XiaoMi-AI文件搜索系统
World File Search Systemous
DNA metabarcoding在极夜间揭示了北极两亲植物的多样性，杂食饮食，果冻鱼和鱼作为主要猎物
简介：目前，北极海洋生态系统正在目睹全球最快的身体变化，导致全球和底栖群落和食品网络结构发生转变，这与引入北方物种有关。凝胶状浮游生物或果冻鱼代表了一个特定的一组，其中几种北方物种容易经历显着的极点范围的扩张，并且在持续变化的过程中，北极的种群增加。从历史上看，果冻被认为是一种营养的死胡同，但是使用现代工具的越来越多的研究强调了它们作为海洋食品网中主要猎物的作用。在这项研究中，我们旨在验证果冻和其他后生动物作为北极夜间食品网络中的食物来源的作用，而骨髓资源有限。
用黄体和富马酸亚铁补充黄河鲤鱼饮食：生长性能，消化酶活性，皮肤色素沉着和肠道菌群
在这项研究中，研究了叶黄素和富马酸亚铁对黄河鲤鱼（Cyprinus carpio）的影响，旨在评估皮肤色素沉着，肠道消化酶，肠道微生物多样性和生长性能。设计了三种实验饮食，包括对照组，一组150mg/kg叶黄素）以及叶黄素和富马酸铁蛋白酶混合物（150mg/kg叶黄素和100mg/kg富马酸铁酸铁酸铁酸酯）。用实验饮食喂食42天的鲤鱼（n = 135; 25.0±2.0g）。结果表明，与对照组相比，与对照组（P <0.05相比，与蓝色（b*），颜色差异（δe）和Chroma（δe）和乳头较高的值相比，蛋白质的无关指数（ISI）和内脏指数（ISI）和内脏指数（VSI）增加，伴随着蓝色（B*），色差（δe）和Chroma（CH*）的较高价值（与对照组相比（P <0.05）相比，身体颜色的显着变化。同时，在混合物组中观察到淀粉酶，脂肪酶和胰蛋白酶的较高活性（p <0.05）。高通量测序和维恩图表明，叶黄酸或亚铁富马酸盐对鲤鱼的肠道微生物群具有明显的影响。与对照组相比，与混合物组相比，用混合物组的鲤鱼中的静脉细菌和黄杆菌的丰度显着增加。总而言之，在饲料中添加叶黄素和富马酸亚铁可以改变黄河鲤鱼的皮肤色素沉着和肠道微生物组成，从而增强鱼类的着色效果和消化功能。这些发现为优化饲料配方和水产养殖管理提供了宝贵的见解，这可以有助于提高黄河鲤鱼的质量和农业效率。
课程计划 All Mixed Up.docx 的副本 - Discovery Playhouse
○ 在沃尔特用水代替牛奶后停止阅读并问：“你认为用水代替牛奶会对甜点的口味产生影响吗？” ○ 在国王说沃尔特还有一次机会后停止阅读并问：“你认为沃尔特会做什么来取悦国王？” ○ 在沃尔特尝试了很多不同的事情后停止阅读并问：“当一个人一遍又一遍地尝试某件事直到做对时，这叫什么？” ○ 在沃尔特的妻子掷骰子后停止阅读并问：“为什么向别人寻求帮助会有益？” ○ 读完书后问：“你以为会是椒盐卷饼吗？” ● 老师会点名并把他们集合起来去实地考察。 ● 在去面包店的路上，老师会通过说“在博物馆时，我希望每个人都尊重彼此和博物馆。我们会作为一个团队团结在一起”来设定期望。请记住，这是我们接下来几天要上的一堂课，所以尽管我希望你们玩得开心，但我们来这里是有目的的。” ● 学生们去博物馆实地考察，并被指示在面包店玩耍。老师会要求他们看食谱书，选择自己喜欢的食谱，然后通过游戏制作这道烘焙菜肴。 ● 老师会告诉学生记下食谱的规格。 ● 老师会确保每个学生都有时间去面包店。学生们将被分成三人一组。每组将在厨房里有 15 分钟的时间来完成食谱。 ● 在学生们都有机会在厨房玩耍并制作甜点后，老师会问学生以下问题。学生们首先会和旁边的学生交谈，然后老师会叫几个学生分享他们讨论的内容。这样，所有学生都有机会思考所问的问题。
通过使用基于深度学习的域适应声发射
使用机器学习（ML）算法在制造过程中嵌入的传感器内部嵌入的信息的进步和识别，以更好地决策成为构建数据驱动的监视系统的关键推动因素。在激光粉床融合（LPBF）过程中，基于数据驱动的过程监视正在广受欢迎，因为它允许实时组件质量验证。加上制造零件的实时资格具有重要的优势，因为可以降低传统的生产后检查方法的成本。此外，可以采取纠正措施或构建终止以节省机器时间和资源。然而，尽管在满足LPBF流程中的监视需求方面取得了成功的发展，但由于不同的过程空间，在处理来自激光材料互动的数据分布的变化时，对ML模型在决策方面的鲁棒性进行了更少的研究。受到ML中域适应性的想法的启发，在这项工作中，我们提出了一种基于深度学习的无监督域适应技术，以解决由于不同的过程参数空间的数据分布的转移。在两个不同的316 L不锈钢粉末分布（> 45 µm和<45 µm）上获得了从LPBF过程区域到三个机制到三个方案的声学发射区到三个方案的声波形式。对应于用不同激光参数处理的粉末分布的声波形的时间和光谱分析显示，数据分布中存在偏移，随后用建议的无监督域适应技术对其进行处理，以具有可以普遍化的ML模型。进一步，两个分布之间提议的方法的预测准确性表明，不受欢迎地适应新环境的可行性并改善了ML模型的推广性。
用于医学图像超分辨率的多模态多头卷积注意
超分辨率医学图像可帮助医生提供更准确的诊断。在许多情况下，计算机断层扫描 (CT) 或磁共振成像 (MRI) 技术在一次检查期间会捕获多个扫描 (模式)，这些扫描 (模式) 可以联合使用 (以多模态方式) 来进一步提高超分辨率结果的质量。为此，我们提出了一种新颖的多模态多头卷积注意模块来超分辨率 CT 和 MRI 扫描。我们的注意模块使用卷积运算对多个连接的输入张量执行联合空间通道注意，其中核 (感受野) 大小控制空间注意的减少率，卷积滤波器的数量控制通道注意的减少率。我们引入了多个注意头，每个头具有不同的感受野大小，对应于空间注意的特定减少率。我们将多模态多头卷积注意力 (MMHCA) 集成到两个深度神经架构中以实现超分辨率，并对三个数据集进行了实验。我们的实证结果表明，我们的注意力模块优于超分辨率中使用的最先进的注意力机制。此外，我们进行了一项消融研究，以评估注意力模块中涉及的组件的影响，例如输入的数量或头部的数量。我们的代码可在 https://github.com/lilygeorgescu/MHCA 免费获取。
crispr/cas9介导的精英木米（Oryza sativa L.）中半昏昏欲睡性特征的增强：靶向SD1和WX基因的产量和
在水稻培养中，半枯萎和粘性质地的特征分别是优化产量潜力和晶粒质量的关键。Xiangdaowan（XDW）大米以其出色的芳香特性而闻名，由于其高的身材和高淀粉糖含量而面临挑战，导致住宿耐药性不佳和次优烹饪属性。为了解决这些问题，我们采用了CRISPR/CAS9技术来精确地编辑XDW大米中的SD1和WX基因，从而发展具有所需半昏迷和麸质特征的稳定的遗传纯合线。SD1-WX突变型线表现出降低的gibberellin含量，植物高度和淀粉糖含量，同时保持了几乎不会改变发芽率和其他关键的农艺性状。重要的是，我们的研究表明，外源性GA 3的应用通过补偿内源性Gibberellin的缺乏有效地促进了生长。基于此，开发了半昏昏欲睡的精英大米（Oryza sativa L.）线，对大多数农艺性状没有太大影响。此外，比较转录组分析揭示了差异表达的基因（DEG）主要与膜的锚定成分，过氧化氢分解代谢酶分解代谢酶活性，过氧化物酶活性，萜烯合酶活性和寄生虫相关。此外，将二萜类化合物的生物合成催化为gibberellins的生物合成富集并显着下调。这项全面的研究提供了一种有效的方法，可以同时提高水稻植物的身高和质量，为耐药和高质量的水稻品种的发展铺平了道路。
2024 年 4 月 - 众议院管理委员会
5 月 9 日。2024 年 — 太空与科技。1.第 4 页。2024 年 5 月 9 日。美国众议院。科学、空间与科技委员会。按付款日期的月结单。118-2。
Selpercatinib 治疗先前接受过治疗的 RET 融合阳性晚期非小细胞肺癌
3.1 患者和临床专家解释说，晚期非小细胞肺癌（NSCLC；包括呼吸困难、咳嗽和体重减轻）的症状很难治疗。NHS 对 RET 融合阳性晚期 NSCLC 的典型治疗方法是化疗（如铂类双药化疗）和免疫疗法（如派姆单抗）。临床专家和来自 NHS England 的癌症药物基金临床负责人解释说，对于之前接受过治疗的 RET 融合阳性 NSCLC，多西他赛是主要治疗方法。但他们也解释说，一些患者也可能接受尼达尼布与多西他赛的联合治疗，而这些是该适应症的唯一标准治疗方法。他们解释说，与单用多西他赛相比，多西他赛与尼达尼布的使用正在减少，因为其益处有限且副作用增加。这使得 RET 融合阳性晚期 NSCLC 患者几乎没有选择。 Selpercatinib 是首个针对 RET 融合阳性晚期 NSCLC 的治疗药物，已在某些此类肿瘤患者中显示出较高的反应率。委员会得出结论，RET 融合阳性 NSCLC 患者会欢迎该药物的推出
物理3D对抗攻击自动驾驶中的单眼深度估计
广泛应用于自主驾驶中的基于深度学习的单眼深度估计（MDE）很容易受到对抗性攻击的影响。先前针对MDE模型的物理攻击依赖于2D广泛的补丁，因此它们仅影响MDE地图中的一个小型局部区域，但在各种观点下都失败了。为了解决这些限制，我们提出了3D深度傻瓜（3d 2傻瓜），这是对MDE模型的第一个基于3D纹理的对抗性攻击。3d 2傻瓜被专门优化，以生成3D对抗纹理对型号的车辆类型，并在恶劣天气条件（例如雨水和雾）中具有改善的鲁棒性。实验结果验证了我们3d 2傻瓜在各种情况下的出色性能，包括车辆，MDE Mod-els，天气状况和观点。现实世界中使用打印3D纹理的实验实验进一步表明，我们的3d 2傻瓜可能会导致超过10米的MDE误差。该代码可在https://github.com/gandolfczjh/3d2fool上找到。