XiaoMi-AI文件搜索系统
World File Search Systemmodalities
复发/难治性 AML 缓解-再诱导治疗方式——现有证据的回顾
讨论：我们在这篇当代综述中讨论了目前为实现这一目标而采用的各种治疗方式。除了其他几种药物外，我们还回顾了传统的细胞毒性化疗药物，例如阿糖胞苷、氟达拉滨和柔红霉素，重点介绍了抢救环境中常用的治疗方案，例如 HiDAC、FLA/FLAG、MEC 和 GCLAC 等。然后，我们将注意力转向在特定患者群体中显示出希望的较新的靶向疗法，例如 IDH 抑制剂 ivosidenib 和 enasidenib，以及 FLT3 抑制剂，例如 gilteritinib 和 quizartinib。我们还讨论了在 R/R AML 环境中研究过的几种其他靶向药物，其中一些药物主要用于完全不同的疾病。最后，我们将注意力转向了 R/R 环境中使用的几种免疫治疗药物、CD33 抑制剂和新型双特异性抗体。
项目标题：生物学样本中新的第二次谐波生成方式，以分离胶原蛋白和肌球蛋白
肌球蛋白移动真核生物的肌肉，是一种微小的分子运动[1]。它通过消耗三磷酸腺苷（ATP）来产生力并进行机械工作。作为线性电动机，它可以通过活细胞内的细胞骨架的轨道样肌动蛋白丝或微管进行运动。以这种方式，亚细胞结构，以及较大的单位（例如细胞或生物）可以以定向方式移动[1，2]。使用基因工程方法，已经有可能产生向后移动的肌球蛋白纳米运动[3]。X射线结构分析和动力学研究等方法进一步阐明了具有技术兴趣的运动蛋白的有序纳米结构的自我组织。对于分子医学，了解分子线性运动和组织中稳定结构之间的结构关系也很重要。骨骼肌由伸长的纤维细胞和肌纤维沿整个长度平行排列[1]组成。肌原纤维包含纵向肉瘤，其肌动蛋白肌膜的高阶和肌球蛋白蛋白具有收缩。骨骼肌的众所周知的横向条纹是由于肌纤维在肌肉纤维中的平行排列而产生的（图1）。几种肌肉纤维沿相同方向捆绑在一起。这些由细胞外基质的结构蛋白（尤其是胶原蛋白纤维）组织。从胶原蛋白家族的大而异构的群体中，发现大部分是纤维状胶原蛋白。但是这种变化可能具有很大的潜力。由于非中心对称结构，胶原蛋白和肌球蛋白的特异性显微成像是可能的[4,5,6,7,8]。使用聚焦激光辐射的超短脉冲会导致瞬态高功率密度和二阶频率加倍（第二次谐波产生，SHG）[7，8]。通过在近红外范围内使用激发波长，第二个谐波渗透到组织中，肌肉组织可以在三个维度中无损地映射（图2）。SHG极化法可用于区分肌球蛋白和胶原蛋白，并进一步胶原蛋白纤维的方向[7，8，9]。可以通过对向后信号进行评估来获得进一步的对比信息。到目前为止，几乎没有任何方法可以调节SHG生成波长以区分肌球蛋白和胶原蛋白纤维[8，9]。但是，一些矛盾的结果要求通过评估光谱信息进行多模式研究。到目前为止，在生物样品中的第二次谐波中，尚未证明完全kleinman对称性的假设和SHG效率的单调降低。相反，最近的研究表明了一种复杂的行为，更明显地使用向后信号而不是前向信号[8，9]。
主题 4：加强欧洲先进治疗药物 (ATMP) 和其他罕见病创新治疗方式的生态系统
（从头和/或现有实验室/机构）在特定类型的 ATMP 或其他创新治疗模式中进行研究，以促进转化研究。这涵盖了与未来治疗遗传性疾病相关的治疗方法。科学和技术中心有望提供访问和推进可转化、质量控制的技术。这些中心应开发技术和共享数据，并提供机会定义 ATMP 的主要特征和对后期开发至关重要的质量标准。相关的治疗方式包括重组腺相关病毒 (rAAV) 和创新治疗方式，例如信使 RNA (mRNA) 和纳米颗粒 (NPs)。感兴趣的技术领域包括靶向递送、稳定性、转基因表达、先进的重复给药技术方法/降低基因递送平台的免疫原性，以及与特定治疗方式相关的其他基础生物学，从而加速转化为临床开发和制造。
smu-net：样式匹配脑瘤分割的u-net缺失模态
神经胶质瘤是原发性脑肿瘤最普遍的类型之一，占所有病例的30％以上，它们是从神经胶质茎或祖细胞中发育的。从理论上讲，大多数脑肿瘤可以完全通过使用磁共振成像（MRI）来识别。每种MRI模态都提供有关人脑软组织的不同信息，并整合所有MRI的信息将提供全面的数据，以准确分割神经胶质瘤，这对于患者的预后，诊断和确定最佳后续治疗至关重要。不幸的是，由于多种原因，MRI容易出现工件，这可能导致缺少一种或多种MRI方式。多年来，已经提出了各种策略，以综合缺失的方式或补偿其对自动分割模型的影响。但是，这些方法通常无法对基础丢失的信息进行建模。在本文中，我们为MRI图像上的脑肿瘤分割提供了一种匹配的U-NET（SMU-NET）。我们的共同训练方法利用内容和样式匹配机制将信息从全模式网络提炼为缺失的模态网络。为此，我们将全模式和缺失模式数据编码为潜在空间，然后将表示空间分解为样式和内容表示形式。我们的样式匹配模块通过学习匹配函数以将信息和纹理特征从全模式路径传输到缺失模式路径，从而自适应地重新校准表示空间。此外，通过对互信息进行建模，我们的内容模式超过了信息较少的特征，并根据歧视性语义特征重新校准表示空间。BRATS 2018数据集的评估过程显示了所提出的方法在缺失模态方案上的重要性。关键字：缺失方式，脑肿瘤，内容式匹配，分割。
胆道癌临床治疗方法现状
根据胆道癌的上皮来源部位，胆道癌 (BTC) 包括肝内胆管癌 (iCCA)、肝门部和远端胆管癌 (pCCA 和 dCCA) 以及胆囊癌。BTC 是高度侵袭性的肿瘤，由于转移广泛和复发率高，预后不良。手术是典型的治愈性治疗方法，但治愈的基础取决于原发肿瘤的解剖位置，只有少数患者（约 30%）有需要手术的指征。同样，只有一小部分经过精心挑选的早期 iCCA 患者不适合肝切除术，才可以选择肝移植。化疗、靶向治疗和免疫治疗是晚期或无法切除疾病患者的主要治疗选择。基于全基因外显子组和转录组测序，已经准确描述了每种胆管癌亚型的遗传背景。因此，精准医疗在靶向治疗中被确定为针对具有独特分子改变的不同患者亚群。免疫疗法，例如免疫检查点抑制剂 (ICI)，被确定为少数特定患者的抗肿瘤反应。目前的研究表明，过继细胞疗法的免疫疗法代表了血液和实体肿瘤恶性肿瘤的一种有前途的方法，但需要临床试验来验证其在 BTC 中的有效性。在此，我们回顾了 BTC 治疗的进展，根据胆管癌的解剖亚型和胆管癌进展的基因驱动因素对患者进行分层，并比较了化疗、靶向治疗和免疫治疗的疗效和安全性，这将有助于设计个性化治疗。
SMU-Net：用于缺失模态的脑肿瘤分割的风格匹配 U-Net
胶质瘤是最常见的原发性脑肿瘤类型之一，占所有病例的 30% 以上，它们由胶质干细胞或祖细胞发展而来。理论上，大多数脑肿瘤可以通过使用磁共振成像 (MRI) 来识别。每种 MRI 模态都会提供有关人脑软组织的不同信息，整合所有这些信息将为胶质瘤的准确分割提供全面的数据，这对于患者的预后、诊断和确定最佳后续治疗至关重要。不幸的是，由于各种原因，MRI 容易出现伪影，这可能导致一个或多个 MRI 模态缺失。多年来，已经提出了各种策略来合成缺失的模态或补偿其对自动分割模型的影响。然而，这些方法通常无法模拟潜在的缺失信息。在本文中，我们提出了一种风格匹配 U-Net (SMU-Net) 用于 MRI 图像上的脑肿瘤分割。我们的联合训练方法利用内容和风格匹配机制将全模态网络中的信息特征提取到缺失模态网络中。为此，我们将全模态和缺失模态数据编码到潜在空间中，然后将表征空间分解为风格和内容表征。我们的风格匹配模块通过学习匹配函数将信息和纹理特征从全模态路径转移到缺失模态路径，自适应地重新校准表征空间。此外，通过对互信息进行建模，我们的内容模块超越了信息量较少的特征，并根据判别性语义特征重新校准了表征空间。BraTS 2018 数据集上的评估过程显示了所提出方法在缺失模态场景中的重要性。关键词：缺失模态、脑瘤、内容风格匹配、分割。
药物发现和开发中的新治疗方式：见解和机遇
抗体、抗体-药物偶联物、融合蛋白、神经毒素、肽、聚合物、小干扰 RNA、疫苗等正在进入市场。此外，所谓的“超越五化合物规则”（bRo5）的引入表明，即使对于一些要求苛刻的靶标，也可以设计和优化较大的化合物（MW >> 500），以具有足够的 ADMET 特征并产生具有所需体内效果的生物利用度。虽然尚未报道设计口服生物可利用 bRo5 候选药物的一般策略，但构象灵活性已被确定为描述大型柔性衍生物的 ADME 特征的重要参数。例如，最近有研究表明，灵活性描述符有助于改善 bRo5 化合物的计算溶解度预测 [8]。此外，许多 bRo5 化合物似乎具有内在的潜力，可以构象调整以适应周围介质并表现得像分子变色龙。例如，已经分析了以环境依赖性方式形成的分子内氢键，以解释一些新治疗方式的被动渗透技巧[9,10]。
Larry E. Jennings，Jr。
认知能力的差异源于潜在神经结构的细微差异。从大脑网络中的差异中理解和预测认知中的个体变异性需要利用不同的神经影像模式捕获的独特差异。在这里，我们采用了一种多级机器学习方法，结合了人类连接组项目（n = 1050）的扩散，功能和结构性MRI数据，以提供各种认知能力的单一预测模型：全球认知功能，流畅的智力，结晶智力，脉冲，脉冲，脉冲，脉冲，空间方向性，言语上的记忆和持续性记忆和持续性记忆。对每个认知评分的样本外预测首先是使用单个神经成像方式上的稀疏性主体成分回归产生的。然后将这些个体预测汇总并提交给套索估计器，该估计量消除了跨通道的冗余可变性。相对于最佳的单一模态预示，这项堆叠的词典导致了准确性的显着提高（在解释的方差中约为1％至超过3％的提升），这是大多数测试的认知能力。进一步的分析发现，扩散和脑表面证券对预测能力的贡献最大。我们的发现建立了一个下限，以使用多种神经影像学测量来预测认知的个体差异，包括结构和功能，量化不同成像模态的相对预测能力，并揭示每种方式如何提供有关认知功能中个人差异的独特和表达信息。
标题跨架构和记录模式的神经解码的深度学习方法。
直接从神经信号解码行为、感知或认知状态对于脑机接口研究至关重要，也是系统神经科学的重要工具。在过去十年中，深度学习已成为从语音识别到图像分割等许多机器学习任务的最新方法。深度网络在其他领域的成功引发了神经科学领域新一轮的应用浪潮。在本文中，我们回顾了深度学习的神经解码方法。我们描述了用于从从脉冲到 fMRI 的神经记录模式中提取有用特征的架构。此外，我们探索了如何利用深度学习来预测包括运动、语音和视觉在内的常见输出，重点是如何将预训练的深度网络作为复杂解码目标（如声学语音或图像）的先验。深度学习已被证明是一种有用的工具，可用于提高广泛任务中神经解码的准确性和灵活性，我们指出了未来科学发展的领域。
深度学习方法用于跨体系结构和记录方式∗
直接来自神经信号的解码行为，感知或认知状态对于脑部计算机界面研究和系统神经科学的导入工具至关重要。在过去的十年中，深度学习已成为许多机器学习任务的最新方法，从语音识别到图像。深层网络在其他领域的成功导致了神经科学中的新应用。在本文中，我们回顾了神经解码的深度学习方法。我们描述了用于从峰值到fMRI的神经记录方式中提取有用特征的架构。此外，我们还介绍了如何利用深度学习来预测包括运动，言语和视觉的共同产量，重点是如何将预告片的深网纳入诸如声音或图像之类的复杂解码目标的先验。深度学习已被证明是提高各种任务中神经解码的准确性和灵活性的有用工具，我们指出了未来科学发展的领域。