2025）染色质状态的改变GE
专业上皮对于维持循环至关重要，并报告说，上皮中KEAP1的缺失将导致小鼠肾结通（Noel等，2016）。但尚不清楚什么是主要贡献者，不同细胞类型之间的协同相互作用可能对维持肾脏功能至关重要。许多基因涉及维持正常肾功能，例如CLMP和GFRA3。以前的一个在肾脏发育中起重要作用，它的缺失将导致严重的双侧肾积水（Rathjen和Jüttner，2023年）。后者是GDNF家族受体的成员，GDNF是一种分泌的分子，并参与输尿管萌芽（Uetani and Bouchard，2009年）。其他转录因子，例如gata3，lim1，对于肾脏结构也很重要（Chia等，2011）（Boualia等，2013）。小鼠胚胎中GATA3突变会在出生时引起肤色，这表明GATA3因子是尿路突变所必需的（Chia等，2011）。FOXF1是肺发育的另一个因素，也发现突变导致肾结通（BZDęGA等，2023）。通过肾积水中探索了几乎没有潜在的关键基因或转录因子，潜在的遗传机制仍在进一步研究。最近的研究表明，调节元件中染色质状态的变化在基因表达中起着至关重要的作用，并可能导致严重疾病（Mirabella等，2016）（Klemm等，2019）。尽管如此，我们仍然对肤色期间异常组织和正常组织之间染色质状态的改变的了解有限。全面理解肤色中的基因表达和相关调节网络将有助于我们识别发病机理并发现疾病的新疗法靶标。我们试图在这项研究中检测正常和肾脏症之间的差异表达基因（DEG），然后探索疾病的表观遗传变化，包括ATAC-SEQ检测到的DNA甲基化预测和相关的调节元件，检测到了差异性可及的区域（DARS）（图1A）。为了可视化Hub-Gene在肾积水中，我们还通过String构建了蛋白质 - 蛋白质网络（PPI）。为了验证获得的DEGS和DARS之间的潜在关系，我们进一步检测到DEG和DARS之间的染色质结构，试图在肾结通中填充调节机制。
沿着表观遗传时间线漫步
表观遗传学是指所有在不改变基因序列的情况下调节基因表达的可逆、可遗传过程。研究表明，DNA和组蛋白可以发生甲基化和乙酰化等化学修饰（仅对组蛋白而言），这些修饰可以引导DNA缠绕在组蛋白周围[5]，并决定染色质的压缩。这些化学修饰通常被称为表观遗传“标记”。DNA和组蛋白之间的相互作用可以导致真染色质构象，在这种构象下基因可接近并因此被激活，或者导致异染色质构象，在这种构象下基因无法接近并因此受到抑制[6]。除了DNA和组蛋白修饰之外，其他机制也参与表观遗传调控，如核小体定位[7]和非编码RNA[8]。在这里，我们选择关注与衰老相关的研究最多的 DNA 和组蛋白修饰，尽管重要的是不要忘记所有表观遗传机制都是相互联系、相互影响的 [ 9 , 10 ]。例如，DNA 甲基化失调会诱导
