XiaoMi-AI文件搜索系统
World File Search Systemoverlapping
重叠的大脑状态揭示了躁郁症和精神分裂症患者大脑动态的改变
异常的大脑动力学被认为是双相情感障碍 (BD) 和精神分裂症 (SCZ) 的特征。先前的研究在研究个体如何招募重复出现的大脑状态时，通常采用状态离散化方法。由于多种大脑状态可能在任何给定时刻同时参与，因此专注于主导状态可能会掩盖临床人群中不太突出但关键的大脑状态的变化。为了解决这一限制，我们引入了一个新框架来同时评估多种大脑状态的大脑状态参与度，并研究了 BD 或 SCZ 患者与健康对照 (HC) 相比的大脑状态参与度有何不同。使用来自人类连接组计划的基于任务的数据，我们应用非线性流形学习和 K 均值聚类来识别四种重复出现的大脑状态。然后，我们在另外两个国际开源数据集中研究了这四种状态的参与度和转换变异性在 BD、SCZ 和 HC 患者之间的差异。比较各组之间的这些测量结果发现，在静息状态和基于任务的 fMRI 中，患有 BD 和 SCZ 的个体在所有四种状态下的状态转换变异性发生了显著改变，但参与度没有改变。在我们的事后和探索性分析中，我们还观察到状态转换变异性与年龄以及意志消沉之间的关联。我们的结果表明，中断的状态转换变异性会影响 BD 和 SCZ 中的多种大脑状态。通过同时研究几种大脑状态，我们的框架更全面地揭示了不同个体和精神疾病中的大脑动态差异。
反义 RNA 上的 ADAR RNA 编辑导致重叠正义转录本上出现明显的 U 到 C 碱基变化
尽管迄今为止已描述了数百种 RNA 修饰，但只有 RNA 编辑会导致 RNA 分子的核苷酸序列与基因组相比发生变化。在哺乳动物中，迄今为止已描述了两种 RNA 编辑，即腺苷到肌苷 (A-to-I) 编辑和胞苷到尿苷 (C-to-U) 编辑。RNA 测序技术的最新改进导致发现越来越多的编辑位点。这些方法功能强大但并非没有错误，因此必须对新描述的编辑位点进行常规验证。在对 DDX58 mRNA 进行其中一次验证时，除了 A-to-I RNA 编辑位点外，我们还遇到了假定的 U-to-C 编辑。这些 U-to-C 编辑存在于几种细胞系中，并且似乎受到特定环境刺激的调节。在人类长基因间非编码 RNA p21 (hLincRNA- p21) 中也观察到了同样的发现。更深入的分析表明，假定的 U-to-C 编辑是由从相同基因座转录的重叠反义 RNA 上的 A-to-I 编辑引起的。此类编辑事件发生在以相反方向转录的重叠基因上，最近已被证明具有免疫原性，并与自身免疫和免疫相关疾病有关。我们的发现也得到了深度转录组数据的证实，表明此类基因座可以通过同一基因座内 A-to-I 和 U-to-C 错配的存在来识别，在正义转录本和顺式天然反义转录本 (cis-NAT) 中都存在反射性 A-to-I 编辑，这意味着此类簇可能是功能相关的 ADAR1 编辑事件的标志。
使用重叠块和多类加权交叉熵的基于深度学习的选择性注意的全自动脑肿瘤分割
Mostefa Ben Naceur、Mohamed Akil、Rachida Saouli、Rostom Kachouri。使用重叠块和多类加权交叉熵，通过基于深度学习的选择性注意实现全自动脑肿瘤分割。医学图像分析，2020 年，�10.1016/j.media.2020.101692�。�hal-02533454�
利用机器学习，以准确处理一般循环模型中重叠的不透明度物种
要了解系外行星和棕色矮人的高精度观察结果，我们需要详细且复杂的一般循环模型（GCM），这些模型（GCM）结合了水动力学，化学和辐射。在这项研究中，我们专门研究了GCMS中化学和辐射之间的耦合，并比较了相关化学中不同化学物种在相关性假设中混合的不同方法，当无法假设平衡化学时。我们提出了一种基于DeepSet（DS）的快速机器学习方法，该方法有效地结合了单个相关性-K的不相差（K-table）。我们与其他已发表的方法（例如自适应等效灭绝（AEE））以及与重新融资和求职（RORR）的随机重叠一起评估了DS方法。我们将这些混合方法集成到我们的GCM（Expert/MitGCM）中，并评估了它们的准确性和性能，以热木星HD 209458 b的示例。我们的发现表明，DS方法既适合GCM使用率准确又有效，而RORR太慢了。此外，我们观察到AEE的准确性取决于其特定的实现，并可能在实现辐射转移解决方案收敛时引入数值问题。然后，我们在简化的化学不平衡情况下应用了DS混合方法，在那里我们建模了Tio和Vo的雨水，并确认TIO和VO的雨水会阻碍平流层的形成。为了进一步加快GCM中一致的不平衡化学计算的发展，我们提供了文档和代码，用于将DS混合方法与相关-K辐射传递求解器耦合。DS方法已进行了广泛的测试，足以适合GCM。但是，可能需要加速大气检索的其他方法。
线粒体DNA 3252A> G突变表示为MERRF/MELAS重叠综合征：病例报告
We report a case of 25 years old male presented with a complex phenotype of myoclonic epilepsy with ragged red fibers (MERRF) and mitochondrial encephalomyopathy, lactic acidosis and stroke- like episodes (MELAS) harbouring m.3252A>G mutation in the mitochondrially encoded tRNA leucine 1 (UUA/G) [MT-TL1]亮氨酸的线粒体转移核糖核酸（tRNA）的基因。他出现了经常发生的肌阵挛性癫痫发作，类似于中风样发作，肌肉活检升高血液乳酸，显示出许多黑色的红色纤维，暗示着一种线粒体疾病。整个线粒体基因组测序表明，除了核苷酸位置的A-to-G转变外，没有其他突变。该病例报告是第一个描述与MERRF/MERAS重叠综合征相关的M.3252a> g突变的报告。
果蝇 p53 亚型在生殖系基因组完整性和卵母细胞质量控制方面具有重叠和不同的功能
摘要 人类和其他生物体中的 p53 基因家族成员编码大量蛋白质亚型，其功能大部分尚不明确。以果蝇为模型，我们发现 p53B 亚型主要在生殖细胞中表达，并与 p53A 共定位到亚核体中。然而，只有 p53A 介导生殖细胞和胞体中对电离辐射的凋亡反应。相反，p53A 和 p53B 都是减数分裂 DNA 断裂正常修复所必需的，当减数分裂重组有缺陷时，这种活性更为重要。我们发现在具有持续性 DNA 断裂的卵母细胞中，p53A 也是激活减数分裂粗线期检查点所必需的。我们的研究结果表明，果蝇 p53 亚型具有 DNA 损伤和细胞类型特异性功能，与哺乳动物 p53 家族成员在基因毒性应激反应和卵母细胞质量控制中的作用相似。
来自静息状态脑功能网络重叠群落结构改变的生物标志物可用于检测阿尔茨海默病
图 4：在不同 k 值下检测到的社区的层次结构。（A）上图和下图分别显示了 k 从 5 到 16 变化时 AD 和 NC 得出的社区层次结构的树状图。X 轴表示不同的簇，Y 轴表示簇之间的距离。截止距离设置为 0.5，其中所有社区合并为每组 16 个簇。这些簇涵盖 11 个常见的 RSN，包括视觉网络 (VN)、眶额皮质 (OFC)、显着网络 (SN)、DMN、执行控制网络 (ECN)、左/右额顶叶网络 (L/RFP)、感觉运动网络 (SEN)、边缘系统 (LIM)、腹侧注意网络 (VAN) 和基底神经节 (BG)。两组之间每个 RSN 的相似性显示在底部，每个 RSN 用一种颜色标记。 (B) 和 (C) 分别通过对 AD 组和 NC 组的每个簇内的社区进行平均来显示结果簇。列表示社区指数，行表示矩阵表示中的节点指数。红色框突出显示了两组在簇内层次结构方面的差异。
生物学与癌症重叠
目前正在进行大量临床试验，以研究抗氧化剂、抗炎剂和免疫增强剂（如维生素 C、维生素 E、N-乙酰半胱氨酸、维生素 D、褪黑激素）和富含抗氧化剂的饮食作为冠状病毒病 19 (COVID-19) 标准疗法的辅助疗法的效果。1 这些临床试验的目的是检验以下假设：使用抗氧化剂和营养补充剂的辅助疗法将通过减少氧化机制和炎症来减少对机械呼吸机的需求。活性氧 (ROS) 诱导的氧化应激和 COVID-19 的作用已在多篇综述中得到探讨。2–4 本综述讨论了影响白细胞生物学的药物的潜在机制和治疗意义（从癌症治疗到 COVID-19），如下所示：烟酰胺腺嘌呤二核苷酸磷酸 (NADPH) 氧化酶 2 (Nox2) 抑制剂，
支持语义和空间构造场景处理的独特且重叠的大脑网络
场景意象在我们回忆自传体记忆、想象未来和在世界中探索时起着重要作用。因此，在本研究中，我们试图更好地了解大脑如何支持场景表征。处理场景涉及各种认知过程，这些过程在现实世界中具有高度交互性。然而，在这里，我们的目标是分离语义和空间构造场景过程，以便识别每个过程特有的大脑区域、它们共同拥有的区域以及区域之间的连接。为此，参与者在功能性磁共振成像期间搜索场景中的语义或空间构造不可能性。我们只关注那些可能的场景，从而消除任何会引起惊讶或新奇等反应的错误检测。重要的是，我们还在参与者之间平衡了可能的场景，使我们能够在两种不同条件下检查相同可能场景图像的大脑活动和连接性。我们发现参与者在每种条件下都采用了不同的认知策略，这反映在不同的眼球运动行为中。这些反过来又与颞叶外侧皮层和顶叶皮层在语义场景处理中的参与度增加、海马体在空间构造场景处理中的参与度增加以及腹内侧前额叶皮层 (vmPFC) 的激活度增加有关，腹内侧前额叶皮层 (vmPFC) 是两者共有的。连接性分析表明，vmPFC 根据手头的任务在语义和空间构造大脑网络之间切换。这些发现进一步强调了颞叶外侧区域众所周知的语义功能，同时为先前断言的海马体对场景构造的贡献提供了额外的支持，以及最近提出的 vmPFC 可能在协调场景处理中发挥关键作用的建议。