XiaoMi-AI文件搜索系统
World File Search Systemdti
R-BERT-CNN：从...中提取药物-靶标相互作用
摘要 — 在本研究中，我们介绍了我们参与 BioCreative VII 挑战赛的 DrugProt 任务的工作。药物-靶标相互作用 (DTI) 对于药物发现和重新利用至关重要，通常是从实验文章中手动提取的。PubMed 上有超过 3200 万篇生物医学文章，从如此庞大的知识库中手动提取 DTI 具有挑战性。为了解决这个问题，我们为 Track 1 提供了一个解决方案，旨在提取药物和蛋白质实体之间的 10 种相互作用。我们应用了一个集成分类器模型，该模型结合了最先进的语言模型 BioMed-RoBERTa 和卷积神经网络 (CNN) 来提取这些关系。尽管 BioCreative VII DrugProt 测试语料库中存在类别不平衡，但与挑战赛中其他提交的平均水平相比，我们的模型取得了良好的表现，微 F1 得分为 55.67%（BioCreative VI ChemProt 测试语料库为 63%）。结果显示了深度学习在提取各种类型 DTI 方面的潜力。
使用拉普拉斯正则化 Schatten p范数最小化从头预测药物-靶标相互作用
在制药科学中，药物发现的一个关键步骤是识别药物-靶标相互作用 (DTI)。然而，只有一小部分 DTI 经过了实验验证。此外，通过传统的生化实验来捕捉药物和靶标之间的新相互作用是一个极其费力、昂贵且耗时的过程。因此，设计用于预测潜在相互作用的计算方法来指导实验验证具有实际意义，特别是对于从头情况。在本文中，我们提出了一种新算法，即拉普拉斯正则化的 Schatten p 范数最小化 (LRSpNM)，用于预测新药物的潜在靶标蛋白和没有已知相互作用的新靶标的潜在药物。具体而言，我们首先利用药物和靶标相似性信息来动态地预填充部分未知的相互作用。然后基于相互作用矩阵低秩的假设，我们使用 Schatten p 范数最小化模型结合拉普拉斯正则化项来提高新药/新靶点案例的预测性能。最后，我们通过一种高效的交替方向乘子算法对 LRSpNM 模型进行数值求解。我们在五个数据集上评估了 LRSpNM，大量的数值实验表明 LRSpNM 比五种最先进的 DTI 预测算法具有更好、更稳健的性能。此外，我们对新药和新靶点预测进行了两个案例研究，这表明 LRSpNM 可以成功预测大多数经过实验验证的 DTI。
帕金森氏病中与运动储备有关的基质外神经节结构
摘要。背景：“汽车储备”是一个基于帕金森主义和多巴胺能变性之间差异的新兴概念。但是，尚未阐明相关的大脑结构。目的：我们研究了本研究中与帕金森氏病（PD）中运动储备相关的大脑结构。方法：招募了药物IVE，早期PD的患者，然后接受多巴胺转运蛋白（DAT）扫描和扩散张量张量成像（DTI）。通过统一的帕金森氏病评级量表得分和刚性较高的帕金森氏病评分评分，并在受影响较大的pate虫的DAT摄取量的更受影响的一侧和多巴胺能退化中评估了运动症状的严重程度。个体电机储备估计（MRE）。使用DTI和Brainnetome Atlas，与MRE相关的大脑结构被识别。结果：我们招募了193例药物PD患者（平均疾病持续时间为15.6±13.2个月），而MRE的成功率完全预测了两年后左旋多巴等效剂量的增加。在DTI分析中，
与封闭交叉注意的药物目标相互作用的可解释框架
在药物靶标相互作用的计算机预测中（DTI）对于药物发现显着，因为它可以很大程度上降低药物开发过程中的时间表和成本。特定的，基于深度学习的DTI方法在预测的准确性和低成本方面已显示出令人鼓舞的结果。但是，他们很少关注其预测结果的解释性以及药物与目标之间的特征水平相互作用。在这项研究中，我们提出了一个新颖的可解释框架，可以为交互作用提供合理的线索。为此，我们精心设计了一个封闭式的跨注意机制，该机制通过在这些特征之间构建明确的相互作用来杂交地参加药物和目标特征。该方法中的门控函数使神经模型能够专注于整个药物和蛋白质序列上的显着区域，并且该功能的副产品（即注意图）可以用作可解释的因素。实验结果显示了两个DTI数据集中提出的方法的效率。此外，我们表明，封闭式的交叉注意可以对突变有敏感的反应，并且该结果可以为鉴定靶向突变蛋白的新药物提供见解。
使用混合扩散成像对慢性创伤性脑损伤的基于机器学习的分类
创伤性脑损伤（TBI）是一种常见的疾病，具有许多潜在的急性和慢性神经系统后果（Smith等，2019），在过去的二十年中在美国造成约100万人死亡（Daugherty and Zhou，2016年）。慢性创伤性脑损伤（CTBI）的神经病理学是由创伤性损伤的直接结果和由一系列分子和细胞事件引起的继发性损伤的作用，包括细胞死亡，轴突损伤，轴突损伤，轴突损伤和影响（Anguita等人，Anguita等，202222222222222）。为了更好地了解潜在的神经病理学机制，对TBI慢性影响的信息的需求越来越不断增长（Wickwire等，2016）。神经影像学在诊断和指导适当的管理中通过检测需要干预或监测的伤害在诊断和指导适当管理方面起着至关重要的作用（Taylor和Gercel-Taylor，2014; Douglas等，2015; McKee and Daneshvar，2015年）。然而，在最轻度到中度损伤的情况下，常规T1加权成像通常是正常的（McCrory等，2009）。此外，对TBI严重程度的初步评估不一定可以预测慢性残疾的程度（美国国家科学学院，2019年）。因此，正在积极研究先进的神经影像学生物标志物，以尝试更好地诊断和监测TBI的急性和慢性影响（Hu等，2022）。差异轴突损伤被认为是TBI基础的关键病理机制，因此，它导致了高级MR技术的发展，以可视化WM完整性（Hashim等，2017）。dTI和神经突取向分散成像（NODDI）（Zhang等，2012）是先进的MR技术，在一系列临床条件下，人们认为它们可以反映白质特性（WM）的完整性。di usion张量成像（DTI）在单个微观结构室内假设高斯散析，而NODDI则使用高性能磁场梯度探测更复杂的非高斯性质（Kamiya等，Kamiya等，2020）。与DTI不同，NODDI使用七个参数来测量WM微结构的性质，包括细胞内，细胞外和自由水，而DTI在对各向同性与各向异性差异的描述中受到限制，特定的Voxel（Muller等人2021）。以前已经表明，DTI和noddi有不同的，但互补的，有关急性对慢性TBI患者的微观结构完整性的信息（Wu等，2018; Palacios等，2020; Muller等，2021）。在DTI指标中，分数各向异性（FA）的研究最多，通常用作白质“完整性”的指标。 FA是
使用生活方式和脑部病变的多模式痴呆识别，机器学习方法
痴呆症诊断通常依赖于限制访问早期筛查的昂贵和侵入性神经影像学技术。这项研究提出了一种创新的方法，用于使用可访问的生活方式和脑成像因子估算扩散张量成像（DTI）测量方法来促进早期痴呆症筛查。常规DTI分析虽然有效，但通常会受到高成本和有限的可访问性的阻碍。为了应对这一挑战，模糊的减法聚类确定了14个有影响力的变量，从生活方式中，用于脑健康，脑部萎缩和病变索引框架，包括人口统计学，医疗状况，生活方式因素和结构性脑标记。使用这些选定的变量开发了多层感知器（MLP）神经网络，以预测分数各向异性（FA），这是反映白质完整性和认知功能的DTI度量。MLP模型实现了有希望的结果，在FA预测的测试集中，平均平方误差为0.000 878，证明了其准确的DTI估计潜力，而无需昂贵的神经影像学技术。数据集中的FA值范围为0到1，较高的值表示更大的白质完整性。因此，平均平方误差为0.000 878表明与观察到的FA值相比，模型的预测高度准确。这种多因素方法与当前对痴呆症复杂病因的理解相吻合，受到各种生物学，环境和生活方式因素的影响。通过将随时可用的数据集成到预测模型中，该方法可以为早期痴呆症风险评估进行广泛的，具有成本效益的筛查。建议的无障碍筛查工具可以促进公共卫生计划中的及时干预，预防策略和有效的资源分配，最终改善患者的结果和照料者负担。
隔离器与Optocoupler Technology
任何数字隔离器的心脏是安全承受所施加的高压应力的隔离屏障。光耦合隔离屏障依赖于物理间隙的组合（即通过绝缘子或DTI的距离）；用于绝缘的聚酰亚胺胶带，硅填充物和塑料模具化合物（见图3）。这种混合方法不仅使增加的OptoCOPOPLER集成变得困难，而且增加了制造复杂性，从而增加了成本和可靠性。也就是说，许多国际标准仍基于OptoCoupler DTI指定隔离屏障要求。幸运的是，标准机构测试基于障碍物承受电压，而不管设备实施如何。请参阅本文档中的第4.0节，以进行有关绝缘材料及其对隔离性能的影响的讨论。
基于机器学习的混合扩散成像对慢性创伤性脑损伤进行分类
创伤性脑损伤 (TBI) 是一种常见疾病，具有许多潜在的急性和慢性神经系统后果（ Smith 等人，2019 年），在过去二十年中导致美国约 100 万人死亡（ Daugherty 和 Zhou，2016 年）。慢性创伤性脑损伤 (cTBI) 的神经病理学包括由创伤性损伤直接导致的原发性损伤，以及由一系列分子和细胞事件（包括细胞死亡、轴突损伤和炎症）导致的继发性损伤（ Anguita 等人，2022 年； Zhang 等人，2022 年）。为了更好地了解潜在的神经病理学机制，对 TBI 慢性影响的信息的需求日益增长（ Wickwire 等人，2016 年）。神经影像学在急性脑损伤中起着至关重要的作用，无论是在诊断还是通过检测需要干预或监测的损伤来指导适当的治疗（Taylor and Gercel-Taylor，2014；Douglas 等人，2015；Mckee and Daneshvar，2015）。然而，在大多数轻度至中度损伤的情况下，常规 T1 加权成像通常是正常的（McCrory 等人，2009）。此外，对 TBI 严重程度的初步评估并不一定能预测慢性残疾的程度（美国国家科学院，2019）。因此，正在积极研究先进的神经影像学生物标志物，试图更好地诊断和监测 TBI 的急性和慢性影响（Hu 等人，2022）。弥漫性轴突损伤被认为是 TBI 的一个关键病理机制，因此，它导致了用于可视化 WM 完整性的先进 MRI 技术的开发（ Hashim et al., 2017 ）。DTI 和神经突取向弥散成像 (NODDI)（Zhang et al., 2012 ）是先进的 MRI 技术，被认为可以反映一系列临床条件下白质 (WM) 微观结构特性的完整性。弥散张量成像 (DTI) 假设单个微观结构区室内存在高斯弥散，而 NODDI 使用高性能磁场梯度探测更复杂的非高斯特性（Kamiya et al., 2020 ）。与 DTI 不同，NODDI 使用七个参数来测量白质微结构的特性，包括细胞内水、细胞外水和自由水，而 DTI 在描述特定体素的各向同性与各向异性扩散方面受到限制（Muller 等人，2021 年）。此前已有研究表明，DTI 和 NODDI 在急性至慢性 TBI 患者的微结构完整性方面提供了不同但互补的信息（Wu 等人，2018 年；Palacios 等人，2020 年；Muller 等人，2021 年）。在 DTI 指标中，各向异性分数 (FA) 是研究最多的，通常用作白质“完整性”的指标。FA 是
使用扩散张量成像参数，用1.5T MRI扫描仪收集的扩散张量成像参数：案例研究
该研究的相关性在于需要通过利用从常规1.5 Tesla MRI扫描仪获得的扩散张量成像（DTI）来改善肌萎缩性侧索硬化症（ALS）的诊断。这项研究旨在研究使用不同机器学习（ML）分类器以区分ALS个体的潜力。In this study, five ML classifiers (“support vector machine (SVM)”, “k-nearest neighbors (K-NN)”, naïve Bayesian classifier, “decision tree”, and “decision forest”) were used, based on two DTI parameters: fractional anisotropy and apparent diffusion coefficient, obtained from two manually selected ROIs at the level of the brain pyramids in 47 ALS患者和55名健康受试者。使用混淆矩阵和ROC曲线评估每个分类器的质量。通过径向内核支持矢量方法（77％的精度[P = 0.01]）证明了基于DTI数据的ALS患者与健康个体的最高准确性，而K-NN和“决策树”分类器的性能略低，“决策林”分类器对训练的训练量过高（AUC = 1）。作者在检测锥体区域中ALS的放射学特征方面表现出足够准确的ML分类器“ SVM”。