XiaoMi-AI文件搜索系统
World File Search Systemausa
小鼠中的微生物群耗竭，作为探索因果关系的工具小鼠中的微生物群耗竭，作为探索因果关系的工具
hal是一个多学科的开放访问档案，用于存款和传播科学研究文件，无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
Mendelian随机分析发现因果关系...
越来越多的证据表明，精神疾病中大脑结构连接素异常，但因果关系仍然没有被逐渐解散。我们进行了双向两样本的孟德尔随机分析（MR）分析，以研究206个白物连通性表型（n = 26,333，UK Biobank）和13个主要精神病学疾病（n = 14,307至1,222,882）之间的因果关系。正向MR分析确定了遗传上预测的五种白质结构连通性表型对六种精神疾病的因果关系，并且关联是显着或暗示性的。例如，左 - 半球额叶控制网络与右左右默认模式网络之间的结构连通性与自闭症谱系障碍的风险显着呈负相关，而右 - 半球前层控制网络和海马型的结构连通性的增加与厌食症的厌食症和厌食症的使用显着相关。反向MR分析揭示了两种精神疾病的风险与四种不同的白色含量结构连通性表型之间的因果关系。例如，发现神经性厌食症的敏感性与左 - 半球视觉网络和粒子之间的结构连通性有显着负相关。这些发现为精神疾病的病因提供了新的见解，并突出了在大脑结构连接水平上早期检测和预防的潜在生物标志物。
Toda-Yamamoto 因果关系检验
本研究使用 Toda-Yamamoto 因果关系检验来检验土耳其可再生能源消费与预期寿命之间的因果关系。通过分析 1990 年至 2019 年的数据，该研究探讨了这些变量之间的关系。Toda-Yamamoto 因果关系检验的结果表明，可再生能源消费与预期寿命之间没有 Granger 因果关系，表明可再生能源消费对土耳其的预期寿命没有显著影响。然而，研究发现预期寿命与可再生能源消费之间存在 Granger 因果关系，这表明预期寿命的提高可能导致土耳其可再生能源消费的增加。这项研究意义重大，因为它提供了有关可再生能源消费与土耳其预期寿命之间关系的见解。结果强调了在检查公共卫生结果时考虑可再生能源消费以外的因素的重要性。该研究的结果可以为政策制定者提供参考，帮助他们制定优先考虑公共卫生结果和促进可持续能源实践的能源政策。
博士穆罕默德·阿布·卡萨
除了学术研究之外，Mohammad Abu Kausar 博士还积极参与众多专业协会，彰显了他对保持技术进步前沿的承诺。他的协会包括印度计算机学会 (CSI)、IEEE、国际工程师协会 (IAENG)、世界技术教师协会 (WATT)、计算机科学教师协会 (CSTA)、计算机科学、社会信息学和电信工程研究所 (ICST)、国际多标准协会等知名组织
物种形成和适应的遗传基础：从基因座到致病突变
进化是小步前进还是大步前进？进化的可重复性如何？进化过程受到多大限制？回答进化生物学中这些长期存在的问题对于理解现存生物多样性如何进化以及预测未来生物和生态系统如何应对不断变化的环境都是必不可少的。了解自然种群表型多样化和物种形成的遗传基础是正确回答这些问题的关键。基因组测序技术的飞跃使得研究遗传结构以及识别自然种群中适应和物种形成的变异位点变得越来越容易。此外，基因组编辑技术的最新进展使得研究自然种群生物中每个候选基因的功能成为可能。在本文中，我们讨论了这些最新技术进步如何使分析致病基因和突变成为可能，以及这种分析如何帮助回答长期存在的进化生物学问题。本文是主题期刊“适应和物种形成的遗传基础：从位点到致病突变”的一部分。
睡眠不足会削弱同理心
睡眠不足在现代社会中十分普遍。睡眠不足与严重的身心健康后果以及认知功能受损有关。人们对睡眠与情绪和人际行为之间的关系了解甚少。在这项研究中，我们调查睡眠不足是否会损害同理心，而同理心是人类互动和亲社会行为的重要组成部分。我们旨在捕捉睡眠不足对同理心各个方面的影响：特质和状态、情感和认知。研究 1（n = 155）评估了几天的日常习惯性睡眠以及过去一个月的整体睡眠质量。报告睡眠质量较差的参与者表现出较低的同理心关怀和换位思考特质。研究 2（n = 347）诱导了一夜的睡眠连续性中断，以测试睡眠与同理心之间的因果关系。睡眠中断状态下的参与者必须在夜间短暂醒来五次，而睡眠充足的对照组则睡眠正常。第二天早上，研究人员评估了参与者的同理心和亲社会意图。与睡眠充足的对照组相比，睡眠中断组的参与者表现出较低的同理心敏感性和较少的亲社会决策能力。这项研究的主要贡献在于有力地证明了睡眠不足对特征和状态同理心的多方面不利影响。我们的研究结果表明，睡眠不足会削弱对他人痛苦的同理心反应。这些研究结果强调，公众需要更多地关注充足的睡眠，这可能会在社会层面上影响同理心。
基于CVAE的因果表示从视网膜底面图像学习与年龄相关的黄斑变性（AMD）预测
摘要 - 关于相对较差的预后和急性视力障碍，分析与年龄相关的黄斑变性或AMD是视网膜疾病分析中最重要的任务之一。尤其是，构建分析和预测湿AMD的方法，其特征是由于新血管形成而导致新科学家造成的快速RPE损害，数十年来一直是许多眼科医生的一项艰巨任务。最近，随着ML/DL框架和计算机视觉AI的进步，这些先前的努力现在导致了AMD预测和机制分析的急剧增强。具体来说，使用基于注意机制的CNN或XAI方法的使用在预测AMD状态和可靠解释方面会导致更高的性能。在最先进技术的使用中，这项研究实施了一种新型的潜在因果表示学习框架，以进一步增强基于AI的模型，以了解仅访问视网膜底面图像的复杂因果AMD机制，同时构建了更可靠的AMD预测模型。结果表明，基于有效的卷积VAE和GAE的显式潜在因果建模可以导致基本AMD机制的成功因果关系，同时返回基本的因果因素，这些因素可以可靠地可靠地区分正常的基础和AMD底层图像，例如诊断预测。
因果效应识别的最佳实验设计
Pearl's Do Colculus是一种从观察数据中学习可识别的因果关系效应的完整公理方法。当这种效果无法识别时，有必要在系统中执行通常昂贵的干预措施的集合来学习因果关系。在这项工作中，我们考虑了设计一系列干预措施的问题，并以最低成本确定所需的效果。首先，我们证明了此问题是NP完整的，随后提出了一种可以找到最佳解决方案或对数的算法的算法。这是通过在我们的问题与最小击球设置问题之间建立联系来完成的。此外，我们提出了几种多项式启发式算法来解决问题的计算复杂性。尽管这些算法可能会偶然发现亚最佳解决方案，但我们的模拟表明它们在随机图上产生了小的遗憾。
探索人类肠道微生物组在乳腺癌风险中的因果作用1
此预印本版的版权持有人于2025年2月14日发布。 https://doi.org/10.1101/2025.02.12.12.25322118 doi：medrxiv preprint
