XiaoMi-AI文件搜索系统
World File Search Systemexperiment
人类睡眠纺锤波追踪实验激发的大脑回路
摘要 纺锤波是非快速眼动 (NREM) 睡眠期间的标志性振荡。它们与慢振荡 (SO) 一起被认为在巩固学习信息方面发挥着机械作用。纺锤波的数量和空间分布与睡眠前学习期间的大脑活动以及睡眠后的记忆表现有关。如果纺锤波被吸引到通过睡前学习任务激发的皮质区域，这就引出了一个问题：纺锤波的空间分布是否灵活，以及它们的区域表达是否也可以通过实验性大脑刺激来操纵。我们使用兴奋性经颅直流电刺激 (tDCS) 在重复测量实验设计中刺激左右运动皮质。刺激后，我们在睡眠期间记录了高密度脑电图 (EEG)，以测试局部刺激如何调节睡眠纺锤波的区域表达。事实上，我们表明，睡眠前局部皮质部位的兴奋性 tDCS 会使纺锤波的表达偏向随后睡眠期间的兴奋位置。局部 tDCS 刺激对 SO 没有影响。这些结果表明睡眠纺锤波的空间拓扑结构既不是硬连线的也不是随机的，纺锤波可以灵活地指向外源刺激的皮质回路。关键词 1) 振荡，2) 睡眠纺锤波，3) 刺激
出版详情：Liu, T., Tsang, W., Xie, Y., Tian, K., Huang, F., Chen, Y., Lau, O., Feng, G., Du, J., Chu, B., Shi, T., Zhao, J., Cai, Y., Hu, X., Akinwunmi, B., Huang, J., Zhang, CJP, & Ming, W.-K. (2021). 新冠疫情前和疫情期间人工智能临床医生的偏好：离散选择实验和倾向得分匹配研究。医学互联网研究杂志，23(3)，文章 e26997。https://doi.org/10.2196/26997
1 暨南大学医学院公共卫生与预防医学系，广州，中国 2 暨南大学国际学院，广州，中国 3 南安普顿大学社会科学学院，南安普顿，英国 4 香港理工大学应用数学系，香港，香港 5 河南理工大学计算机科学与技术学院，河南，中国 6 北京师范大学（珠海）应用数学学院，珠海，中国 7 布莱根妇女医院妇产科，马萨诸塞州波士顿，美国 8 哈佛大学医学院麻省总医院基因组医学中心，马萨诸塞州波士顿，美国 9 伦敦帝国理工学院公共卫生学院流行病学与生物统计学系，伦敦，英国 10 香港大学公共卫生学院，香港，香港 * 这些作者的贡献相同
出版详情：Liu, T., Tsang, W., Huang, F., Lau, OY, Chen, Y., Sheng, J., Guo, Y., Akinwunmi, B., Zhang, C. JP., & Ming, W.-K. (2021). 中国 SARS-CoV-2 大流行期间患者对人工智能应用与临床医生在疾病诊断中的偏好：离散选择实验。《医学互联网研究杂志》，23(2)，文章 e22841。https://doi.org/10.2196/22841
背景：误诊、乱收费、排队、诊所等待时间长等是全球医疗行业长期存在的现象。这些因素可能导致患者对临床医生误诊的焦虑。然而，随着大数据在生物医学和医疗保健界的使用日益增长，人工智能 (Al) 诊断技术的性能正在提高，可以帮助避免医疗实践错误，包括在当前 COVID-19 的情况下。目的：本研究旨在在中国 COVID-19 疫情的背景下，从人工智能诊断与临床医生的不同角度可视化和衡量患者的异质偏好。我们还旨在说明离散选择实验 (DCE) 潜在类别的不同决策因素，以及人工智能技术在 SARS-CoV-2 大流行期间及未来判断和管理中的应用前景。方法：DCE 方法是本文应用的主要分析方法。我们假设了诊断方法、门诊等候时间、诊断时间、准确率、诊断后随访、诊断费用等不同维度的属性，并形成问卷。利用 DCE 问卷收集的数据，应用 Sawtooth 软件对数据集构建了广义多项逻辑 (GMNL) 模型、混合逻辑模型和潜在类别模型。此外，我们计算了变量的系数、标准误差、P 值和优势比 (OR)，并形成效用报告以呈现属性的重要性和加权百分比。结果：无论临床医生的描述如何，共有 55.8% 的受访者 (767 人中的 428 人) 选择了 AI 诊断。在 GMNL 模型中，我们发现人们最喜欢 100% 的准确率 (OR 4.548, 95% CI 4.048-5.110, P <.001)。对于潜在类别模型，最容易接受的模型由 3 个潜在类别的受访者组成。影响最大、百分比权重最高的属性是诊断的准确性（总体为 39.29%）和费用（总体为 21.69%），尤其是对诊断“准确性”属性的偏好，该属性在各个类别中保持不变。对于第 1 类和第 3 类，人们更喜欢 AI + 临床医生的方法（第 1 类：OR 1.247，95% CI 1.036-1.463，P <.001；第 3 类：OR 1.958，95% CI
确定相场模拟损伤力学参数的实验方法
摘要 3D 打印或基于材料挤压的增材制造已从一种有前途的制造技术发展成为一种成熟的方法，可以集成到众多应用中。然而，这种技术涉及大量变量，这些变量会显著影响最终结构。此外，这种依赖性阻碍了数值模型的开发，无法估算具有不同打印配置的 3D 打印组件的机械行为。因此，提出了相场方法，通过相对简单的能量平衡最小化问题来预测裂纹扩展。然而，这种计算方法需要确定特定的参数。因此，提出了一种基于拉伸试验的实验方法来机械地表征材料，并从实验结果中分析定义必要的断裂参数，包括强度和临界能量释放率。在不同配置下研究了使用可持续热塑性塑料通过材料挤压制造的无缺口和有缺口样品，以分析断裂机制，同时提出减少打印缺陷的策略。此外，还开发了一种基于相场断裂建模的开源数值预测工具，以及对基本长度尺度参数的评估。实验和数值研究的结合验证了所提出的方法，并证明了其易于在进一步的案例研究中重现。
微生物相互作用对多孔介质中地下氢存储的影响：对实验，数值和现场研究的全面综述
在可再生能源的快速发展中，能源供应的间歇性和不稳定构成了严重的挑战，并对能源存储系统施加了更高的要求。在各种储能技术中，功率到水的耦合方法（H 2）和地下H 2存储（UHS）提供了诸如扩展存储持续时间和大规模容量之类的优点，这使它对未来的发展非常有希望。然而，在UHS期间，特别是在多孔培养基中，微生物代谢过程，例如甲烷生成，乙酰发生和硫酸盐还原可能导致H 2征服和副产物的产生。这些微生物活动可能会对UHS的效率和安全性产生积极和负面影响。因此，本文对多孔培养基中UHS中微生物相互作用的实验，数值和领域进行了全面综述，旨在捕获研究进度并阐明微生物效应。首先概述了UHS的主要类型和关键的微生物代谢过程。随后，本文介绍了用于研究气体岩石岩石相互作用和界面培养物，数值研究中使用的模型和模拟器的实验方法，以及实施了内部试验的程序。此外，它分析和讨论了微生物相互作用及其对多孔媒体中UHS的积极和负面影响，重点是H 2消耗，H 2流和存储安全性。©2024作者。Elsevier B.V.的发布服务代表KEAI Communications Co. Ltd.根据这些见解，网站选择的建议，工程操作以及对UHS的现场监控以及潜在的未来研究方向。这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/ 4.0/）下的开放访问文章。
实验研究以提高...
这项研究旨在通过解决灰尘积累和温度变化的双重挑战来提高多晶硅太阳能光伏面板的效率。该研究研究了在面板的顶部表面上应用疏水石墨烯纳米涂层的影响，以防止灰尘堆积，并与顶部冷却系统结合以调节面板温度。在阳光明媚的条件下，在印度哥印拜陀的室外实验在印度哥印拜陀进行了40天。用各种配置测试了总共八个相同的光伏面板，并记录了玻璃温度，泰勒温度，输出功率，太阳辐射，环境温度和风速等性能参数。实验结果表明，与Dusty面板相比，与未涂层的，手动清洁的面板相比，石墨烯纳米涂层将面板温度降低了9.36％。与未涂层的，无冷的面板相比，单独使用纳米涂层的功率输出和效率分别提高了4.16％和3.3％。此外，与未涂层的，无冷的面板相比，纳米涂层的顶部水冷面板的产出功率提高了16.87％，效率为13.22％，功率为3.11％，效率为2.82％，与未涂层的水冷面板相比。这些结果表明，石墨烯纳米涂层和水冷却的联合应用有效地提高了光伏模块的性能和寿命，通过减少粉尘积累和调节温度。关键词：PV性能，灰尘沉积，纳米涂料，最高水冷却
大麻二酚和大麻二酚对实验性阿尔茨海默氏症淀粉样蛋白β42的脑室内给药引起的认知缺陷效应
阿尔茨海默氏病（AD）在具有认知功能的脑皮质和海马等地区引起淀粉样β（Aβ）斑块形成。除了氧化应激，神经炎症和乙酰胆碱外，AD患者的谷氨酸能途径的变性还会导致乙酰胆碱在皮质和海马中积累，从而形成AβPlaque。在此，我们研究了大麻sativa成分的大麻二酚（CBD）和大麻醇（CBG）对Aβ1-42Aβ1-42的脑室内（ICV）给药引起的AD样认知缺陷的影响。sprague dawley大鼠分为四组：i）控制，ii）阿尔茨海默氏症，iii）阿尔茨海默氏症+CBD和iv）阿尔茨海默氏症+CBG。通过ICV注射Aβ1-42，然后对CBD和CBG处理诱导了AD模型2周。进行了开放式测试，被动避免测试和莫里斯的水迷宫测试，在第15天，将大鼠斩首。从大脑中去除海马和脑皮质，并通过ELISA测量白细胞介素1β（IL-1β）的水平，肿瘤坏死因子-α（TNF-α），并通过免疫组织化学评估了Aβ1-42表达。通过开放田测试评估的参数中两组之间没有显着差异。在被动避免和莫里斯的水迷宫测试中，CBD和CBG都增强了AD损害的学习记忆功能。CBD和CBG处理成功降低了AD中TNF-α和IL-1β的水平。免疫组织化学分析显示，CBD和CBG治疗组中Aβ1-42的表达降低。CBD和CBG处理改善了Aβ1-42诱导的AD模型中的学习和记忆缺陷。 我们暗示，这些实验发现将导致对C. sativa（草药起源及其成分的天然产物）的有针对性研究的更好途径，该研究可能有可能用于AD治疗。CBD和CBG处理改善了Aβ1-42诱导的AD模型中的学习和记忆缺陷。我们暗示，这些实验发现将导致对C. sativa（草药起源及其成分的天然产物）的有针对性研究的更好途径，该研究可能有可能用于AD治疗。
线性回归模型预测实验科学专业学生人工智能的使用情况
本研究建立在技术整合在高等教育中日益重要的地位，特别是在教育环境中人工智能 (AI) 的使用。背景研究强调，教育项目中对人工智能培训的探索有限，尤其是在拉丁美洲。人工智能在教育实践中变得越来越重要，影响着包括实验科学在内的各个学科能力的发展。本研究旨在描述钦博拉索国立大学实验科学教育项目学生在人工智能、人工智能使用和数字资源方面的专业能力之间的相关性。在方法上，采用了定量方法，涉及对 459 名学生进行结构化调查。使用多元回归模型进行数据分析，以建立对人工智能使用的预测见解。开发了一个多元线性回归模型来预测这些学生的人工智能使用情况。分析显示，人工智能能力、人工智能使用和数字资源之间存在显著相关性。回归模型强调，人工智能能力和数字资源都是人工智能使用的重要预测因素。这些发现强调了发展人工智能能力和提供数字资源访问权限以加强人工智能在教育实践中有效使用的重要性。讨论了局限性和未来的研究方向。
CALIPERS：用于表型分析实验和再生研究的细胞周期感知活体成像
1. 意大利帕维亚大学合成生理学实验室 2. 意大利米兰人类科技城 3. 意大利都灵大学“Guido Tarone”分子生物技术中心 * 通讯作者：francesco.pasqualini@unipv.it；moises.disante@unipv.it 摘要 在活细胞成像中测量细胞结构和功能以及细胞周期进程一直很有挑战性，因为荧光泛素细胞周期指示剂 (FUCCI) 和大多数表型传感器都使用绿色 (GFP) 和红色 (RFP) 荧光蛋白。我们介绍了 CALIPERS，一种用于表型分析实验和再生研究的细胞周期感知活细胞成像方法。CALIPERS 使用一种名为 FUCCIplex 的定制 FUCCI 传感器，该传感器与基于 GFP 和 RFP 的传感器进行光谱多路复用。为了证明 CALIPERS 的广泛应用范围，我们用上皮和人类诱导性多能干细胞多色报告基因系在增殖、迁移、心脏药物检测和再生医学研究中对其进行了验证。正文组学和成像技术的融合为基础科学 1,2 、药物检测 3 和再生医学 4 中的细胞表型的高级评估提供了动力。此外，参考人类诱导性多能干细胞 (hiPSC) 和多谱系分化的强大协议（例如心肌细胞、hiPSC-CM）增强了可重复性 5 ，并将表型分析工作扩展到类器官 6,7 和器官芯片 8,9。然而，细胞周期 (CC) 可能会混淆这些研究，因为随着细胞在分裂后生长（G1 期）、复制其 DNA（S）、在随后的分裂前生长（G2）或分裂（M）10 ，基因表达、形态和行为会发生变化。这在分子表型分析中得到了很好的解决，因为由于同时测量许多 CC 基因/蛋白质 11 ，大多数组学研究都具有 CC 感知能力。然而，基于成像的 CC 感知表型分析具有挑战性。通过对 G1/S/G2/M 标记物进行特定染色，可以使化学固定样品的结构表型分析具有 CC 感知能力 12 。然而，功能表型分析只有通过活细胞成像 13,14 才有可能，目前很难使用标准荧光显微镜同时评估 CC 以及细胞结构和功能。事实上，绿色和红色荧光蛋白 (GFP、RFP) 为荧光泛素细胞周期指标 (FUCCI) 10 和大多数表型传感器 15 提供动力。在这里，我们引入了一个可复用的 FUCCI 传感器 FUCCIplex，并展示了 CC 感知实时成像，用于人类上皮细胞（HaCaT，图 1）和 hiPSC（图 2）中的表型分析实验和再生研究（CALIPERS）。为了创建 FUCCIplex，我们将 fastFUCCI 传感器 16 中的 GFP 和 RFP 替换为 miRFP670（iRFP）和 mTurquoise2（CFP）。因此，FUCCIplex 细胞的细胞核在 G1 中包含 CFP，在 G1-S 过渡期包含 CPF 和 iRFP，在 S/G2/M 期仅包含 iRFP（图 1a）。为了展示 CALIPERS，我们在 HaCaT 细胞中共表达了 FUCCIplex 和肌动蛋白结合肽 RFP-LifeAct 17，并使用 40 小时以上的活细胞荧光成像来追踪细胞在每个 CC 期所花费的时间（图 1b 和补充视频 1 和 2）。我们证实 HaCaT 细胞约 40% 的时间处于 G1 期，其余时间处于 S/G2/M 期，这与使用 FUCCIplex 或 DNA 标记在静态图像和流式细胞术实验中测得的 CC 期占有率一致（图 1c-d 和扩展图 1）。此外，我们开发了一个开源插件，可将 CFP 和 iRFP 强度转换为 FUCCIphase 信号，该信号可追踪 CC 完成百分比并实现 CC 感知的形态和运动分析（图 1e、补充视频 3 和扩展图 2）。