XiaoMi-AI文件搜索系统
World File Search Systemneural
基于基因表达的表型预测深神经网络的生物学解释
摘要背景：使用预测基因标志来协助临床决策变得越来越重要。深度学习在基因表达谱的表型预测中具有巨大的潜力。但是，神经网络被视为黑匣子，在没有任何解释的情况下，提供了准确的预测。这些模型变得可解释的要求正在增加，尤其是在医学领域。结果：我们专注于解释由基因表达数据构建的深神经网络模型的预测。影响预测的最重要的神经元和基因被鉴定出来并与生物学知识有关。我们对CAN-CER预测的实验表明：（1）深度学习方法优于大型训练集的经典机器学习方法； （2）我们的方法产生的解释与生物学比最先进的方法更连贯； （3）我们可以对生物学家和医生的预测提供全面的解释。结论：我们提出了一种原始方法，用于从基因表达数据中对表型预测深度学习模型的生物学解释。由于模型可以找到表型和基因表达之间的关系，因此我们可以假设已鉴定的基因与表型之间存在联系。因此，解释可以导致生物学家研究新的生物学假设。
在...
光刺激（来自数字微型摩尔设备的2-D灯罩用固态CW激光照明）和两个光子成像仅限于不同的光学Z-Planes，可以通过分别翻译扩散器和主要目标来灵活，独立地调整这些光学Z-plan。 （底部）在光刺激和成像期之间交替（滚动）。每个红色条代表一个多光子成像的单一框架。光刺激和成像期交错。（b）显微镜示意图。dm，二分色镜。dmd，数字微型摩尔设备。i，虹膜膜片。L1-L12，镜头。o，主要目标。PMT，光电倍增管。PS，潜望镜。s，快门。SM，扫描镜子。（c）（顶部）使用可移动扩散器将图案化的光刺激和多光子成像平面解）的例证。以4F镜头配置将扩散器成像成样品中；沿光路的扩散器转换会导致相应的投影平面轴向移动。OFP，客观焦平面。 PSP，光刺激平面。 （d）DMD芯片到CCD摄像头到2P显微镜注册。 我们注册了DMD刺激场（DMD像素尺寸= 2.4 µm，样品 1d）至148OFP，客观焦平面。PSP，光刺激平面。（d）DMD芯片到CCD摄像头到2P显微镜注册。我们注册了DMD刺激场（DMD像素尺寸= 2.4 µm，样品1d）至148（i）两个光子显微照片，分别为10 µm荧光微粒；箭头标记了两个微粒，这是较大的DMD调节投影靶模式（8 microbeads）的一部分，它们被视为受托点； （ii）更大的视野（包括目标微头）的广阔场荧光图像（全场照明）； （iii）从2p图像中选择的ROI用于生成DMD-Chip灯罩；这些进一步投影在主要的客观焦平面上，并使用主CCD摄像头（CCD 1）成像； （iv）DMD生成的照片刺激口罩和（II）中10 µm微粒的宽场荧光图像的覆盖层；请注意，荧光仅限于由DMD光刺激掩模靶向的微粒，并具有最小的溢出到相邻（靶）的微粒（请参阅信托标记）。
研究人员确定乳酸在神经细胞发育中的关键作用
”鉴于越来越多的证据表明乳酸在生理和病理条件下提供了各种细胞类型的信号调节功能，我们假设乳酸通过改变全面的基因表达来影响神经元功能，” Toohoku Nagatomi教授从Toohoku University的Ryoichi Nagatomi教授和研究团队研究生院以及研究团队研究生院与PH。来自东京医学和牙科大学的学生Yidan Xu和Joji Kusuyama副教授。
基于神经网络的生存模型的发展和验证缺血性心脏病的死亡率
。cc-by-nc 4.0国际许可证是根据作者/资助者提供的，他已授予Medrxiv的许可证，以永久显示预印本。（未通过同行评审认证）
非人类灵长类动物中的大规模大脑范围的神经记录
1。美国纽约州哥伦比亚大学医学中心神经科学系。 2。 Zuckerman Institute，哥伦比亚大学，纽约，纽约，美国3。 Grossman心理统计中心，哥伦比亚大学，纽约，纽约，美国。 4。 加利福尼亚大学伯克利分子和细胞生物学系5。 麦戈文大脑研究所，马萨诸塞州剑桥，马萨诸塞州剑桥6。 马萨诸塞州剑桥大学，马萨诸塞州脑和认知科学系，马萨诸塞州7。 加利福尼亚州帕洛阿尔托市斯坦福大学神经生物学系8。 霍华德·休斯医学院，斯坦福大学，帕洛阿尔托，加利福尼亚州9。 加利福尼亚州帕洛阿尔托市斯坦福大学电气工程系10。 Wu Tsai神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州11。 Bio-X研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州12。 Janelia Research Campus，霍华德·休斯医学院，美国弗吉尼亚州阿什伯恩市13。 计算与神经系统，加利福尼亚理工学院，帕萨迪纳，加利福尼亚州14。 IMEC，鲁汶，比利时15。 卡夫利脑科学研究所，哥伦比亚大学，纽约，纽约16。 加利福尼亚州帕洛阿尔托市斯坦福大学神经生物学系17。 霍华德·休斯医学院，哥伦比亚大学，纽约，纽约18。 神经科学研究生课程，斯坦福大学，帕洛阿尔托，加利福尼亚州19。 加利福尼亚州帕洛阿尔托市斯坦福大学电气工程系20。 WU TSAI神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州21。美国纽约州哥伦比亚大学医学中心神经科学系。2。Zuckerman Institute，哥伦比亚大学，纽约，纽约，美国3。 Grossman心理统计中心，哥伦比亚大学，纽约，纽约，美国。 4。 加利福尼亚大学伯克利分子和细胞生物学系5。 麦戈文大脑研究所，马萨诸塞州剑桥，马萨诸塞州剑桥6。 马萨诸塞州剑桥大学，马萨诸塞州脑和认知科学系，马萨诸塞州7。 加利福尼亚州帕洛阿尔托市斯坦福大学神经生物学系8。 霍华德·休斯医学院，斯坦福大学，帕洛阿尔托，加利福尼亚州9。 加利福尼亚州帕洛阿尔托市斯坦福大学电气工程系10。 Wu Tsai神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州11。 Bio-X研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州12。 Janelia Research Campus，霍华德·休斯医学院，美国弗吉尼亚州阿什伯恩市13。 计算与神经系统，加利福尼亚理工学院，帕萨迪纳，加利福尼亚州14。 IMEC，鲁汶，比利时15。 卡夫利脑科学研究所，哥伦比亚大学，纽约，纽约16。 加利福尼亚州帕洛阿尔托市斯坦福大学神经生物学系17。 霍华德·休斯医学院，哥伦比亚大学，纽约，纽约18。 神经科学研究生课程，斯坦福大学，帕洛阿尔托，加利福尼亚州19。 加利福尼亚州帕洛阿尔托市斯坦福大学电气工程系20。 WU TSAI神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州21。Zuckerman Institute，哥伦比亚大学，纽约，纽约，美国3。Grossman心理统计中心，哥伦比亚大学，纽约，纽约，美国。4。加利福尼亚大学伯克利分子和细胞生物学系5。麦戈文大脑研究所，马萨诸塞州剑桥，马萨诸塞州剑桥6。马萨诸塞州剑桥大学，马萨诸塞州脑和认知科学系，马萨诸塞州7。加利福尼亚州帕洛阿尔托市斯坦福大学神经生物学系8。霍华德·休斯医学院，斯坦福大学，帕洛阿尔托，加利福尼亚州9。加利福尼亚州帕洛阿尔托市斯坦福大学电气工程系10。Wu Tsai神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州11。 Bio-X研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州12。 Janelia Research Campus，霍华德·休斯医学院，美国弗吉尼亚州阿什伯恩市13。 计算与神经系统，加利福尼亚理工学院，帕萨迪纳，加利福尼亚州14。 IMEC，鲁汶，比利时15。 卡夫利脑科学研究所，哥伦比亚大学，纽约，纽约16。 加利福尼亚州帕洛阿尔托市斯坦福大学神经生物学系17。 霍华德·休斯医学院，哥伦比亚大学，纽约，纽约18。 神经科学研究生课程，斯坦福大学，帕洛阿尔托，加利福尼亚州19。 加利福尼亚州帕洛阿尔托市斯坦福大学电气工程系20。 WU TSAI神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州21。Wu Tsai神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州11。Bio-X研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州12。Janelia Research Campus，霍华德·休斯医学院，美国弗吉尼亚州阿什伯恩市13。计算与神经系统，加利福尼亚理工学院，帕萨迪纳，加利福尼亚州14。IMEC，鲁汶，比利时15。卡夫利脑科学研究所，哥伦比亚大学，纽约，纽约16。加利福尼亚州帕洛阿尔托市斯坦福大学神经生物学系17。霍华德·休斯医学院，哥伦比亚大学，纽约，纽约18。神经科学研究生课程，斯坦福大学，帕洛阿尔托，加利福尼亚州19。加利福尼亚州帕洛阿尔托市斯坦福大学电气工程系20。WU TSAI神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州21。WU TSAI神经科学研究所，斯坦福大学，帕洛阿尔托，加利福尼亚州21。加利福尼亚州帕洛阿尔托市斯坦福大学生物工程系22。加利福尼亚州帕洛阿尔托市斯坦福大学医学院神经外科系23。霍华德·休斯医学院，伯克利，加利福尼亚州24。马里兰州巴尔的摩约翰·霍普金斯大学生物医学工程系
一个新的理论框架共同解释了执行灵活决策的受试者的行为和神经变异性
能够根据上下文信息灵活切换对外部刺激的反应的能力对于与复杂世界的成功互动至关重要。在许多领域1-3中必须进行上下文依赖性计算，但它们的神经实现仍然很少理解。在这里，我们在大鼠中开发了一项新颖的行为任务，以研究上下文依赖性的选择和决策证据的积累4-6。在猴子和大鼠数据支持的假设下，我们首先从数学上显示网络可以通过三个定义组件的组合来解决此问题。可以通过实验数据直接识别和测试这些组件。我们进一步表明，现有的电生理和建模数据与这些组件的各种可能组合兼容，这表明不同的个体可以使用不同的组件组合。为了研究各个受试者的变异性，我们开发了自动化的高通量方法来培训大鼠的任务，并在其上训练了许多受试者。与理论预测，神经和行为分析一致，尽管任务表现均匀，但大鼠均显示了跨大鼠的实质异质性。我们的理论进一步预测了行为和神经信号之间的特定联系，该签名在数据中得到了强有力的支持。总而言之，我们的结果提供了一个新的实验支持的理论框架，以分析执行灵活决策任务的生物学和人工系统中的个体变异性，它们为较高认知的个体变异性研究打开了大门，并提供了对情境依赖性计算的神经机制的见解。
人性化的小鼠模型系统模仿产前Zika感染，并揭示了神经干细胞的过早分化
此预印本版的版权持有人于2025年2月25日发布。 https://doi.org/10.1101/2025.02.21.639556 doi：Biorxiv Preprint
疱疹病毒可能会驱动阿尔茨海默氏病的病理，研究表明
ML集体的研究人员在旧金山和哥伦比亚大学进行了一项研究，旨在通过使用特定类型的脑启发的人工神经网络来理解关系学习的生物学基础。他们的作品发表在自然神经科学上，对大脑过程中的过程阐明了可能是人类和其他生物的关系学习的过程。
FNIRS，EEG和经颅电流刺激的潜力探测抗药性训练的神经机制
研究身体性能的神经机制是运动神经科学领域的越来越多的研究重点。Sport is more and more benefiting from and contributing to a greater awareness of concepts such as neuroplasticity (i.e., the structural and functional adaptations in specific brain and spinal circuits), and neuromodulation techniques (i.e., the application of low-level intensity currents to induce polarity-specific changes in neuronal excitability).神经塑性在强度和调节的领域不广泛理解；然而，它从根本上影响了运动员在运动中的运动和表现。理解神经塑性的基本概念可以指导力量训练，这被定义为抗性运动，从而增加了力量能力。要执行多关节运动，大脑必须与合适的肌肉组坐标，以及时执行肌肉收缩。因此，与运动学习有关的力量训练需要在运动皮层中引发的复杂肌内和肌内配位。此外，力量训练会导致中枢神经系统（CNS）（尤其是在运动皮层中）中使用依赖性塑料随时间变化（称为长期增强，Cooke and Bliss，2006）（Hortobagyi等，2021）。广泛接受的是，力量训练需要在培训的早期阶段进行神经适应（Sale，1988； Hortobagyi等，2021）。这一假设的基础是研究表明，训练的初始阶段会导致力产生大量增强，而没有肌肉质量的改变（即结构变化）。特别是，在训练的第一周内，肌肉力量产生的运动单位适应发生（Häkkinen等，1985）。，直到最近，有关力量训练的文献尚未最终确定CNS最负责这些适应的部分。最近的一项灵长类动物研究表明，通过网状脊髓束强度训练引起的脊柱上的脊髓变化与肌肉性能的变化有关（Glover and Baker，2020）。最近的荟萃分析（Siddique等，2020; Hortobagyi等，2021;Gómez-Feria等，2023）强调了一种趋势，趋势趋于同时进行皮质脊髓兴奋性和肌肉力量，并在对肌层降低后的抑制作用后，肌肉力量降低了降低的降低。但是，重要的是要注意，这种趋势根据所选训练方式具有相当程度的异质性（Gómez-Feria等，2023）。迄今为止，鉴于对耐强度训练的神经影响的研究很少，尚不清楚产生大量和持久的神经变化所需的力量训练需要多少。
solax：带有神经网络支持的费米子量子系统的Python求解器
费米子多体量子系统的数值建模介绍了各个研究领域的类似challenges，需要使用通用工具，包括现状的机器学习技术。在这里，我们介绍了Solax，这是一个python库，旨在使用第二个量化的形式主义来计算和分析费米子量子系统。Solax提供了一个模块化框架，用于构建和操纵基础集，量子状态和操作员，促进电子结构的模拟并确定有限尺寸的Hilbert空间中的多体量子状态。库集成了机器学习能力，以减轻大量子群中希尔伯特空间尺寸的指数增长。使用最近开发的Python库Jax实现了核心低级功能。通过将其应用于单个杂质Anderson模型的应用，为研究人员提供了一种灵活而强大的工具，可用于应对各种领域的多体量子系统的挑战，包括原子物理学，量子化学和凝结物理学。