XiaoMi-AI文件搜索系统
World File Search Systemclass
基于EEG
摘要 - 近年来，神经科学家与脑部计算机界面（BCI）设备的开发有关。运动障碍患者可能会受益于BCIS作为通信手段和恢复运动功能的手段。脑电图（EEG）是评估神经元活性的最常用之一。在许多计算机视觉应用中，深度神经网络（DNN）显示出显着的优势。倾向于最终使用DNN，我们在这里提出了一个浅神经网络，该网络主要使用两个卷积神经网络（CNN）层，其参数相对较少，并且快速学习了脑电图的光谱时暂时特征。我们将该模型与其他三个神经网络模型进行了比较，该模型具有不同的深度，该模型使用了针对患有运动障碍的患者和视觉功能下降的患者的眼神闭合状态应用于精神算术任务。实验结果表明，浅CNN模型的表现优于所有其他模型，并达到了90的最高分类精度。68％。处理跨主题分类问题也更加健壮：仅3％的准确性偏差而不是15。传统方法的6％。
免疫治疗和分子分型时代小细胞肺癌治疗面临的挑战
多年来，小细胞肺癌 (SCLC) 的治疗标准一直保持不变。尽管经过了数十年的积极研究，但目前的治疗选择仍然有限，患有扩展疾病 (ED) SCLC 的患者的预后仍然很差。免疫检查点抑制剂 (ICI) 的引入是一个例外，也是最近唯一获批用于 ED-SCLC 的药物。然而，SCLC 免疫疗法的益处远远小于其他恶性肿瘤。SCLC 肿瘤微环境中不同的促免疫原性或免疫抑制特征可能会调节对免疫疗法的敏感性，或反过来削弱 ICI 的疗效。除了免疫疗法之外，对 SCLC 分子生物学的深入了解已导致确定了这种致命恶性肿瘤的新治疗靶点。最近的表观遗传学和基因表达研究已将 SCLC 分为四种不同的亚型，这些亚型由关键转录调节剂的相对表达定义，每种亚型都具有特定的治疗脆弱性。本综述讨论了 SCLC 免疫治疗的原理，并总结了该肿瘤的主要 ICI 试验。我们还概述了新的潜在治疗机会及其与 SCLC 新分子分类的结合。
大脑结构年龄 - 一种用于多疾病分类的新生物标志物
年龄是描述正常衰老轨迹的预期大脑解剖状态的重要变量。偏离规范性衰老轨迹的偏差可能会提供一些对神经系统疾病的见解。在神经影像学中，预测的脑年龄广泛用于分析不同的疾病。但是，仅使用大脑年龄差距信息（即，年代年龄和估计年龄之间的差异可能对疾病分类问题的信息不足。在本文中，我们建议通过使用结构磁共振成像估算大脑结构年龄来扩展全球大脑年龄的概念。为此，首先使用深度学习模型的合奏来估计3D老化图（即，体素的年龄估计）。然后，使用3D分割掩码来获得最终的大脑结构年龄。此生物标志物可以在几种情况下使用。首先，它可以准确地估计大脑年龄，以便在人群水平上检测异常。在这种情况下，我们的方法的表现优于几种最新方法。第二，可以使用大脑结构年龄来计算与每个大脑结构的正常老化过程的偏差。此功能可用于多疾病分类任务中，以在受试者级别进行准确的分歧诊断。最后，可以看到个体的大脑结构年龄偏差，从而提供了一些有关脑异常的见解，并在实际医学环境下帮助临床医生。
使用深度学习来自动检测和分类Willis圈子
大多数颅内动脉瘤（ICA）出现在脑血管树的特定部分上，名为Willis圈（Cow）。尤其是，它们主要出现在构成这种圆形结构的主要动脉分叉上的十个。因此，对于有效而及时的诊断，开发一些能够准确识别每个感兴趣分叉（BOI）的方法至关重要。的确，自动提取出现ICA风险较高的分叉将使神经放射学家快速浏览最令人震惊的地区。由于最近在人工智能上的效果，深度学习是许多模式识别任务的最佳性能技术。此外，各种方法是专门为医学图像分析目的而设计的。这项研究旨在帮助神经放射科医生迅速找到任何出现ICA发生风险的分叉。它可以看作是一种计算机辅助诊断方案，在该方案中，人工智能有助于访问MRI内感兴趣的区域。在这项工作中，我们提出了一种完全自动检测和识别构成威利斯圈子的分叉的方法。已经测试了几个神经网络架构，我们彻底评估了分叉识别率。
基于工业反馈
数字双胞胎范式是一项非常有前途的技术，可以应用于各种领域和应用程序。但是，它缺少用于分类和定义用例的统一框架。本文的目标是解决确定的差距。使用现场研究和自下而上的方法，它旨在对工业数字双胞胎的各种用途进行分类，以帮助正式化概念并合理地通过一系列工业领域的采用。该研究是基于采用基本理论原理从各种垂直领域收集用例的迭代过程。提取，合成，分组和抽象的使用情况方案，以开发可操作的用例分类框架。本文介绍了由此产生的分类法，并通过详细说明实际工业用例（包括其价值主张和应用领域）来说明它。对用例的收集，分类和分析导致对数字双胞胎学术和工业定义中提出的共同方面进行了研究。的目标是将这些方面结合在一起，成为务实而统一的定义，未来工业联盟（AIF）委员会汇聚在一起。这项工作的主要贡献包括从共同的工业和学术角度提出提议，（i）第一个独立于领域的数字双胞胎用例的系统收集，（ii）分析和分类数字双胞胎用例及其需求的综合框架，以及（iii）对工业数字化的共识，以贡献这种结构性的构图和标准化，以实现这种结构化和标准化。
Synteruptor：非经典专用代谢物基因簇的采矿基因组岛
*应向谁解决。电话：+33 1 69 82 62 48;电子邮件：sylvie.lautru@i2bc.paris-saclay.fr也可以发送给Olivier Lespinet。电话：+33 1 69 82 62 21;电子邮件：olivier.lespinet@i2bc.paris-saclay.fr†前两位作者应被视为联合第一作者。当前的地址：Drago Haas，Biose Industrie，Aurillac 15000，法国。Matthieu Barba，欧洲生物信息学研究所，欣克斯顿CB10 1SD，英国。CláudiaM。Vicente，Genphyse，Toulouse Univer，Inrae，Envt，Castanet-Tolosan，法国。 AmélieGarénaux，Applied Medical，Rancho Santa Margarita，CA 92688，美国。 Jean-NoëlLorenzi，CNRS，法国巴黎F-75013研究所。 Luisa Laureti，DNA损伤和基因组不稳定性，Marseille癌症研究中心（CRCM）； CNR，AIX Marseille大学，Inserm，Paoli-Calmettes，法国马赛。CláudiaM。Vicente，Genphyse，Toulouse Univer，Inrae，Envt，Castanet-Tolosan，法国。AmélieGarénaux，Applied Medical，Rancho Santa Margarita，CA 92688，美国。 Jean-NoëlLorenzi，CNRS，法国巴黎F-75013研究所。 Luisa Laureti，DNA损伤和基因组不稳定性，Marseille癌症研究中心（CRCM）； CNR，AIX Marseille大学，Inserm，Paoli-Calmettes，法国马赛。AmélieGarénaux，Applied Medical，Rancho Santa Margarita，CA 92688，美国。Jean-NoëlLorenzi，CNRS，法国巴黎F-75013研究所。Luisa Laureti，DNA损伤和基因组不稳定性，Marseille癌症研究中心（CRCM）； CNR，AIX Marseille大学，Inserm，Paoli-Calmettes，法国马赛。
通过片段筛选发现TRF1-TIN2蛋白 - 蛋白质相互作用的第一类抑制剂
图2：X射线晶体学通过X射线晶体屏幕。（a）TRF1 TRFH单体的卡通表示，其1286 PANDDA事件被叠加为蓝色球体。每个循环数代表pandda配体结合位点。TIN2 TBM结合位点，站点6，以绿色突出显示。（b）19精制和叠加的TRF1 TRFH结构的卡通表示，其命中片段结合在TIN2 TBM结合位点中。（c）与B中相同的结构，但没有结合的片段命中，显示了与片段结合的四个关键残基的相对位置（R102，E106，Q127，R131）。（d）TRF1 TRFH -TIN2 TBM晶体结构（PDB 3BQO）13的卡通表示，其中四个残基与碎片结合在一起，显示为蓝色棒，而TIN2 TBM显示为洋红色棒。（e）TRF1 TRFH的R131与命中片段的酰胺组之间的H-键的示例（3）。（f）命中片段（6）的示例，其中一个halide组埋在TRF1 TRFH的亮氨酸袋中，用TIN2 TBM肽（PDB 3BQO）13叠加为卡通和L260。（g）TRF1 TRFH的R131与命中片段的芳基（13）之间的阳离子-PI相互作用的示例。（H）Xchem的晶体结构命中片段5与TRF1 TRFH结合，相邻的不对称单元以灰色显示。
在分类结直肠癌或肺癌患者死亡的多伴病因
患者多酸性生存结果的分类对于个性化的癌症治疗很重要。机器学习（ML）算法越来越多地用于为医疗保健的决策提供信息，但是这些模型容易受到数据收集和创建算法的偏见。ML模型以前已显示出表现出种族偏见，但他们对不同年龄和性别群体的患者的公平性尚未研究。因此，当对结直肠癌患者（n = 515）分类时，使用TCGA数据进行分类时，我们比较了5个ML模型（随机森林，多项式逻辑回归，线性支持矢量分类器，线性判别分析和多层感知）的多项性表现。所有五个模型均对这些社会人口统计学群体表现出偏见。然后，我们在肺腺癌（n = 589）上重复了相同的过程，以验证我们的发现。令人惊讶的是，对于最大的社会人口统计学组，大多数模型的总体趋势往往较差。优化模型性能的方法，包括在合并年龄，性别或种族群体上测试模型，以及创建经过培训并用于个人或合并的社会人口统计学群体的模型，显示出减少不同群体模型绩效差异的潜力。值得注意的是，这些方法可用于提高ML公平性，同时避免对表现出偏见的模型进行惩罚，从而牺牲整体性能。
AutoNeuriteJ：用于测量和分类神经延伸的 ImageJ 插件
形态测量表征是描述神经元培养和识别表型差异的重要程序。这项任务通常需要劳动密集型的测量和对大量培养神经元中的众多神经突进行分类。为了自动执行这些测量，我们编写了 AutoNeuriteJ，这是一个 imageJ/Fiji 插件，可以测量和分类大量神经元中的神经突。我们表明，Auto-NeuriteJ 能够检测由已知会影响神经元生长的几种化合物引起的神经突生长变化。在这些实验中，在几个小时内获得了每种条件下超过 5000 个小鼠神经元的测量结果。此外，通过分析缺乏微管相关蛋白 6 (MAP6) 的小鼠神经元和野生型神经元，我们说明 AutoNeuriteJ 能够检测轴突长度的细微表型差异。总体而言，使用 AutoNeuriteJ 将提供快速、无偏和准确的神经元形态测量。
