XiaoMi-AI文件搜索系统
World File Search Systemneural
对患者衍生的神经干细胞中差异羟甲基水平的试验研究暗示了躁郁症的皮质发育
结果：对大约200万个地点进行了映射和量化，其中大多数位于基因区域（68.8％），在3'UTRS，外显子和2-KB海岸线的CPG群岛中观察到每个位点的5hmc水平升高。IPSC和NSC细胞系之间归一化5HMC计数的配对t检验揭示了NSC中的全球羟基甲基化，并富集了与质膜相关的基因中差异羟基甲基化位点（FDR = 9.1×10-12）和AXON GUIDENCE（FRASESERS和AXON GUIDERES）（FROCESERS）（FROCERS）（FROCERS）（FRASESERS）（FRASESERS），以及其他= 2.1-11×6×6×6×6×6×6×6×6。对于KCNK9基因的转录因子结合位点观察到了最显着的差异（p = 8.8×10-6），编码涉及神经元活性和迁移的钾通道蛋白。蛋白质 - 蛋白质交流（PPI）网络在由具有高度分化的5HMC位点的基因编码的蛋白质之间显示出显着的连通性（P = 3.2×10-10），其中涉及轴突引导和离子跨膜转运的基因，形成了不同的子群体。比较BD病例和未受影响的兄弟姐妹的NSC揭示了分化的其他模式
prosaposin在与深度静止有关的状态下保持成年神经干细胞
在大多数脊椎动物中，成年神经干细胞（NSC）连续产生离散大脑区域的神经元。在成人大脑中长时间长时间进行NSC池的关键过程是NSC静止，这是一种可逆且严格调节的细胞周期停滞状态。最近，鉴定出溶酶体以调节NSC静止增殖平衡。然而，无论是溶酶体活性促进NSC增殖还是静止，并且在NSC静止持续时间或深度上仍然无法探索溶酶体活性的影响。使用RNA测序和药理操作，我们表明溶酶体对于NSC静止率是必需的。此外，我们揭示了编码溶酶体调节剂prosaposin的PSAP的表达富含静态的NSC（QNSC）（QNSC），这些NSC（QNSC）位于NSC谱系上游，并在成人Zebrafilefla-file filla-file sh-telen-Cephalon中显示出深/长的静态阶段。我们表明，shRNA介导的PSAP敲低增加了活化的NSC（ANSC）的比例以及驻留在较浅的静止状态（由ASCL1A和Deltaa表达）中的NSC。总的来说，我们的结果将溶酶体蛋白PSAP确定为（直接或间接）静止调节剂，并展现溶酶体功能与NSC静态异质性之间的相互作用。
NeuroDisk：一种自动化神经成像遗传学中连续询问驱动的发现的AI方法
图4。刺激记录和使用壳测量。（a）带有封装器官的3D壳MEA的图像。在孵化器内部保留的同时，刺激和记录了类器官。（b）3D-Shell MEA的示意图，并标有北，东和西的三个传单。（c）图显示了通过所有三个电极将20 µA的刺激电流发送到类器官时，显示了记录的电压。（d）所有三个电极的记录电压轮廓图显示从类器官收集的信号。与（c）中所示的刺激相对应的峰将从此轮廓中删除。（e）八周龄的类器官的代表性最大强度Z练习图显示了核（I）和绿色，紫色，紫色和黄色（ii）中所示的核（Hoechst），神经元干细胞（SOX2）和轴突（NF-H）的存在。染色说明了器官内的细胞同质性。在20倍拍摄图像。比例尺为100 µm。
用壳测量
图4。刺激记录和使用壳测量。（a）带有封装器官的3D壳MEA的图像。在孵化器内部保留的同时，刺激和记录了类器官。（b）3D-Shell MEA的示意图，并标有北，东和西的三个传单。（c）图显示了通过所有三个电极将20 µA的刺激电流发送到类器官时，显示了记录的电压。（d）所有三个电极的记录电压轮廓图显示从类器官收集的信号。与（c）中所示的刺激相对应的峰将从此轮廓中删除。（e）八周龄的类器官的代表性最大强度Z练习图显示了核（I）和绿色，紫色，紫色和黄色（ii）中所示的核（Hoechst），神经元干细胞（SOX2）和轴突（NF-H）的存在。染色说明了器官内的细胞同质性。在20倍拍摄图像。比例尺为100 µm。
利用神经特征增强任务 fMRI 个体差异研究
本研究由 K99AA030808 (DAAB) 和 R01DA54750 (RB) 资助。其他资助包括：AJG (DGE-213989)、SEP (F31AA029934)、ASH (K01AA030083)、RB (R21AA027827、U01DA055367)。本研究的数据由青少年大脑认知发展 (ABCD) 研究提供，该研究由美国国立卫生研究院和其他联邦合作伙伴颁发的 U01DA041022、U01DA041025、U01DA041028、U01DA041048、U01DA041089、U01DA041093、U01DA041106、U01DA041117、U01DA041120、U01DA041134、U01DA041148、U01DA041156、U01DA041174、U24DA041123 和 U24DA041147 奖项资助 (https://abcdstudy.org/federal-partners.html)。参与站点列表和研究调查员的完整列表可在 https://abcdstudy.org/consortium_members/ 上找到。ABCD 联盟调查员设计并实施了这项研究和/或提供了数据，但不一定参与了本报告的分析或撰写。本稿件反映的是作者的观点，可能不反映 NIH 或 ABCD 联盟调查员的意见或观点。
基于EEG
摘要 - 近年来，神经科学家与脑部计算机界面（BCI）设备的开发有关。运动障碍患者可能会受益于BCIS作为通信手段和恢复运动功能的手段。脑电图（EEG）是评估神经元活性的最常用之一。在许多计算机视觉应用中，深度神经网络（DNN）显示出显着的优势。倾向于最终使用DNN，我们在这里提出了一个浅神经网络，该网络主要使用两个卷积神经网络（CNN）层，其参数相对较少，并且快速学习了脑电图的光谱时暂时特征。我们将该模型与其他三个神经网络模型进行了比较，该模型具有不同的深度，该模型使用了针对患有运动障碍的患者和视觉功能下降的患者的眼神闭合状态应用于精神算术任务。实验结果表明，浅CNN模型的表现优于所有其他模型，并达到了90的最高分类精度。68％。处理跨主题分类问题也更加健壮：仅3％的准确性偏差而不是15。传统方法的6％。
用于对神经系统进行最优控制建模的计算机框架 Rückauer, BJ; Gerven, MAJ van 2023，文章 / 致编辑的信 (Frontiers i
我们提出了一个控制理论框架来研究嵌入在模拟环境中的生物驱动人工神经系统（Sussillo，2014）的稳定性和可控性。从高层的角度来看，这个框架模拟了脑-机-环境的相互作用。我们首先考虑建模一个神经系统在虚拟环境中执行行为任务的问题。用控制理论的语言来说，神经系统与环境过程形成一个闭环反馈控制器。在第二步中，我们模拟神经系统的退化（例如在传感器或执行器处）并添加一个二级控制器（假肢），目的是恢复行为功能。在此过程中，我们考虑了大脑模型中的不确定性、非线性、测量噪声以及可观察状态和可控神经元的有限可用性。神经系统，从单个神经元到大规模群体，都以复杂的动态为特征，建模和控制可能具有挑战性（Ritt and Ching，2015）。经典控制理论（Khalil，2002；Brunton 和 Kutz，2017；Astrom 和 Murray，2020）为设计控制律提供了强大的工具，并在神经技术领域得到广泛应用，例如机械臂或计算机光标的闭环脑机接口 (BMI) 控制（Shanechi 等人，2016）、癫痫发作缓解的模型预测控制（Chatterjee 等人，2020）以及大脑在认知状态之间转换的机制解释（Gu 等人，2015）。闭环控制的一个特别成功的应用是通过深部脑刺激治疗帕金森病。在那里，可以使用基于阈值、比例积分或自调节控制器将病理性 β 波段振荡活动抑制在所需的目标水平（Fleming 等人，2020a、b）。 Schiffi (2011) 建立了一种将控制理论与神经科学和生物医学联系起来的典型方法，其中时空皮质动态模型与卡尔曼滤波器相结合，以估计未观察的状态并跟踪未知或漂移的模型参数。神经形态社区中的团队最近通过实现生物学上合理的操作和学习状态估计和控制规则（Friedrich 等人，2021；Linares-Barranco 等人，2022）以及神经形态 BMI 电路（Donati 和 Indiveri，2023）为这项工作做出了贡献，这有望在低功耗运行时实现更好的生物相容性。在上述许多方法中反复出现的一些挑战是线性（可实现）或低维系统的假设、对底层动态的知识或所需目标状态的可用性（如帕金森病的 DBS）。本文针对这些局限性做出了两项主要贡献。首先，我们建议一致使用动力系统来模拟大脑、环境、和假肢。除了统一方法论之外，这种选择还可以灵活地对不同程度的真实模型进行实验。在这里，我们展示了循环神经网络 (RNN) 作为神经系统和假肢的简单、高度可扩展的构建块的使用。其次，我们逐步消除了线性、系统知识、完全可观测性和监督目标状态的假设，通过使用强化学习 (RL)（Sutton 和 Barto，2020 年）进行系统识别和合成假肢控制器。
人类诱导性多能干细胞在纳米纤维膜阵列单层上向同步神经网络自动分化
Boxin Huang、Yong He、Elrade Rofaani、Feng Liang、Xiaochen Huang 等人。人类诱导多能干细胞在纳米纤维膜阵列单层上向同步神经网络自动分化。Acta Biomaterialia，2022 年，150，第 168-180 页。�10.1016/j.actbio.2022.07.038�。�hal-03818522�
从便携式脑电图耳机解码效价和唤醒的神经特征
近年来，使用脑电图 (EEG) 数据和机器学习技术进行情绪分类的现象日益增多。然而，过去的研究使用的是医疗级 EEG 设置的数据，这些设置时间较长，且环境受限。本文重点介绍使用各种特征提取、特征选择和机器学习技术在效价-唤醒平面上对情绪进行分类。我们评估了不同的特征提取和选择技术，并提出了用于情绪识别的最佳特征和电极集。OASIS 图像数据集中的图像用于引发效价和唤醒情绪，并使用 Emotiv Epoc X 移动 EEG 耳机记录 EEG 数据。分析是在公开可用的数据集上进行的：DEAP 和 DREAMER 用于基准测试。我们提出了一种新颖的特征排名技术和增量学习方法来分析性能对参与者数量的依赖性。进行了留一交叉验证，以识别情绪引发模式中的受试者偏见。计算了不同电极位置的重要性，可用于设计用于情绪识别的耳机。收集的数据集和管道也已发布。我们的研究在 DREAMER 上取得了 0.905 的均方根得分 (RMSE)，在 DEAP 上取得了 1.902 的均方根得分 (RMSE)，在我们的数据集上取得了 2.728 的价标签得分，在 DREAMER 上取得了 0.749 的得分，在 DEAP 上取得了 1.769 的得分，在我们提出的数据集上取得了 2.3 的唤醒标签得分。
用epivariant神经网络的机器学习哈伯德参数
具有扩展Hubbard功能（DFT + U + V）的密度功能理论提供了一个可靠的框架，可以准确描述包含过渡金属或稀有元素的复杂材料。它是通过减轻半本地功能固有的自我相互作用误差来做到的，该误差在具有部分填充D和F电子状态的系统中特别明显。但是，在这种方法中实现准确性取决于现场U和现场v哈伯德参数的准确确定。在实践中，这些是通过半经验调整，需要先验知识或更正确地通过使用预测但昂贵的第一原理计算来获得的。在这里，我们提出了一种基于模棱两可的神经网络的机器学习模型，该模型使用原子占用矩阵作为描述符，直接捕获了手头系统的电子结构，局部化学环境和氧化状态。我们在这里以迭代性线性响应计算为单位计算的哈伯德参数的预测，如密度功能性扰动理论（DFPT）和结构放松。值得注意的是，当对跨越各种晶体结构和组成的12个材料的数据进行培训时，我们的模型分别达到了Hubbard U和V参数的平均相对误差，分别为3％和5％。通过规避计算昂贵的DFT或DFPT自洽协议，我们的模型可以显着加快用可忽略的计算开销的哈伯德参数的预测，同时接近DFPT的准确性。此外，由于其可靠性的可传递性，该模型通过高通量计算促进了加速的材料发现和设计，与各种技术应用相关。