XiaoMi-AI文件搜索系统
World File Search Systemarki
3D打印弹性体微结构的基准测试机械性能
https://doi.org/10.26434/chemrxiv-2025-3cql6 orcid：https：//orcid.org/000000-0002-4656-6056 consect content consect content content consect contem许可证：CC由4.0
社论：基于人工智能的工具对帕金森氏病和其他运动障碍研究的贡献
帕金森氏病是第二频繁的神经退行性疾病，在60岁以上的成年人中影响约1％。其他运动障碍，例如多个系统萎缩，亨廷顿氏病，肌张力障碍或小脑共济失调，可能不那么普遍，但严重损害了患者的生活质量。不仅这些疾病中许多疾病的病理生理学不完全理解，而且诊断工具和治疗性干预措施也常常不足。机器学习（ML）是人工智能（AI）的主要特征，即基于计算机的智能，能够执行类似人类的任务。AI和ML在医疗保健环境中的应用可能参与开发和应用新的疾病诊断和治疗方法，药物发现过程，并深入研究某些疾病的病理生理学。在这里，我们使用基于AI/ML的工具介绍了一些科学文章，以诊断，预后和治疗帕金森氏病和其他运动障碍，包括其他也以多巴胺能功能障碍为特征的其他工具。这些是：通过对中脑MRI进行深入学习，帕金森氏病的分类。作者比较了PD患者和健康对照中四种方法的诊断性能（Welton等人）。易感性映射加权成像（SMWI）基于定量易感映射（QSM），允许准确的Nigrosome-1（N1）评估，并已用于开发帕金森氏病（PD）深度学习（DL）分类算法。数据表现出神经素敏感的（NMS）MRI可以通过揭示神经元素含量来改善自动定量N1分析（Fu等，2016; Shin等，2021; Sung等，2019）。本研究中比较的四种诊断方法是：（1）N1定量“ QSM-NMS”复合标记，（2）使用SMWI（“ Heuron IPD”）的N1形态异常的DL模型（3）DL模型，用于N1使用SMWI（“ Heuron ni Ni”）和（4）N1 smwi neuror n Neuror neuror neuror neuror neuror neuror neuror neuror neuror neuror neurorar neuror。
一种新的天然儿茶酚-O-甲基转移酶抑制剂对帕金森氏病体内模型的影响
Valeria parrales -Macias - ICM, Pitié Salpêtrière hospital, Paris, 75013, France Abha Harfouche - University Paris -Saclay, CNRS, Biocis, Orsay, 91400, France Laurent Ferrié - University Paris -Saclay, CNRS, Biocis, Orsay, 91400, France Stéphane Haïk - ICM，Salpêtrière，巴黎，75013，法国帕特里克·米歇尔（Patrick P.rita raison-vozari-icm，PitiéSalpêtrière医院，巴黎，75013，法国Brunofigadère-Paris-Saclay University，CNRS，Biocis，Biocis，Orsay，Orsay，91400，91400 *nicolas.bizat@icm-institte.org alexandre maciuk-University of Paris-Saclay，CNRS，Biocis，Orsay，Orsay，91400，法国 *alexandre.maciuk@universite-parisite-paris--paris-saclay.fr.这些作者为工作做出了同等贡献。
使用深度学习的物理疗法实践分析
1名学生，2名纳赫鲁工程与研究中心MCA助理教授，印度Pambady，印度摘要：多媒体信息至关重要，对检查，感知信息以及由人类大脑进行了说明。一种加密 - 水标记方法保留在某些重要领域（例如医疗，军事和执法部门）中更受欢迎。本文讨论了详细介绍用于提高信息安全性的加密 - 水标记技术和策略的重要性。开发此Crypto-Watermarking应用程序的主要目标是它可以为用户提供数据安全性。此外，这些技术旨在保护多媒体内容旨在限制避免未经授权的数字文档副本。有效负载并最小化位错误率是与这些技术一致的参数。关键字：身份验证，版权保护，多媒体安全性，小波变换
Mendelian随机化研究吸烟，酒精和咖啡与帕金森氏病有关
帕金森氏病（PD）被认为是一种多因素疾病，涉及遗传易感性和环境因素[1]。流行病学研究表明，一种引人注目的模式，其中几种生活方式行为，包括吸烟，酒精和咖啡，与PD相反[2]，这仍然是争议的，这些逆关联是否是因果关系。PD [3，4]中长期前代的存在增加了可能通过定义为结果先于和影响暴露的情况的反向因果关系来解释它们的可能性。例如，PD前阶段的特征是香烟的食欲不足[5]，而后来发展PD的患者可能会因在多巴胺奖励减少而在前驱阶段戒烟时可能更成功地戒烟[6]。
纹状体5-羟色胺4受体在实验性帕金森氏症和运动障碍中增加
在大脑中表达，尤其是在基底神经节中。其激活调节食物摄入量[7]，并支持认知，抗焦虑和抗抑郁作用[8，9]。5-HT 4 R激动剂治疗人类中的慢性特发性结构[10]并改善记忆[11]。5-HT 4 R表达在异常食物摄入，情绪障碍和认知降低中有意改变[12-14]。令人惊讶的是，很少有研究集中在PD中的5-HT 4 R上，而无数的PD非运动症状commosempassessuchuchmaniftations [15,16]。作为第一个步骤，我们想知道使用大鼠和非人类灵长类动物（NHP）模型的现有脑库组织补充DA耗竭和L-DOPA后的纹状体5-HT 4 R是否会增加。然后，我们在第二个NHP中研究了其体内宠物成像调节。
基准进行经典分子动力学模拟...
图2：（a）实验离子电导率的奇偶校验图对计算上的相似。红点带有液化石油气电荷，蓝色的指控带有DFT电荷。最左侧的离子电导率，使用nernst-Einstein方法计算。中心，用nernst-Einstein方法计算的离子电导率。用惠勒 - 纽曼方法计算的最直接的离子电导率。（b）实验玻璃传输温度的奇偶校验图针对计算计算的温度。金点是对纯聚合物的模拟，而绿色的聚合物与LITFSI的聚合物。（c）实验离子电导率对计算模拟的奇偶校验图，其中每个聚合物在经过验证测得的玻璃转变温度下模拟，并由玻璃转变偏移温度从纯聚合物（金）或用盐（绿色）计算的聚合物计算出的玻璃过渡偏移温度。（d）Spearman and Pearson等级相关指标，用于t exp的模拟。（e）在实验温度下模拟的最佳结果与离子电导率变化下的结果相比。
比较痴呆症与路易尸体，阿尔茨海默氏病和帕金森氏病之间的比较：常规初级保健和英国生物库数据的证据
抽象背景理解前阶段神经退行性疾病的共享和特定临床表现是理解其复杂性和特定病理生理学的关键。使用英国纵向薄数据库的方法，我们将最终诊断为帕金森氏病（PD），阿尔茨海默氏病（AD），痴呆症的人（DLB）和没有神经性疾病的对照组对比。我们测试了每种神经退行性障碍的关联（或），以选择包括运动，自主神经和神经精神病特征在内的症状列表，以及广泛的治疗系列（泻药，抗毒素，他汀类药物，苯并二氮卓氮卓和神经益生类）。我们随后测试了疾病之间的关联是否不同，因为差异可能表明可能特定疾病的作用。我们调查了三个肿瘤时间（0至5年，5年5年，10年至15年），以将危险因素与前途/合并症分开。对年龄的分析进行了纠正，性别和关联表示为优势比（OR）。我们在英国生物库（UKB）中复制了主要发现。首先，我们从薄英国数据库中使用了28,222例PD患者，AD的20,214例，AD为4,682例，DLB和20,214个对照。苯二氮卓类药物和5-羟色胺再摄取抑制剂的消费量在后来患有所有三种疾病的个体中更为常见，而在未来的AD和PD患者中，抗糖尿病药物的消费量都较低。我们使用UKB复制了他汀类药物的不同用法（或PD vs.神经退行性疾病与诊断前的多个临床特征的存在密切相关激动剂。相比之下，在诊断阶段，汀类药物在各种疾病之间的使用显着不同，后来患者的使用较低（OR = 0.78（0.75,0.82））（OR = 0.78（0.75,0.82）），并且患者在DLB中使用DLB（OR = 1.38（OR = 1.38（1.27,51））（1.27,1.51），而与AD相关的患者则不重要（OR = 0.98（OR = 0.99）（0.98）。ad = 0.77（0.63，0.94））并进行了灵敏度分析，以进一步控制SES，BMI或APOE状态。
HLA-DRB1与帕金森氏病中吸烟之间的相互作用
1帕里斯 - 萨克莱大学，UVSQ，UNIV。Paris-Sud, Inserm, Team " Exposome, Heredity, Cancer, and Health " , CESP, Villejuif, France 2 Nantes Université, INSERM, Center for Research in Transplantation and Translational Immunology, Nantes, France 3 Centre for Genetic Epidemiology, Institute for Clinical Epidemiology, and Applied Biometry, University of Tubingen, Tübingen, Germany 4 Department for神经退行性疾病，赫尔蒂临床脑研究所，图宾根大学，德国图宾根大学5德国5个神经退行性疾病中心（DZNE），德国Tubingen，德国6转化神经科学，卢克斯堡系统生物医学中心（LCSB），卢克斯堡，卢克斯郡，卢克斯郡， Genetics, Helmholtz Zentrum München, Neuherberg, Germany 8 Molecular Genetics Section, Laboratory of Neurogenetics, NIA, NIH, Bethesda, Maryland, USA 9 Center For Alzheimer ' s and Related Dementias, NIA, NIH, Bethesda, Maryland, USA 10 Grif fi th Institute for Drug Discovery, Grif fi th University, Nathan,昆士兰，澳大利亚昆士兰11号神经病学系，维也纳医科大学，奥地利维也纳12号神经病学系，奥地利维也纳Klinik Ottakring神经病学系13坦兹神经退行性疾病研究中心，多伦多大学多伦多大学，多伦多大学，加拿大多伦多大学，加拿大加拿大的埃德蒙·J·萨弗里亚（Edondond Shother），帕克森（Morton），帕克森（Morton），多伦多，帕克森（Morton），帕克森（Morton）。加拿大安大略省多伦多的UHN 15神经病学系，多伦多大学多伦多大学，加拿大安大略省，加拿大安大略省16克里姆比尔脑研究所，多伦多，多伦多，安大略省，加拿大，加拿大17分子医学和创新疗法中心，
神经网络的机器学习库的比较分析：基准研究
这项全面的基准测试研究探讨了三个著名的机器学习库的性能：Pytorch，带有Tensorflow后端的Keras和具有相同标准，软件和硬件的Scikit-Learn。评估包括两个不同的数据集：“学生表现”和“大学参加计划分类”，由Kaggle平台支持使用前馈神经网络（FNNS）作为建模技术。调查结果表明，Pytorch和Keras凭借Tensorflow Backend Excel在“大学参加计划分类”数据集中，Pytorch在这两个类别中都能达到无可挑剔的精度，召回和F1得分。虽然Scikit-Learn表现出值得称赞的性能，但在这种情况下，它落后于这些库。在“学生表现”数据集中，所有三个库都提供了可比的结果，而Scikit-Learn的精度最低为16％。带有Tensorflow后端的Keras和Pytorch的精度分别为23％。此外，当面对各种数据集类型时，本研究为每个图书馆的独特优势和缺点提供了宝贵的见解。pytorch成为要求需要高性能的任务的首选选择，而Scikit-Learn对于具有适度的计算需求的简单任务证明是有利的。带有张力的后端的凯拉斯在性能和用户友好之间取得平衡。这项基准测试努力为机器学习从业人员提供了宝贵的指导，以选择根据其项目要求量身定制的最合适的图书馆或框架。关键字 - 机器学习，Pytorch，Tensorflow，Scikit-Learn，神经网络它强调了图书馆选择在获得机器学习努力中的最佳结果中的关键作用。