XiaoMi-AI文件搜索系统
World File Search Systemcovariat
跨细胞类型的翻译效率协方差是哺乳动物转录组的保守组织原理
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权持有人，该版本发布于2025年1月18日。 https://doi.org/10.1101/2024.08.11.607360 doi：biorxiv Preprint
单细胞分辨率发育中的人类新皮层的分子和细胞动力学
。CC-BY-NC 4.0国际许可证的永久性。根据作者/筹款人提供了预印本（未经同行评审认证）提供的，他已授予Biorxiv的许可证，以在2025年1月14日发布的此版本中显示此版本的版权持有人。 https://doi.org/10.1101/2025.01.10.632369 doi：Biorxiv Preprint
小脑和新皮层之间的结构协方差固有结构协方差将小脑子区域连接到大脑皮层
1麦康奈尔脑成像中心，生物医学工程系，医学院，计算机科学学院，神经科学学院 - 蒙特利尔神经学院（MNI），麦吉尔大学，蒙特利尔大学，蒙特利尔，加拿大魁北克； 2米拉 - 加拿大魁北克蒙特利尔的魁北克人工智能研究所； 3西部神经科学研究所，西部大学，伦敦，加拿大安大略省； 4加拿大安大略省伦敦西部大学计算机科学系； 5加拿大安大略省伦敦西部大学统计与精算科学系； 6加拿大魁北克蒙特利尔康科迪亚大学心理学系； 7德国莱比锡Max Planck人类认知与脑科学研究所神经病学系； 8美国德克萨斯州达拉斯的UTSW高级成像研究中心； 9伊利诺伊州伊利诺伊州伊利诺伊州乌尔巴纳大学的生物工程系； 10 N.1 N.1卫生研究所睡眠与认知中心电气与计算机工程系，新加坡新加坡国立大学卫生与数字医学研究所；和11个共济失调中心，神经解剖学和小脑神经生物学实验室，马萨诸塞州综合医院和哈佛医学院，美国马萨诸塞州波士顿，美国马萨诸塞州波士顿
小脑和新皮层之间的结构协方差固有结构协方差将小脑子区域连接到大脑皮层
1麦康奈尔脑成像中心，生物医学工程系，医学院，计算机科学学院，神经科学学院 - 蒙特利尔神经学院（MNI），麦吉尔大学，蒙特利尔大学，蒙特利尔，加拿大魁北克； 2米拉 - 加拿大魁北克蒙特利尔的魁北克人工智能研究所； 3西部神经科学研究所，西部大学，伦敦，加拿大安大略省； 4加拿大安大略省伦敦西部大学计算机科学系； 5加拿大安大略省伦敦西部大学统计与精算科学系； 6加拿大魁北克蒙特利尔康科迪亚大学心理学系； 7德国莱比锡Max Planck人类认知与脑科学研究所神经病学系； 8美国德克萨斯州达拉斯的UTSW高级成像研究中心； 9伊利诺伊州伊利诺伊州伊利诺伊州乌尔巴纳大学的生物工程系； 10 N.1 N.1卫生研究所睡眠与认知中心电气与计算机工程系，新加坡新加坡国立大学卫生与数字医学研究所；和11个共济失调中心，神经解剖学和小脑神经生物学实验室，马萨诸塞州综合医院和哈佛医学院，美国马萨诸塞州波士顿，美国马萨诸塞州波士顿
预测气候协变量对埃塞俄比亚风能的影响
摘要：本研究探讨了埃塞俄比亚风速与风速的气候协变量和空间元素的相互作用。它打算使用气象数据集在未观察到的空间点上推断风的潜在斑点。我们应用了一个组合的动态空间面板自回归随机效应模型，其位置的空间重量是空间重量。这种空间重量优于其他空间权重以捕获空间依赖性并提高有效估计。结果描述的是，平均风速在经度范围和纬度跨度上有所不同，受气候协变量的影响，并在一年中的几个月中波动。风速强度沿该地区的中部，东部和东北部高。在2月，3月，6月和7月相对于9月和10月的几个月中也很高。证据表明，夏季和春季风速较高，但在冬季和秋季季节相对较低。这意味着风速主要是在雨季结束和开始之前的风速很高。模型估计还表明，平均风速在相邻站点和时间点之间在空间上相关。特别是，平均风速随海拔和温度而增加，但随着降水的增加而降低。阳光级分和相对湿度具有负面影响，但它们的影响在统计学上并不显着，p = 0.2496和p = 0.4484。总而言之，建议使用这些方法来预测显示随机过程的数据。关键字：贝叶斯推论；动态空间面板自回归模型，预测，
脑功能连接的协变量辅助主回归的贝叶斯估计
本文在贝叶斯范式中重新表述了赵等人（2021b）的协变量辅助主（CAP）回归。该方法确定了多变量响应数据协方差中与协变量相关的成分。具体而言，该方法估计一组多元响应信号的线性投影，其方差与外部协变量相关。在神经科学中，人们对分析来自大脑不同区域的脑信号时间序列之间的统计依赖性很感兴趣，我们将其称为功能连接（FC）（Lindquist 2008；Fornito 和 Bullmore 2012；Fornito 等人 2013；Monti 等人 2014；Fox 和 Dunson 2015）。功能连接背后的大脑信号是多变量的，在分析功能连接时，每个大脑活动都被视为与其他大脑活动的相对关系（Varoquaux 等人，2010），因为这种统计依赖性与行为特征（协变量）相关。本文开发了一种贝叶斯方法对反应信号进行监督降维，以分析外部协变量与以多变量信号的协方差为特征的功能连接之间的关联。通常，分析大脑功能连接的第一个步骤是定义一组对应于感兴趣的空间区域（ROI）的节点，其中每个节点都与其自己的图像数据时间过程相关联。然后，根据每个节点时间过程之间的统计依赖性（van der Heuvel 和 Hulshoff Pol，2010；Friston，2011），估计网络连接（或节点之间的“边缘”结构）。 FC 网络是使用 Pearson 相关系数（ Hutchison 等人，2013 年）以及部分