XiaoMi-AI文件搜索系统
World File Search Systemcation
囊性纤维化跨膜电导调节器的药理抑制剂对上皮阳离子通道的影响
摘要囊性纤维化跨膜电导调节剂（CFTR）阴离子通道和上皮Na +通道（ENAC）在许多上皮组织中在跨层离子和流体转运中起着重要作用。两个通道的抑制剂都是在体外定义其生理作用的重要工具。然而，两个常用的CFTR抑制剂CFTR INH -172和GLYH-101（也抑制非CFTR阴离子通道），表明它们不是CFTR的特异性。然而，迄今为止，这些抑制剂对上皮阳离子通道的潜在靶向效应尚未解决。在这里，我们表明，两个CFTR阻滞剂都以许多研究人员的常规使用浓度造成了对商店经营的钙进入（SOCE）的显着抑制，这些钙进入（SOCE）是时间依赖性，可逆的，并且独立于CFTR。斑块夹的实验表明，CFTR INH -172和GLYH-101都引起了ORAI1介导的全细胞电流的显着块，确定它们可能通过调制该Ca 2+释放激活的Ca 2+（CRAC）通道来减少SOCE。除了对钙通道的脱靶影响外，两种抑制剂在异武卵母细胞异源表达后都显着降低了人αβγ-ENAC介导的电流，但对Δβ-ENAC功能的影响有所不同。分子对接确定了两个CFTR阻滞剂的ENAC细胞外域中的两个假定结合位点。一起，我们的结果表明，在使用这两个CFTR抑制剂来剖析CFTR和潜在的ENAC在生理过程中的作用时，需要谨慎。
脑电图信号评估和分类的混合技术是神经和脑部疾病诊断的一步
脑电图 (EEG) 信号通常用于识别和诊断脑部疾病。每个 EEG 正常波形由以下波形组成：伽马 (γ) 波、贝塔 (β) 波、阿尔法 (α)、西塔 (θ) 和德尔塔 (δ)。神经系统疾病一词“NurDis”用于描述影响神经的各种疾病，癫痫、神经感染（细菌和病毒）、脑肿瘤、脑血管疾病、阿尔茨海默病和各种痴呆症都是神经系统疾病的例子。脑炎是影响大脑的疾病之一。本文使用的 EEG 信号来自 CHB-MIT 头皮 EEG 数据库。离散小波变换 (DWT) 用于从滤波后的 EEG 数据中提取特征。最后，使用 K 近邻 (KNN) 和支持向量机 (SVM) 等分类器根据所有计算出的特征将 EEG 信号分为正常和病理信号类。为了将信号归类为正常和异常组，使用了 KNN 和 SVM 分类器。对于这两个分类器，都确定了性能评估（准确度、灵敏度和特异性）。KNN 分类器准确率为 71.88%，而 SVM 分类器准确率为 81.23%。KNN 和 SVM 的灵敏度分别为 80.14% 和 77.31%。KNN 分类特异性为 69.62%，SVM 分类特异性为 98%。使用混淆矩阵评估两个分类器的性能。关键词：离散小波变换（DWT）、支持向量机（SVM）、脑电图（EEG）信号、K-最近邻（KNN）
根据二进制耦合剂的表面修饰，改善片状羰基铁的阻抗匹配
*通讯作者：Nanjing邮政与电信大学的电子与光学工程学院与微电子学院，Nanjing 210023，中华人民共和国电话： +86-25-858666131传真： +86-25-86-25-8585866131 Email Email：Guozhixie njupt.njupt.njupt.njupt.ive;
使用机器学习技术从 MRI ADC 图像中提取特征以进行脑肿瘤分类
方法：这项前瞻性研究使用了 1599 个标记的 MRI 脑 ADC 图像切片，其中 995 个为恶性，604 个为良性，这些切片来自 195 名经放射学诊断并经组织病理学确诊为脑肿瘤的患者。从每位患者的 MRI ADC 图像中提取人口统计学信息、平均像素值、偏度、峰度、灰度共生矩阵 (GLCM) 特征、平均值、方差、能量、熵、对比度、同质性、相关性、突出度和阴影。在特征选择阶段，使用 ANOVA f 检验测量提取特征的有效性。然后，将这些特征用作几种机器学习分类算法的输入，并评估相应的模型。结果：根据 ANOVA f 检验特征选择过程的结果，两个属性：偏度（3.34）和 GLCM 同质性（3.45）的 ANOVA f 检验分数最低。因此，在继续实验时排除这两个特征。在测试的不同 ML 算法中，选择随机森林分类器来构建最终的 ML 模型，因为它具有最高的准确度。在超参数调整过程之后，最终模型能够以 90.41% 的准确率预测恶性和良性肿瘤。结论：本研究得出结论，上述特征（偏度和 GLCM 同质性除外）对于识别和区分恶性和良性脑肿瘤具有重要意义。此外，它们有助于开发一种高性能 ML 模型，该模型能够在尝试侵入性诊断程序（例如脑活检）之前协助脑肿瘤诊断过程的决策步骤。
比较 AlexNet、Faster R-CNN 和 YOLOv4 在阿尔茨海默氏症脑部 MRI 扫描多类分类中的架构和性能
尽管磁共振成像 (MRI) 等诊断成像技术的进步使人们对阿尔茨海默病 (AD) 的诊断和治疗有了更深入的了解，但医疗专业人员仍然需要分析图像，这是一个耗时且容易出错的过程。借助神经网络模型，可以更准确、更有效地做出诊断。在本研究中，我们比较了三种著名的基于 CNN 的算法（AlexNet、Faster R-CNN 和 YOLOv4）的性能，以确定哪一种算法在对 AD 患者的脑部 MRI 扫描进行多类分类时最准确。所使用的数据集来自 Kaggle，包含 6400 个训练和测试 MRI 图像，分为四个类别（非痴呆、非常轻度痴呆、轻度痴呆和中度痴呆）。中度痴呆类别的代表性极低。为了获得更准确的结果，通过数据增强将图像添加到该类别中。实验是使用 Google Colab 的 Tesla P100 GPU 进行的。迁移学习应用于所有三个预训练模型，并根据各自的参数调整数据集。增强后，AlexNet 具有最高的 mAP（平均准确率），100% 的时间检测到感兴趣的对象，而 YOLOv4 和 Faster R-CNN 的 mAP 分别为 84% 和 99%。然而，YOLOv4 在混淆矩阵上表现最佳，尤其是对于 ModerateDemented 图像。正如我们的实验所揭示的，像 YOLOv4 这样的单阶段检测器比像 Faster R-CNN 这样的两阶段检测器更快、更准确。我们的研究成功实现了这些模型，并为医学图像诊断做出了宝贵贡献，为未来的研究和开发开辟了道路。
比较固体器官移植受者的血浆中供体衍生的无细胞DNA定量的方法
在同种异体器官移植受体的同种异体移植监测中，使用供体衍生的无细胞无细胞DNA（DD-CFDNA）在等离子体中的液体活检已成为一种新型方法。尽管对技术进行了早期临床实施和分析验证，但仍缺乏对DD-CFDNA定量方法的直接比较。此外，关于尿液中DD-CFDNA的数据是稀缺的，到目前为止，基于高通量测序的方法尚未利用独特的分子识别剂（UMIS）来实现绝对DDDNNA量化。在肾脏和肝脏受体的尿液和血浆中比较了不同的DD-CFDNA定量方法：a）使用等位基因特异性检测的液滴数字PCR（DDPCR），可检测七个常见的HLA-DRB1等位基因和Y染色体； b）使用定制的QIASEQ DNA面板的高通量测序（HTS），该面板的靶向121个常见多态性； c）商业DD-CFDNA定量方法（Alloseq®CFDNA，Caredx）。dd-cfDNA定量为％dd-cfDNA，用于DDPCR和HTS，并使用UMIS作为供体副本。此外，在临床稳定的受体中比较了尿液和血浆中的相对和绝对DD-CFDNA水平。此处介绍的HTS方法表明，％dd-cfDNA与ddpcr（r 2 = 0.98）和Alloseq®CfDNA（R 2 = 0.99）之间的相关性很强，仅显示最小的比例偏见。绝对DD-CFDNA拷贝也与UMI和DDPCR之间的HTS之间也有很强的相关性（τ= 0.78），尽管具有相当比例的偏置（斜率：0.25; 95％-CI：0.19 - 0.26）。在30个稳定的肾脏移植受者中，尿液中的中值％dd-cfDNA为39.5％（四分位数，IQR：21.8 - 58.5％），含36.6份/μmol尿肌氨酸（IQR：18.4 - 109）和0.19％（IQR：0.01 - 0.01 - 0.01 - 0.01 - 0.01 - 0.01 - 0.01-01）： 12.9）在体液之间没有任何相关性的等离子体中。来自八个稳定肝脏受体的血浆中的中位数％DD-CFDNA为2.2％（IQR：0.72 - 4.1％），使用120份/ml（IQR：85.0 - 138），中位DDDNNA拷贝/ml低于0.1，尿液中低于0.1。尿液和等离子体中DD-CFDNA绝对和相对定量的方法的第一个正面比较，支持与方法无关的％DD-CFDNA截止
通过ASD中的模仿学习熟练运动
抽象酸沉积是森林生态系统中的主要生物地球化学驱动因素，但是长期变化沉积对森林生产率的影响尚不清楚。使用树环和森林库存数据的组合，我们检查了树木的生长和气候敏感性，以响应26年的全水 - 硫酸铵（（NH 4）2 SO 4）在Fernow实验森林（美国西弗吉尼亚州）的添加。线性混合效应模型揭示了对治疗和氢化气候变量的物种针对性的反应。在控制环境协变量时，北红橡树（Quercus rubra），红枫（Acer Rubrum）和Tulip Poplar（Liriodendron Tulipifera）在对照球员中没有与对照的人类相比，在对照球员的陪同下，在对照球员的情况下，较大的是40％，52％，52％和42％）。茎的生长通常与生长季节水的可利用性和春季温度呈正相关，并与蒸气压的负相关。在对照流域中，北部红橡木，红枫木和郁金香杨树生长对水的供应量更大，这表明酸性处理改变了树木对气候的反应。结果表明，慢性酸沉积可能会降低森林的生长和气候敏感性，对森林碳和在受沉积影响的区域中的水循环产生显着意义。
关于计算和验证率的规则的技术建议，用于回收效率和废物电池材料的恢复
本文档是欧盟委员会科学和知识服务联合研究中心（JRC）的出版物。它旨在为欧洲决策过程提供基于证据的科学支持。本出版物的内容不一定反映欧洲委员会的立场或意见。欧洲委员会和任何代表委员会行事的人都不是对本出版物可能使用的使用。有关本出版物中使用的数据源的方法和质量的信息，该数据源既不是Eurostat，也不是其他委员会服务，用户应联系参考资源。所采用的名称和地图上的材料的陈述并不意味着欧盟关于任何国家，地区，城市或地区或其当局的法律地位的任何意见的表达，或者就其边界或边界的界定。
基于人工智能算法的概念：通过 CEUS 图像和 HSP 分析来识别重症急性胰腺炎的早期实质变化
1 维尔纽斯大学医学院临床医学研究所、胃肠病学、外科、肾泌尿学诊所，M.K.Ciurlionio str.21，维尔纽斯 LT-03101，立陶宛 2 维尔纽斯大学医学院生物医学科学研究所、放射学、核医学和医学物理学系，M.K.Ciurlionio str.21，维尔纽斯 LT-03101，立陶宛 3 考纳斯理工大学超声波研究所，K. Donelaicio str.73，考纳斯 44249，立陶宛 4 考纳斯理工大学电力系统系，K. Donelaicio str.73，考纳斯 44249，立陶宛 5 乔治城大学医院外科部，3800 Reservoir Rd，NW，华盛顿特区 20007，美国 6 维尔纽斯大学数据科学与数字技术研究所，Akademijos 街。4，维尔纽斯，LT-08412，立陶宛 电子邮件：aiste.kielaite-gulla@mf.vu.lt，arturas.samuilis@santa.lt
使用实时自动识别系统 (AIS) 数据进行扩展卡尔曼滤波器设计和船舶运动预测
摘要 — 本文使用来自自动识别系统 (AIS) 的实时数据和扩展卡尔曼滤波器 (EKF) 设计来解决船舶运动估计问题。AIS 数据由全球船舶传输，甚高频 (VHF) AIS 接收器以美国国家海洋电子协会 (NMEA) 指定的格式接收编码的 ASCII 字符信号。因此，必须使用解析器解码 AIS 语句以获取实时船舶位置、航向和速度测量值。状态估计用于碰撞检测和实时可视化，这是现代决策支持系统的重要功能。使用来自挪威特隆赫姆港的实时 AIS 数据验证了 EKF，并证明了估计器可以实时跟踪船舶。还证明了 EKF 可以预测船舶的未来运动，并在防撞场景中分析了不同的规避动作。索引词——卡尔曼滤波器、状态估计、运动预测、碰撞检测、无人水面舰艇、船舶