XiaoMi-AI文件搜索系统
World File Search SystemYana
MISTY：其他功能'T。 Yanagida'
Description Miscellaneous functions for (1) data management (e.g., grand-mean and group-mean cen- tering, coding variables and reverse coding items, scale and cluster scores, reading and writ- ing Excel and SPSS files), (2) descriptive statistics (e.g., frequency table, cross tabulation, ef- fect size measures), (3) missing data (e.g., descriptive statistics for missing data,错过数据模式，Little的完全随机丢失的测试以及辅助可变分析），（4）多级数据（例如，多级统计统计，组内和组相关矩阵，多级验证性因素分析，多层次验证性因素分析，特定水平的级别拟合分析，跨级别的级别测量量度分析，多数级别的多数级别的多数级别，以及5）多重级别的多重级别，多）多（5） (e.g., confirmatory factor analysis, coefficient al- pha and omega, between-group and longitudinal measurement equivalence evaluation), (6) statis- tical analysis (e.g., bootstrap confidence intervals, collinearity and residual diagnostics, domi- nance analysis, between- and within-subject analysis of variance, latent class analysis, t-test, z- test, sample size determination), and (7) functions to interact用“飞艇”和“ mplus”。
引文 Nagao T, Braga JD, Chen S, Thongngam M, Chartkul M, Yanaka N 和 Kumrungsee T (2024) 外周 GABA 和 GABA 递质的协同作用
暴饮暴食和能量消耗不平衡是导致超重和肥胖的主要因素。从理论上讲，减少食物摄入和增加能量消耗是治疗肥胖最简单的方法。然而，对于肥胖者来说，控制食物摄入以减轻体重往往很难实现和维持。目前，开发抑制食欲或减少食物摄入（肥胖的直接和主要原因）的减肥药物或干预措施仍然具有挑战性。2021年，索马鲁肽作为一种新的有效减肥药被批准，它通过强烈减少食欲和抑制食物摄入发挥其减肥作用（Wilding 等人，2021；Shu 等人，2022）。尽管它具有很强的疗效，但对其机制的不完全了解，以及对安全性和高成本的担忧，可能会限制其广泛使用。因此，开发新的食欲抑制药物和干预措施仍然是必要的。人体通过肠道（外周控制）和大脑（中枢控制）之间的通讯，以高度复杂的方式调节食物摄入和食欲 ( Hussain et al., 2014 )。外周信号通过两种主要途径将信息从肠道传递到大脑：血液和迷走神经。营养物质和激素等外周信号通过血液传播，到达大脑后，作用于下丘脑，特别是弓状核 (ARC)，因为该处的血脑屏障不完整 ( Hussain et al., 2014 )。下丘脑 ARC 包含两组不同的神经元：表达刺豚鼠相关肽 (AgRP) 的神经元和表达促阿片黑素皮质素 (POMC) 的神经元。这些神经元通过释放各种神经肽（例如 AgRP、神经肽 Y (NPY)、α-黑素细胞刺激激素 (α-MSH)）和神经递质（例如 γ-氨基丁酸 (GABA) 和谷氨酸 (Glu)）到 ARC 内部和外部的附近和下游神经元，以协调的方式调节食欲和食物摄入量（Wu and Palmiter，2011；Vong et al., 2011；Lowell, 2019），在整合外周和中枢信号方面发挥着至关重要的作用。相反，携带肠道信息的外周信号通过迷走神经传输到脑干。然后，脑干将这些外周输入投射到下丘脑和其他大脑区域，以调节食欲和食物摄入量。下丘脑还会以双向方式将信息发送回脑干，脑干又会通过迷走神经将信息传回肠道，以控制胃排空、胃动力和胰腺分泌等。为了开发减肥药物或干预措施，针对或操纵这些神经肽或神经递质的信号（通过增强或抑制它们）可以成为控制食物摄入的有效策略。研究表明，中枢 GABA 能信号在调节食物摄入和能量稳态方面发挥着复杂的作用。根据大脑区域和神经元类型的不同，GABA 可以抑制或促进食物摄入和能量消耗。例如，下丘脑 AgRP 神经元投射到背内侧下丘脑核、下丘脑室旁核和副臂核的 GABA 信号促进进食（Han 等人，2023 年；Lowell，2019 年；Wu 等人，2009 年）。研究表明，下丘脑 AgRP 神经元中 GABA 合成和血管转运蛋白的缺失会减少食物摄入并增加能量消耗
Jing Wei，Jincheng Zhang*，Yanan Shi，Huiqin Zhang，Yan Wu血清VEGF，高敏感性CRP和Cystatin-C有助于诊断2型糖尿病
摘要：升高的血清尿酸（UA）水平与2型糖尿病性视网膜病（DR）有关。血管内皮生长因子（VEGF），高敏化C反应蛋白（HS-CRP）和胱抑素C（CYS-C）（CYS-C）与2型DR相关的高尿素（HUA）（HUA）（HUDR）参与，我们探索了HUDR中的临床值。2型DR患者分为HUDR/DR组，其中2型糖尿病（T2DM）患者作为对照组。血清VEGF和炎症标志物HS-CRP和CYS-C水平通过ELISA和免疫扰动法评估。通过Pearson检验分析血清UA水平与VEGF/HS-CRP/CYS-C之间的相关性，通过接收器操作特征性曲线分析了VEGF/HS-CRP/CYS-C的诊断值，并通过Logiantic Muthistic consection farmitiation特征曲线分析了HUDR中的独立风险因素。T2DM/DR/HUDR组之间的血清VEGF/HS-CRP/CYS-C水平差异在统计学上是显着的，其水平在HUDR> dr> t2dm中。HUDR患者的血清UA水平与血清VEGF/HS-CRP/CYS-C呈正相关。血清VEGF/HS-CRP/CYS-C有助于HUDR诊断，其组合显示出最大的诊断价值。 UA/FPG/HBA1C/VEGF/HS-CRP/CYS-C是HUDR的独立危险因素。 HUDR患者的增生性DR的发生率增加。 总的来说，HUDR患者的血清VEGF，HS-CRP和CYS-C水平增加了，HUA可能会促进DR的进展。HUDR患者的血清UA水平与血清VEGF/HS-CRP/CYS-C呈正相关。血清VEGF/HS-CRP/CYS-C有助于HUDR诊断，其组合显示出最大的诊断价值。UA/FPG/HBA1C/VEGF/HS-CRP/CYS-C是HUDR的独立危险因素。HUDR患者的增生性DR的发生率增加。总的来说，HUDR患者的血清VEGF，HS-CRP和CYS-C水平增加了，HUA可能会促进DR的进展。
基于相干性和不确定性之间的 Wigner–Yanase 连接的量子生物传感效应的生理学搜索
量子物理学的一个基本概念，维格纳-亚纳斯信息，在这里被用作与生物磁感应有关的自旋相关自由基对反应中量子相干性的量度。该量度与反应产量的不确定性有关，并且与用于生物化学传递磁场变化的细胞受体-配体系统的统计数据有关。可测量的生理量，例如受体数量和配体浓度的波动，被证明反映了引入的单重态-三重态相干性的维格纳-亚纳斯量度。得出了将生物资源和生物性能系数的乘积与维格纳-亚纳斯相干性联系起来的量子生物不确定性关系。这种方法可以作为在细胞环境中对量子相干效应的一般搜索。
肾小球病理学发现的分类 UP LEARNING 和肾病专家 - AI 集体 ENGROCTIVE 方法 Eiichiro Uchino #A,B Yugami C , Sachiko Minamiguchi f , Hironi Haga f , Motoko Yanagita B,g , Yasushi Ono D,HA) 京都大学医学院医学智能系统系，日本京都 B) 日本京都肾脏病学系，日本京都，京都，京都，京都，京都，京都，京都，日本 D) 京都大学医学院生物医学数据智能系，日本京都 E) 京都大学医院医学信息学和管理规划部，日本京都 F) 京都大学医学院诊断病理学系，日本京都 H) Rise，药物开发数据智能平台小组，日本横滨 # 这些作者贡献者对这项工作做出贡献。 Running title: Glomeruli classification by deep learning Keywords: renal pathology, artificial intelligence, deep learning, collective intelligence Corresponding authors: Yasushi Okuno, Department of Biomedical Data Intelligence, Kyoto University, 53 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 881, FAX: +81-75-751-4881, E-mail: okuno.yasushi.4c@kyoto-u.ac.jp and Motoko Yanagita, Department of Nephrology, Graduate School of Medicine, Kyoto University, 54 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 606-8507, Japan Phone: +81-75-751-3860, FAX: +81-75-751-3859, E-mail: motoy@kuhp.kyoto-u.ac.jp Abstract Background Automated classification of glomerular pathological findings is potentially beneficial in establishing an efficient and objective diagnosis in renal pathology.虽然先前的研究已经验证了用于对整体硬化和肾小球细胞增殖进行分类的人工智能（AI）模型，但诊断还需要其他一些肾小球病理学发现。这些人工智能模型与临床医生之间的合作是否能提高诊断性能还不得而知。在这里，我们开发了人工智能模型来对肾小球图像进行分类，以获得病理诊断所需的主要发现，并研究这些模型是否可以提高肾病科医生的诊断能力。方法
肾小球病理学发现的分类 UP LEARNING 和肾病专家 - AI 集体 ENGROCTIVE 方法 Eiichiro Uchino #A,B Yugami C , Sachiko Minamiguchi f , Hironi Haga f , Motoko Yanagita B,g , Yasushi Ono D,HA) 京都大学医学院医学智能系统系，日本京都 B) 日本京都肾脏病学系，日本京都，京都，京都，京都，京都，京都，京都，日本 D) 京都大学医学院生物医学数据智能系，日本京都 E) 京都大学医院医学信息学和管理规划部，日本京都 F) 京都大学医学院诊断病理学系，日本京都 H) Rise，药物开发数据智能平台小组，日本横滨 # 这些作者贡献者对这项工作做出贡献。 Running title: Glomeruli classification by deep learning Keywords: renal pathology, artificial intelligence, deep learning, collective intelligence Corresponding authors: Yasushi Okuno, Department of Biomedical Data Intelligence, Kyoto University, 53 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 881, FAX: +81-75-751-4881, E-mail: okuno.yasushi.4c@kyoto-u.ac.jp and Motoko Yanagita, Department of Nephrology, Graduate School of Medicine, Kyoto University, 54 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 606-8507, Japan Phone: +81-75-751-3860, FAX: +81-75-751-3859, E-mail: motoy@kuhp.kyoto-u.ac.jp Abstract Background Automated classification of glomerular pathological findings is potentially beneficial in establishing an efficient and objective diagnosis in renal pathology.虽然先前的研究已经验证了用于对整体硬化和肾小球细胞增殖进行分类的人工智能（AI）模型，但诊断还需要其他一些肾小球病理学发现。这些人工智能模型与临床医生之间的合作是否能提高诊断性能还不得而知。在这里，我们开发了人工智能模型来对肾小球图像进行分类，以获得病理诊断所需的主要发现，并研究这些模型是否可以提高肾病科医生的诊断能力。方法