XiaoMi-AI文件搜索系统
World File Search Systemencoding
deltarex-g，针对CCNG1抑制剂的肿瘤靶向逆转录子，用于CAR-T细胞疗法诱导细胞因子释放综合征
细胞因子释放综合征是嵌合抗原受体-T细胞疗法的严重并发症，并且是通过嵌合T细胞过度分泌炎性细胞因子而触发的，这可能是致命的。在调查了整理细胞因子释放综合征的分子机制之后，我们假设Deltarex-G是一种靶向肿瘤的逆转录子编码胞质CCNG1抑制剂基因的肿瘤，可能是皮质类固醇耐药的细胞因子释放综合征的可行治疗方法。Deltarex-G获得了美国食品和药物管理局紧急使用授权，以治疗COVID-19引起的急性呼吸窘迫综合征，这是由于过度活化的免疫细胞。短暂的deltarex-G给药会抑制一定比例的多动性嵌合T细胞，从而减少细胞因子释放，同时保持嵌合T细胞效率。
使用视听刺激的脑电图编码模型与单峰脑电图编码模型的比较
现实世界中的交流本质上是多模态的。在交谈时，视力正常和听力正常的人们通常使用听觉和视觉线索来理解对方。例如，物体在空间中移动时可能会发出声音，或者我们可以使用一个人的嘴巴运动来更好地理解他们在嘈杂的环境中所说的话。尽管如此，许多神经科学实验仍依赖单模态刺激来了解大脑中感官特征的编码。因此，在自然环境中，视觉信息对听觉信息编码的影响程度以及反之亦然尚不清楚。在这里，我们通过记录 11 名受试者在视听 (AV)、仅视觉 (V) 和仅音频 (A) 条件下收听和观看电影预告片时的头皮脑电图 (EEG) 来解决这个问题。然后，我们拟合线性编码模型，描述大脑反应与刺激中的声学、语音和视觉信息之间的关系。我们还比较了当刺激以原始 AV 格式呈现时和当删除视觉或听觉信息时，听觉和视觉特征调谐是否相同。在这些刺激中，视觉和听觉信息相对不相关，包括场景中的口头叙述以及动画或真人角色在有脸和无脸的情况下说话。对于这种刺激，我们发现在 AV 和仅 A 条件下听觉特征调谐相似，同样，当呈现刺激时有音频（AV）和删除音频（仅 V）时视觉信息的调谐也相似。在交叉预测分析中，我们调查了在 AV 数据上训练的模型是否能与在单峰数据上训练的模型类似地预测对 A 或 V 测试数据的响应。总体而言，使用 AV 训练和 V 测试集的预测性能与使用 V 训练和 V 测试集的预测性能相似，这表明听觉信息对 EEG 的影响相对较小。相比之下，使用 AV 训练和仅 A 测试集的预测性能略差于使用匹配的仅 A 训练和仅 A 测试集。这表明视觉信息对 EEG 的影响更大，尽管这在衍生特征调整中没有质的差异。实际上，我们的结果表明研究人员可能会受益于多模态数据集的丰富性，然后可以使用这些数据集来回答多个研究问题。
使用费米子到量子比特编码的线性光学量子电路模拟
量子模拟模仿一个量子系统与另一个人工组织的量子系统（即量子模拟器）的演化[1]。具有量子比特的数字量子模拟器可以对由各种粒子（如自旋、费米子和玻色子）组成的任意量子系统进行精确或近似编码，具体取决于粒子的性质。量子比特可以通过多种物理系统实现，如捕获离子[2,3]、核磁共振（NMR）[4,5]、超导电路[6,7]、量子点[8]和光子[9]。因此，无论模拟器的物理性质如何，我们都可以使用适当的量子比特编码协议用数字量子模拟器模拟任何量子系统。在各种多粒子量子系统中，玻色子系统被认为从数字量子模拟中受益匪浅。 Knill、Laflamme 和 Milburn (KLM) 证明后选择线性光学能够进行通用量子计算 [10]。此外，Aaronson 和 Arkhipov [11] 提出的玻色子采样也是证明量子器件计算优越性的有力候选者。玻色子采样问题被认为属于经典的难采样问题。受非相互作用玻色子系统计算能力的启发，提出了几种玻色子到量子比特编码 (B2QE) 协议，以使用数字量子计算机模拟玻色子问题 [12-18]。大多数研究直接使用 Fock 态的一元或二元量子比特表示作为量子比特编码协议，将玻色子产生和湮灭算子离散化。参考文献 [15] 提出了一种用于线性和非线性光学元件的数字量子模拟方法。参考文献[ 17 ] 基于文献 [ 19 ] 开发的玻色子-量子比特映射，使用 IBM Quantum 模拟了束分裂和压缩算子。所需资源（例如量子比特和门的数量）因编码协议而异。文献 [ 18 ] 比较了不同编码协议之间的资源效率。在本文中，我们结合 Shchesnovich [ 20 ] 分析的玻色子-费米子对应关系和费米子到量子比特编码 (F2QE) 协议 [ 21 , 22 ]，提出了一种替代的多玻色子数字模拟方法。具体而言，我们的协议将玻色子态转换为具有内部自由度的费米子态，然后通过 F2QE 协议（Jordan-Wigner (JW) 变换）将其转换为量子比特态。在我们的模拟模型中，具有 M 个 N 量子比特束的量子电路可以模拟 M 模式下 N 个玻色子的数量守恒散射过程。我们的协议总结如图 1 所示。我们的协议最显著的优势是，它可以使用量子比特数的直接扩展来有效地模拟非理想的部分可区分玻色子，即具有内部自由度的玻色子。作为概念证明，我们使用我们的协议生成了 Hong-Ou-Mandel (HOM) 倾角 [ 23 ]。HOM 效应在光量子系统中非常重要，它为线性光量子计算系统中的逻辑门提供基本资源。参考文献 [ 24 ] 讨论了 HOM 效应与基于量子比特的 SWAP 测试之间的正式联系。为了模拟 HOM 倾角，我们需要一种方法来为光子添加内部自由度。在我们的例子中，通过将量子比特数增加两倍就可以轻松实现，这表明我们的协议适合模拟部分可区分的玻色子。我们使用 IBM Quantum 和 IonQ 云服务验证了电路的有效性。本文结构如下：第 2 部分介绍我们的数字玻色子模拟协议。在回顾了玻色子-费米子变换协议之后，我们展示了如何将此变换与 JW 变换相结合进行数字玻色子模拟。在第 3 部分中，我们将模型应用于 HOM 倾角实验。我们用一个八量子比特电路模拟双光子部分区分性。最后，第 4 部分总结我们目前的工作并讨论其未来可能的扩展。
神经振荡表明在过早的大脑中听觉节拍处理期间进行周期性编码
图1相位振幅耦合分析。（a）在收听duple/triple节奏（顶部）时，脑电图（底部）的频谱。（b）最高数字在2-30 Hz的频率范围内呈现了六个基础序列过程中的功率调制。底部图显示了3 Hz窄带滤波后的频率范围7-12 Hz（基线校正）的平均功率波动，以更好地可视化。（c）PAC强度（左）强度的地形分布以及耦合的首选阶段（右;绿色代表Alpha功率阶段引导刺激阶段）在频率范围7-12 Hz中与BEAT（由模拟的3 Hz正弦曲线建模的频率范围7-12 Hz）的功率平均。点代表簇，其中PAC与替代数据相比具有重要意义。
电动图像EEG信号编码的多视图CNN
目的：卷积神经网络（CNN）最近在解码脑脑成像（MI）脑部计算机界面（BCI）的脑电图（EEG）信号方面引起了很多注意，该信号设计用于改善中风康复策略。然而，脑电图信号的极其非线性，非平稳性质和各个受试者之间的多样性导致CNN模型过度拟合并限制其学习能力。在这项研究中，提出了具有多视图输入的密集连接的卷积网络。方法：首先，通过应用于脑电图信号的带通滤波器的CNN模型输入，从原始EEG信号中产生了不同的数据子集，以基于脑节律生成多个频率子频段信号。然后，分别基于整个频段和滤波器频段信号捕获时间和空间特征。此外，使用多CNN层的两个密集块，它们将每一层连接到馈送路径中的其他层，用于增强模型学习能力并增强信息传播。最后，使用一种串联融合方法来整合提取的特征和完全连接的层来最终化分类。结果：所提出的方法在韩国公立大学EEG数据集上达到了75.16％的平均准确性，该数据集由54个健康受试者组成，用于两级运动成像任务，高于其他最先进的深度学习方法。结论：提出的方法有效地从BCI系统中的EEG信号中提取了更丰富的运动图像信息，并提高了分类精度。
PE（刺茄子）编码一种细胞分裂素......
茄子是世界上最重要的蔬菜之一，有些品种有刺。这些刺出现在叶子、茎和果萼上，在栽培、收获和运输过程中带来挑战，使其成为一种不受欢迎的农艺性状。然而，人们对茄子刺形态发生的遗传机制仍知之甚少，这阻碍了遗传改良。在本研究中，遗传分析表明，刺形态发生由一个显性核基因控制，称为 PE（带刺茄子）。随后的批量分离子 RNA 测序 (BSR-seq) 和连锁分析初步将 PE 定位至 6 号染色体。然后该基因座被精细定位至 1109 株植物分离种群中 9233 bp 的间隔，仅含有一个候选基因 SmLOG1，它编码一种 LONELY GUY (LOG) 家族细胞分裂素生物合成酶。通过转录组和 qRT-PCR 进行的表达分析表明，SmLOG1 主要在未成熟的刺中表达。针对刺亲本系“PI 381159”中的 SmLOG1 进行的 CRISPR-Cas9 敲除实验消除了所有组织中的刺，证实了其在刺形态发生中的关键作用。SmLOG1 的序列分析仅在非编码区内精确定位了变异。我们从位于 SmLOG1 启动子内 − 735-bp 处的一个独特 SNP 开发了一个切割扩增多态性序列 (CAPS) 标记，发现与 190 个茄子种质中的刺变异有显著关联。这些发现增强了我们对控制茄子刺发育的分子机制的理解，并促进了使用标记辅助选择 (MAS) 培育无刺品种。
多模态刺激的多模态大脑编码模型
图 3：整个大脑和语言（AG、PTL 和 IFG）、视觉（EVC、SV 和 MT）和听觉皮层（AC）的多个 ROI 中的多模态和个体模态特征的视频和音频模态的平均归一化大脑对齐。误差线表示参与者平均值的标准误差。∗ 表示多模态嵌入明显优于单模态视频模型（VM）的情况，即 p ≤ 0.05。∧ 表示多模态嵌入明显优于单模态语音模型（SM）的情况，即 p ≤ 0.05。3
通过分离行为相关的神经信号揭示运动皮层中意想不到的复杂编码但简单的解码机制
摘要 在运动皮层中，行为相关的神经反应与不相关的信号纠缠在一起，这给编码和解码机制的研究带来了复杂性。目前尚不清楚行为无关信号是否可能隐藏一些关键真相。一种解决方案是在单神经元和单次试验水平上准确分离行为相关和不相关信号，但由于行为相关信号的实际情况未知，这种方法仍然难以实现。因此，我们提出了一个框架来定义、提取和验证行为相关信号。通过分析三只执行不同伸手任务的猴子的分离信号，我们发现以前被认为包含很少信息的神经反应实际上以复杂的非线性方式编码了丰富的行为信息。这些反应对于神经元冗余至关重要，并揭示了运动行为占据了比以前预期更高维的神经空间。令人惊讶的是，当结合经常被忽略的神经维度时，行为相关信号可以线性解码，其性能与非线性解码相当，这表明线性读出可以在运动皮层中进行。我们的研究结果表明，分离行为相关信号可能有助于发现更多隐藏的皮层机制。
怀孕期间暴露于双语或单语产妇的演讲会影响新生儿的语音的神经生理编码
然而，产前时期并非没有语言经验，研究了其对新生儿言语和语言编码能力的影响正在受到越来越多的关注。听力变得功能性，并在妊娠的第26至28周左右经历了大部分发育，从而使胎儿能够感知孕产妇的语音信号（Ruben，1995; Moore and Linthicum，2007; Granier-Deferre等，2011; May et al。，2011; Anbuhl et al。，2016年）。尽管尚未完全了解到达胎儿的声学信号的确切特征，但动物模型的宫内记录和模拟表明，母体子宫作为低通滤波器的作用，在600-1,000 Hz的频率上减弱了约30 dB（Gerhardt和Abrams和Abrams，2000年）。通过子宫传播的语音的低频组成部分包括音高，节奏的缓慢方面和一些语音信息（Moon and Fifer，2000； May等，2011）。Evidence indicates that prenatal exposure to speech, despite attenuated by the filtering properties of the womb, shapes speech perception and linguistic preferences of newborns, as shown by studies revealing that neonates can recognize a story heard frequently in utero ( DeCasper and Spence, 1986 ), prefer the voice of their mother ( DeCasper and Fifer, 1980 ) and prefer their native language ( Moon et al., 1993 ).此外，产前学习超出了这些共同的偏好。最近的发现表明，婴儿获得了韵律的特定知识
在神经种群中共同有效编码和解码
有效的编码方法提出，神经系统代表与生物学约束所允许的一样多的感官信息。它旨在将编码形式化为有限的最佳过程。旨在正式化解码的一种不同的方法，提出神经系统实例化了感官世界的生成模型。在这里，我们提出了一个规范性框架，该框架将神经系统表征为共同优化编码和解码。它采用变分自动编码器的形式：感觉刺激是在柔性解码器解释的神经元的嘈杂活性中编码的；编码必须允许通过神经活动进行准确的刺激重建。共同需要神经活动来表示被解码器映射到感官刺激分布的潜在特征的统计。解码相应地优化了生成模型的准确性。该框架在编码模型的家族中产生，从而导致同样准确的生成模型，这是通过刺激引起的神经活动偏离神经活性的边际分布的偏差的索引。该家族的每个成员都预测了感觉神经元的性质之间的特定关系，例如调音曲线平均值（首选刺激）和种群中宽度（选择性程度）的布置，这是感官世界统计数据的函数。我们的方法因此概括了有效的编码方法。值得注意的是，在这里，优化的约束形式源自准确的生成模型的要求，而在有效的编码模型中它是任意的。此外，解决方案不需要刺激分布的知识，而是根据数据样本学习的；该约束进一步充当正规器，使模型可以超出培训数据。最后，我们表征了通过替代性能度量获得的模型家族，例如刺激重建中的误差。我们发现一系列模型可以接受可比的性能。特别是，具有广泛调整曲线的感觉神经元的群体在实验上均产生低重建刺激误差和准确的生成模型，该模型可以强大地概括地看不见数据。