XiaoMi-AI文件搜索系统
World File Search Systemkyoto
依他普兰诱导的肠道微生物群和鞘脂代谢的转移与Wistar-Kyoto大鼠的抑郁行为的关联
微生物群 - 脑轴在神经精神疾病中起关键作用，尤其是在抑郁症中。依西妥位（ESC）是第一线抗抑郁药，但是，其在抑郁症治疗中对微生物群轴轴的调节机制尚不清楚。使用Wistar-Kyoto（WKY）大鼠的强制游泳测试评估了ESC的抗抑郁作用，而肠道和大脑区域的损伤是通过H＆E染色和免疫组织化学评估的。通过肠道菌群的16S rRNA测序，血清未靶向的代谢组学和海马蛋白质组学研究了具有抑郁行为的WKY大鼠的治疗机制。结果表明，ESC干预改善了抑郁样的行为，这可以通过WKY大鼠的游泳时间增加，还恢复了肠道渗透性和脑组织完整性。肠道菌群组成的显着变化，尤其是细菌型果胶的增加，以及血清鞘脂代谢物（鞘氨酸1-磷酸盐，鞘氨醇，鞘氨酸-1-磷酸盐）和海马蛋白（Sptlc1，Enpp5，Enpp5，Enpp5，eNPPE2），是ENPPP2，是ENPPP2，是ENPPE2，是ENPPE2，是ENPP2，是ENPEP2，是ENPP2，是ENPP2，是ENPP2，是ENPP2，是ENPP2，是ENPP2，是ENPP2，是ENPP2）这些可靠的相关性表明，ESC可以通过通过肠道微生物群的影响来调节鞘脂代谢来发挥其抗抑郁作用。因此，这项研究阐明了ESC抗抑郁药的效率的基础，并突出了微生物群 - 脑轴轴心在介导这些作用中的关键重要性。
肾小球病理学发现的分类 UP LEARNING 和肾病专家 - AI 集体 ENGROCTIVE 方法 Eiichiro Uchino #A,B Yugami C , Sachiko Minamiguchi f , Hironi Haga f , Motoko Yanagita B,g , Yasushi Ono D,HA) 京都大学医学院医学智能系统系，日本京都 B) 日本京都肾脏病学系，日本京都，京都，京都，京都，京都，京都，京都，日本 D) 京都大学医学院生物医学数据智能系，日本京都 E) 京都大学医院医学信息学和管理规划部，日本京都 F) 京都大学医学院诊断病理学系，日本京都 H) Rise，药物开发数据智能平台小组，日本横滨 # 这些作者贡献者对这项工作做出贡献。 Running title: Glomeruli classification by deep learning Keywords: renal pathology, artificial intelligence, deep learning, collective intelligence Corresponding authors: Yasushi Okuno, Department of Biomedical Data Intelligence, Kyoto University, 53 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 881, FAX: +81-75-751-4881, E-mail: okuno.yasushi.4c@kyoto-u.ac.jp and Motoko Yanagita, Department of Nephrology, Graduate School of Medicine, Kyoto University, 54 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 606-8507, Japan Phone: +81-75-751-3860, FAX: +81-75-751-3859, E-mail: motoy@kuhp.kyoto-u.ac.jp Abstract Background Automated classification of glomerular pathological findings is potentially beneficial in establishing an efficient and objective diagnosis in renal pathology.虽然先前的研究已经验证了用于对整体硬化和肾小球细胞增殖进行分类的人工智能（AI）模型，但诊断还需要其他一些肾小球病理学发现。这些人工智能模型与临床医生之间的合作是否能提高诊断性能还不得而知。在这里，我们开发了人工智能模型来对肾小球图像进行分类，以获得病理诊断所需的主要发现，并研究这些模型是否可以提高肾病科医生的诊断能力。方法
肾小球病理学发现的分类 UP LEARNING 和肾病专家 - AI 集体 ENGROCTIVE 方法 Eiichiro Uchino #A,B Yugami C , Sachiko Minamiguchi f , Hironi Haga f , Motoko Yanagita B,g , Yasushi Ono D,HA) 京都大学医学院医学智能系统系，日本京都 B) 日本京都肾脏病学系，日本京都，京都，京都，京都，京都，京都，京都，日本 D) 京都大学医学院生物医学数据智能系，日本京都 E) 京都大学医院医学信息学和管理规划部，日本京都 F) 京都大学医学院诊断病理学系，日本京都 H) Rise，药物开发数据智能平台小组，日本横滨 # 这些作者贡献者对这项工作做出贡献。 Running title: Glomeruli classification by deep learning Keywords: renal pathology, artificial intelligence, deep learning, collective intelligence Corresponding authors: Yasushi Okuno, Department of Biomedical Data Intelligence, Kyoto University, 53 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 881, FAX: +81-75-751-4881, E-mail: okuno.yasushi.4c@kyoto-u.ac.jp and Motoko Yanagita, Department of Nephrology, Graduate School of Medicine, Kyoto University, 54 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 606-8507, Japan Phone: +81-75-751-3860, FAX: +81-75-751-3859, E-mail: motoy@kuhp.kyoto-u.ac.jp Abstract Background Automated classification of glomerular pathological findings is potentially beneficial in establishing an efficient and objective diagnosis in renal pathology.虽然先前的研究已经验证了用于对整体硬化和肾小球细胞增殖进行分类的人工智能（AI）模型，但诊断还需要其他一些肾小球病理学发现。这些人工智能模型与临床医生之间的合作是否能提高诊断性能还不得而知。在这里，我们开发了人工智能模型来对肾小球图像进行分类，以获得病理诊断所需的主要发现，并研究这些模型是否可以提高肾病科医生的诊断能力。方法