XiaoMi-AI文件搜索系统
World File Search Systembrain
开发载脂蛋白E模拟肽 - 脂质结合物，以有效地递送L
抽象脂质体是可以封装各种药物的多功能载体。但是，要向大脑传递，必须通过靶向配体或其他修饰进行修饰，以提供血脑屏障（BBB）的渗透性，同时避免通过聚乙烯甘油（PEG）修饰通过网状内皮系统快速清除。BBB渗透肽充当脑靶向配体。在这项研究中，为了实现脂质体有效的大脑递送，我们基于使用体外BBB通透性评估系统的高通量定量评估方法，筛选了先前报道的八个BBB渗透肽的功能，该方法使用Transwell，在原位脑灌注系统等。For apolipoprotein E mimetic tandem dimer peptide (ApoEdp), which showed the best brain-targeting and BBB permeability in the comparative evaluation of eight peptides, its lipid conjugate with serine–glycine (SG) 5 spacer (ApoEdp-SG-lipid) was newly synthesized and ApoEdp-modified PEGylated liposomes were准备。apoEDP修饰的卵子脂质体有效地与人脑毛细血管内皮细胞通过ApoEDP序列有效相关，并在体外BBB模型中渗透了膜。此外，在大脑中积累的apoEDP修饰的卵形脂质体比小鼠中的脂肪体高3.9倍。此外，通过三维成像和组织清除，证明了apoEDP修饰的pe乙型脂质体在小鼠中局部将BBB局部局部到脑实质中的能力。这些结果表明，ApoEDP-SG脂质修饰是一种有效的方法，它可以赋予具有脑靶向能力和BBB渗透性的质脂质体。
在微生物群 - 免疫 - 脑轴和心理健康的背景下，慢性应激反应的危险：叙事评论
超过20％的美国成年人患有精神障碍，其中许多人具有耐药性或继续出现症状。需要其他方法来改善精神保健，包括预防。微生物组的作用已成为精神和身体健康及其相互联系（幸福感）的中心宗旨。在正常条件下，健康的微生物组通过维持肠道和脑屏障完整性来促进宿主体内的体内平衡，从而促进宿主的幸福感。由于微生物组和神经内分泌 - 免疫系统之间的多向串扰，微生物组内的营养不良是免疫介导的系统性和神经炎症的主要驱动力，可以促进疾病进展，并且对疾病的进展且对良好的健康和精神健康有害。在诱发的个体中，免疫失调可以转移到自身免疫性，尤其是在身体或心理触发因素的情况下。慢性应激反应涉及免疫系统，该系统与肠道微生物组密切相关，尤其是在免疫教育过程中。此互连形成微生物群 - 免疫脑轴，并促进心理健康或疾病。在这篇简短的综述中，我们的目的是强调压力，心理健康和肠道微生物组之间的关系，以及营养不良和免疫系统失调的方式可以转移到自身免疫反应以及同时的神经心理学后果，并在微生物群的上下文中伴随着神经心理影响。最后，我们旨在审查基于经验的预防策略和潜在的治疗靶标。
世界首个脑癌临床试验在墨尔本启动
该项目位于维多利亚州政府管辖区内，三十年来脑癌的存活率几乎没有变化，80% 的确诊患者在五年内死亡。每五个小时就有一名澳大利亚人被诊断出患有脑癌，在澳大利亚，死于脑癌的儿童数量超过任何其他疾病。 脑癌中心/WEHI 实验室负责人、彼得麦卡勒姆癌症中心和皇家墨尔本医院的肿瘤医学专家 Jim Whittle 博士表示，Brain-POP 将开始解决脑癌患者缺乏试验选择的问题，并使研究发现能够迅速转化为临床应用。“过去 30 年缺乏进展表明需要从根本上改变药物研发方式和脑癌临床试验方式，”Whittle 博士说。“Brain-POP 平台提供了一种独特的方法来帮助我们测试药物是否真正进入大脑，并确定它是否产生了我们想要的效果。 “这就是我们需要投入精力的地方——最强大、最有前景的疗法，阻止无效疗法的发展，为脑癌患者带来更好的治疗效果。”皇家墨尔本医院神经外科主任凯特·德拉蒙德教授表示，该合作综合试验项目将借鉴墨尔本生物医学区研究人员和临床医生的丰富专业知识。
微生物-肠-脑-免疫界面在神经炎症疾病发病机制中的作用：新兴文献的叙述性回顾
观察：总体而言，迄今为止的研究有限，并且主要集中在细菌上，这可能是因为 16s rRNA 测序简单且具有成本效益，尽管其分辨率较低且无法确定功能能力/改变。然而，这忽略了所有其他微生物群，包括真菌、病毒和噬菌体，它们正在成为人类微生物组的关键成员。许多研究是在临床前模型和/或世界较发达地区的小型人体研究中进行的。观察到的关系很有希望，但目前还不能被认为是可靠或可推广的。具体来说，因果关系目前无法确定。对阿尔茨海默病的研究较多，其次是帕金森病，对 MS 的研究则很少。尽管如此，MS 的数据仍然令人鼓舞。
和成熟的脑组织
摘要 通过使用针对肝脏（连接蛋白 26 和 32）和心脏（连接蛋白 43）间隙连接蛋白的抗体，我们已将免疫反应性定位到成年啮齿动物脑部冷冻切片中的特定细胞类型。在少突胶质细胞和一些神经元中发现了连接蛋白 32 反应性，而对连接蛋白 26 和 43 的反应性则定位到软脑膜细胞、室管膜细胞和松果体。星形胶质细胞中也发生了对连接蛋白 43 抗体的免疫反应。此外，在胚胎和出生后脑组织成熟过程中，间隙连接蛋白的表达存在差异。连接蛋白 43 和 26 在胚胎脑部的神经上皮中占主导地位，而连接蛋白 32 几乎不存在。出生后 3 至 6 周，连接蛋白 26 在很大程度上从未成熟的脑部中消失；这一时间过程与连接蛋白 32 表达的增加相对应。连接蛋白 43 的表达在整个胚胎和出生后发育过程中保持较高水平。这些发现表明，大脑中的缝隙连接表达是多种多样的，特定细胞类型表达不同的连接蛋白；这种细胞特异性分布可能意味着这些细胞间通道在不同位置和发育阶段的功能存在差异。
系统生理学增强功能近红外光谱：研究人类大脑的有力方法
摘要。在这篇 Outlook 论文中，我们解释了为什么当通过使用系统生理增强功能性近红外光谱 (SPA-fNIRS) 同时测量系统生理活动（例如心肺和自主神经活动）时，可以促进对功能性近红外光谱 (fNIRS) 神经成像信号的准确生理解释。SPA-fNIRS 的基本原理有两个方面：(i) SPA-fNIRS 能够更完整地解释和理解在头部测量的 fNIRS 信号，因为它们包含源自神经血管耦合和系统生理源的成分。用 SPA-fNIRS 测量的全身生理信号可用于回归 fNIRS 信号中的生理混杂成分。因此可以最大限度地减少误解。(ii) SPA-fNIRS 能够通过将大脑与整个身体的生理状态联系起来来研究具身大脑，从而对它们复杂的相互作用产生新的见解。我们预计 SPA-fNIRS 方法在未来将变得越来越重要。© 作者。由 SPIE 根据 Creative Commons Attribution 4.0 International 许可证出版。全部或部分分发或复制本作品需要完全注明原始出版物，包括其 DOI。[DOI：10.1117/1.NPh.9.3.030801]
探索基于深度学习的大脑MRI-TO-CT合成中的对比度概括
背景：已提出合成计算机断层扫描（SCT），并越来越多地采用以实现基于磁共振成像（MRI）的放射疗法。深度学习（DL）最近证明了从固定MRI采集中生成准确的SCT的能力。但是，由于模型概括不良，MRI方案可能会随着时间的推移而随着时间的流逝而变化或不同。目的：研究域随机化（DR）以增加脑SCT生成DL模型的概括。方法：收集了95例接受RT患者的CT和相应的T 1加权MRI，带有 /无对比度，T 2加权和FLAIR MRI，考虑到可以研究概括的未见序列的能力。“基线”生成对抗网络进行了 /没有天赋序列的训练，以测试模型在没有DR的情况下的性能。基于SCT的剂量计划的图像相似性和准确性对CT进行了评估，以选择针对基线的表现最佳的DR方法。结果：基线模型在FLAIR上的性能最差，平均绝对误差（MAE）= 106±20.7 HU（平均值±σ）。在MAE = 99.0±14.9 HU的DR模型中，Flair上的性能显着提高，但仍然不如基线 + Flair模型的性能（MAE = 72.6±10.1 HU）。同样，对于DR VS基线，获得了γ速率的提高。结论：DR提高了仅在获得的MRI上训练的未见序列上的图像相似性和剂量准确性。DR使模型更加稳健，从而减少了在未见序列上应用模型时重新训练的需求，并且无法进行重新训练。
脑科学
摘要：在有色光照射（CLE）下，言语流畅性任务（VFT）引起的脑血管血流动力学和全身生理反应在受试者之间具有很大差异。我们假设机器学习可以让我们对反应模式进行分类，并为受试者之间的常见反应模式提供新的见解。总共 32 名健康受试者（15 名男性和 17 名女性，年龄：25.5 ± 4.3 岁）在进行 VFT 时在两种不同颜色的光（红色与蓝色）下暴露 9 分钟，采用随机交叉研究设计。我们使用系统生理增强功能近红外光谱（SPA-fNIRS）方法同时测量前额皮质（PFC）和视觉皮质（VC）的脑血管血流动力学和氧合情况以及全身生理参数。我们发现，根据以下参数的变化，无监督机器学习可以适当地将受试者分为不同的组：呼气末二氧化碳、动脉血氧饱和度、皮肤电导率、VC 中的氧合血红蛋白和 PFC 中的脱氧血红蛋白。使用硬聚类方法，分别针对蓝光和红光暴露发现了三组和五组不同的受试者。我们的结果强调了人类对 CLE-VFT 实验范式表现出特定反应类型的事实。
增强型生成对抗网络，用于 3D 脑 MRI 超分辨率
用于磁共振成像 (MRI) 的单图像超分辨率 (SISR) 重建引起了人们的极大兴趣，因为它不仅可以加快成像速度，还可以改善可用图像数据的定量处理和分析。生成对抗网络 (GAN) 已被证明在图像恢复任务中表现良好。在这项工作中，我们遵循 GAN 框架并开发了一个与鉴别器相结合的生成器来解决 T1 脑 MRI 图像上的 3D SISR 任务。我们开发了一种新颖的 3D 内存高效的残差密集块生成器 (MRDG)，其在 SSIM（结构相似性）、PSNR（峰值信噪比）和 NRMSE（归一化均方根误差）指标方面实现了最先进的性能。我们还设计了一个金字塔池化鉴别器 (PPD) 来同时恢复不同尺寸尺度上的细节。最后，我们引入了模型混合，这是一种简单且计算效率高的方法，可以平衡图像和纹理