XiaoMi-AI文件搜索系统
World File Search Systemparallel
人类 T 细胞的大规模并行敲入工程
靶向基因敲入在细胞治疗中的应用效率普遍较低，规模有限。本研究开发了CLASH系统，该系统能够实现高效、高通量的基因敲入工程。在CLASH中，Cas12a/Cpf1 mRNA与混合腺相关病毒结合，通过大规模并行同源定向修复介导同时基因编辑和精准转基因敲入，从而产生一个稳定整合的突变变体池，每个变体都具有靶向基因编辑功能。我们将该技术应用于原代人T细胞，并使用CD3、CD8和CD4 T细胞在血癌和实体瘤模型中进行了时间进程式CLASH实验，从而实现了有利的CAR-T变体的混合生成和无偏选择。 CLASH 实验中出现了一种独特的 CRISPR RNA (crRNA)，它可以在 CAR-T 中生成 PRDM1 的外显子 3 跳跃突变，从而增强这些细胞的增殖、干细胞样特性、中枢记忆和寿命，从而在多种癌症模型（包括实体瘤模型）中提高体内疗效。CLASH 的多功能性使其广泛应用于各种细胞和治疗工程应用。
基于人工智能的患者特定临床决策支持系统，帮助骨关节炎患者选择是否进行手术：单中心、平行组、非劣效性随机对照试验的研究方案
© 作者 2023。开放存取 本文根据知识共享署名 4.0 国际许可进行授权，允许以任何媒体或格式使用、共享、改编、分发和复制，只要您给予原作者和来源适当的信任，提供知识共享许可的链接，并指明是否做了更改。 本文中的图片或其他第三方资料包含在文章的知识共享许可中，除非资料的致谢中另有说明。 如果资料未包含在文章的知识共享许可中，且您的预期用途不被法定规定允许或超出允许用途，则需要直接从版权所有者处获得许可。 要查看此许可证的副本，请访问 http://creativecommons.org/licenses/by/4.0/ 。知识共享公共领域贡献豁免（http://creativeco mmons.org/publicdomain/zero/1.0/）适用于本文中提供的数据，除非数据来源中另有说明。
基于序列 - 平行结构优化四级运动图像EEG分类
运动成像脑电图（MI-EEG）是最重要的脑部计算机界面（BCI）信号之一。至关重要的是分析MI-EEG来操纵外部BCI执行器。但是，传统方法通常分别进行EEG特征提取和分类，这可能会失去有效的特征信息。它的行为超出了我们对由空间凝胶引起的多级MI活动的满意度，无法消除个体差异的影响。为了解决这些问题，我们提出了一个卷积神经网络（CNN），其端到端序列 - 平行（SP）结构随后是转向学习。详细说明，我们使用串行模块在时频空间域中提取粗糙的特征，以及以不同尺度的精细特征学习的并行模块。同时，提出了一种冻结和重新训练的调整转移学习策略，以提高跨主体精度。将模型与其他三个典型网络进行比较时，结果表明，所提出的模型的平均测试准确性为72.13％，平均损失为0.47，其中一个受试者仅需0.7秒即可达到89.17％，作为最高一个。通过转移学习，我们将训练参数减少了53％。平均跨受试者分类精度提高了大约15％，并且个人最高精度达到76.98％。总而言之，SPCNN的完整性和可分离性确定我们不需要其他EEG信号特征分析，这有利于实现有效的在线BCI。它也可以摆脱对培训时间和主题数据的依赖，以便将来快速提高BCI。
CAS9变体特异性的高度平行分析
确定可编程核酸酶的脱靶裂解谱是任何基因组编辑实验的重要考虑因素，并且已经报道了许多提高特异性的CAS9变体。我们在这里描述了基于标记的标签积分位点测序（TTISS），这是一种有效的，可扩展的方法，用于分析我们在59个目标中与八个CAS9变体平行应用的双链断裂。此外，我们生成了数千种其他CAS9变体，并筛选了具有增强特异性和活动的变体，识别LZ3 Cas9，这是具有唯一+1插入曲线的高特异性变体。这种全面的比较揭示了CAS9活动和特异性之间的一般权衡，并提供了有关+1插入频率的信息，这对校正移码突变具有影响。
一种约束嵌入方法，用于与混合四肢平行运动学操纵器的动力学建模
平行运动学操纵器（PKM）的特征是封闭的运动环，由于四肢平行排列，但也是由于四肢中存在运动环。此外，许多PKM都是由通过串行组合运动环构建的四肢构建的。这样的四肢称为混合动力，形成了特定类别的复杂四肢。设计和基于模型的控制需要精确的动态PKM模型，而无需简化模型。动力学建模需要在PKM的标准运动学建模中具有运动关系，在该模型中，仅计算了操纵器的正向和逆运动解（相关输入和输出运动）。这与杂种四肢的PKM更加涉及。在本文中采用模块化建模方法，分别处理四肢，并且动作的单个动态方程（EOM）随后将其组装到整体模型中。运动模型的关键是四肢内单个循环的约束分辨率。此局部约束分辨率是一般约束嵌入技术的特殊情况。提出的方法最终允许对一般PKM进行系统的建模。该方法用于IRSBOT-2，其中每个肢体包含两个独立的回路。©2022作者。由Elsevier B.V.这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。
空间：Vlasov-Maxwell 和 Vlasov-Poisson 的 3D 并行求解器
本报告是由美国政府某个机构资助的工作报告。美国政府或其任何机构、其雇员、承包商、分包商或其雇员均不对所披露信息、设备、产品或流程的准确性、完整性或任何第三方的使用或此类使用结果做任何明示或暗示的保证，或承担任何法律责任或义务，或表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务，并不一定构成或暗示美国政府或其任何机构、其承包商或分包商对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。
自然视觉中局部平行性的神经相关性
人类观察者可以快速感知复杂的现实世界场景。将视觉元素分组为有意义的单元是此过程不可或缺的一部分。然而，到目前为止，感知分组的神经基础仅通过简单的实验室刺激进行研究。我们在此揭示了一种重要的感知分组线索——局部平行性的神经机制。使用一种新的图像可计算算法来检测线条画和照片中的局部对称性，我们操纵了现实世界场景的局部平行性内容。我们从 38 名人类观察者在观看操纵场景时通过功能性磁共振成像 (fMRI) 获得的大脑活动模式中解码了场景类别。与海马旁回 (PPA) 中的弱局部平行性相比，包含强局部平行性的场景的解码准确度明显更高，这表明平行性在场景感知中起着核心作用。为了研究平行信号的起源，我们对公共 BOLD5000 数据集进行了基于模型的 fMRI 分析，寻找激活时间过程与实验参与者观看的 4916 张照片的局部平行内容相匹配的体素。我们发现视觉区域 V1-4、PPA 和后压部皮质 (RSC) 中的平均局部对称性存在很强的关系。值得注意的是，与平行相关的信号首先在 V4 中达到峰值，表明 V4 是从视觉输入中提取平行的位点。我们得出结论，局部平行是一种感知分组线索，影响整个视觉层次的神经元活动，大概从 V4 开始。平行在 PPA 中场景类别的表示中起着关键作用。
算法和并行VLSI架构III
本书中的材料基于在第三届算法和平行VLSI架构的国家间研讨会上提出的作者贡献，该研讨会在卢文（Leuven）举行，Au-Gust 29-31，1994。该研讨会部分由Eurasip和Belgian NFWO（国家科学研究基金）赞助，并与IEEE BENELUX信号处理章节，IEEE BENELUX CIRCETITS和SYSSPEL CAPLER和法国INRIA，法国的IEEE BENELUX信号处理章节合作。这是1990年6月在法国的Pont - ＆ - Mousson举行的两个同名讲习班[1]和法国Bonas，1991年6月[2]。所有这些研讨会都是在EC基础研究行动Nana和Nana2的框架内组织的，这是新的Real.Time Architectures的新型并行算法，由欧洲委员会的ESPRIT计划赞助。NANA承包商是IMEC，Leuven，Belgium（F. Catthoor），K.U。卢文，鲁汶，比利文（J. Vandewalle），恩斯尔，里昂，法国（Y。Robert），tu代代尔特，代尔夫特，代尔夫特，荷兰（P。Dewilde和E. Deprete），Irisa，Irisa，Rennes，Rennes，Rennes，Francance（P. Quinton）。这些项目中的目标是贡献适用于平行体系结构实现的算法，另一方面，设计方法和综合技术，这些方法和综合技术解决了从真实行为到系统的平行体系结构的设计轨迹。因此，这显然与研讨会和书籍的范围重叠。
使用能量景观可视化方法来检查淀粉样蛋白β单体变体的集合及其倾向以形成纤维
哺乳动物的视觉系统由平行的分层专业途径组成。不同的途径在使用更适合支持特定下游行为的表示形式方面是专门的。在特定的情况下，最清楚的例子是视觉皮层的腹侧（“ What what”）和背（“ Where”）途径的专业化。这两种途径分别支持与视觉识别和运动有关的行为。至今，深度神经网络主要用作腹侧识别途径的模型。但是，尚不清楚是否可以使用单个深ANN对两种途径进行建模。在这里，我们询问具有单个损失函数的单个模型是否可以捕获腹侧和背途径的特性。我们使用与其他哺乳动物一样的小鼠的数据探讨了这个问题，这些途径似乎支持识别和运动行为。我们表明，当我们使用自我监督的预测损失函数训练深层神经网络体系结构时，我们可以在拟合鼠标视觉皮层的其他模型中胜过其他模型。此外，我们可以对背侧和腹侧通路进行建模。这些结果表明，应用于平行途径体系结构的自我监督的预测学习方法可以解释哺乳动物视觉系统中看到的一些功能专业。