XiaoMi-AI文件搜索系统
World File Search Systempredicting
免疫激活和阿尔茨海默氏病的CSF生物标志物预测老年人的认知障碍风险
免疫系统基本影响了与年龄相关的认知下降和阿尔茨海默氏病（AD）的进展，受遗传和环境因素的影响。在蛋黄酱的蛋黄酱诊所研究中，我们研究了脑脊液（CSF）中的APOE基因型，年龄和性别等危险因素如何影响炎症分子和AD生物标志物。在65岁以上（n = 298）以上的认知未受损的个体中，我们测量了365个CSF炎症分子，发现年龄，性别和糖尿病的状态主要影响其水平。我们观察到与AD生物标志物（如TAU，磷酸化的Tau-181，Neurofile-tau Light Chain（NFL）和YKL40）等年龄相关的相关性。apoE4与CSF中的较低的Aβ42和较高的SNAP25相关。我们探索了预测认知下降风险的基线变量，发现年龄，CSFAβ42，NFL和REG4独立关联。患者年龄较大，Aβ42，较高的NFL和较高的REG4在随访期间的认知障碍风险增加。这表明评估CSF炎症分子和AD生物标志物可以预测老年人的认知障碍风险。
人工智能和机器学习方法的应用在农业干旱期间预测农民行为
摘要人工智能（AI）和机器学习（ML）在预测农业干旱期间的行为方面的整合已在增强农业弹性和可持续性方面取得了重大进步。研究表明，ML算法可以分析有关环境条件，农作物健康和经济因素的多种数据集，从而使农民有能力做出有关资源管理的明智决定。AI显示出优化节水实践的希望，尤其是在易于干旱的地区至关重要，从而提高了农业供应链的生产力和生态管理。确保在各种农业环境中，尤其是在具有传统农业实践的开发地区，强调具有文化意识的AI应用程序。关键字：人工智能，机器学习，农业干旱
家庭遗传：理解和预测精神疾病的代际传递
最初发表于：van Houtum，Lisanne AEM；巴雷，威廉 FC；贝克曼，Christian F；卡斯特罗-福涅莱斯，约瑟芬娜；塞西尔（Cecil），夏洛特（Charlotte）AM；朱利安·迪特里希；埃布德鲁普（Bjørn H）； Fegert，Jörg M；哈夫达尔，亚历山德拉； Hillegers，Manon HJ；卡利施，拉斐尔；库什纳，史蒂文 A； Mansuy，Isabelle M；梅日斯卡，西涅；莫雷诺，卡门； Muetzel，Ryan L；诺伊曼，亚历山大；诺登托夫特，梅雷特；平戈，让-巴蒂斯特；普雷西格（Martin）；拉巴洛，安德里亚；桑德斯，约翰； Sp-rooten，Emma；苏格拉耶斯，吉塞拉；蒂迈尔，亨宁；范沃登（van Woerden），Geeske M； Vandeleur，Caroline L； van Haren，Neeltje EM（2024）。家庭中的传承：理解和预测精神疾病的代际传播。欧洲儿童青少年精神病学，33（11）：3885-3898。 DOI：https://doi.org/10.1007/s00787-024-02423-9
PassFlow：用于预测深部脑刺激结果的多模式工作流程
目的：深部脑刺激 (DBS) 是一种行之有效的帕金森病 (PD) 治疗方法，通常可增强运动功能。然而，DBS 后可能会出现一些不良副作用，从而降低患者的生活质量。因此，临床团队必须仔细选择要进行 DBS 的患者。在过去十年中，曾有人尝试将术前数据与 DBS 临床结果联系起来，其中大部分都集中在运动症状上。在本文中，我们提出了一种基于机器学习的方法，能够预测大量 PD 的 DBS 临床结果。方法：我们提出了一种多模式管道，称为 PassFlow，可预测 84 个临床术后临床评分。PassFlow 由一个用于压缩临床信息的人工神经网络、一种用于从 T1 成像中提取形态生物标志物的最先进的图像处理方法以及一个用于执行回归的 SVM 组成。我们在 196 名接受 DBS 的 PD 患者身上验证了 PassFlow。结果：PassFlow 的相关系数高达 0.71，能够显著预测 84 个评分中的 63 个，优于比较线性方法。还发现，利用这些术前信息预测的指标数量与可获得这些信息的患者数量相关，表明 PassFlow 方法仍在积极学习中。结论：我们提出了一种基于机器学习的新型流程，用于预测 PD 患者 DBS 术后的各种临床结果。PassFlow 考虑了来自不同数据模式的各种生物标志物，仅从术前数据中就显示出一些评分的高相关系数。这表明，DBS 的许多临床结果都可以预测，而与特定的模拟参数无关，因为 PassFlow 已在没有此类刺激相关信息的情况下得到验证。
高密度透明石墨烯阵列用于根据表面电位记录预测深度细胞钙活性
光学透明神经微电极有助于同时从大脑表面进行电生理记录以及神经活动的光学成像和刺激。剩下的挑战是将电极尺寸缩小到单细胞大小并增加密度，以高空间分辨率记录大面积的神经活动，从而捕捉非线性神经动力学。在这里，我们开发了透明石墨烯微电极，它具有超小开口和大而透明的记录区域，视野中没有任何金延伸，高密度微电极阵列高达 256 个通道。我们使用铂纳米粒子来克服石墨烯的量子电容极限，并将微电极直径缩小到 20 μm。引入了层间掺杂的双层石墨烯以防止开路故障。我们进行了多模态实验，将微电极阵列的皮质电位记录与小鼠视觉皮层的双光子钙成像相结合。我们的结果表明，视觉诱发反应在空间上是局部的，适用于高
评估机器学习和深度学习模型，以根据环境因素预测风力涡轮机的功率输出
本研究对机器学习 (ML) 和深度学习 (DL) 模型进行了全面的比较分析，这些模型用于根据温度、湿度、风速和风向等环境变量预测风力涡轮机 (WT) 的功率输出。除了人工神经网络 (ANN)、长短期记忆 (LSTM)、循环神经网络 (RNN) 和卷积神经网络 (CNN) 外，还研究了以下 ML 模型：线性回归 (LR)、支持向量回归器 (SVR)、随机森林 (RF)、额外树 (ET)、自适应增强 (AdaBoost)、分类增强 (CatBoost)、极端梯度增强 (XGBoost) 和轻梯度增强机 (LightGBM)。使用 40,000 个观测值的数据集，根据 R 平方、平均绝对误差 (MAE) 和均方根误差 (RMSE) 对模型进行了评估。在 ML 模型中，ET 的性能最高，R 平方值为 0.7231，RMSE 为 0.1512。在 DL 模型中，ANN 的性能最佳，R 平方值为 0.7248，RMSE 为 0.1516。结果表明，DL 模型（尤其是 ANN）的表现略优于最佳 ML 模型。这意味着它们更擅长对多变量数据中的非线性依赖关系进行建模。预处理技术（包括特征缩放和参数调整）通过增强数据一致性和优化超参数来提高模型性能。与之前的基准相比，ANN 和 ET 的性能均表明 WT 功率输出预测的预测准确度有显著提高。这项研究的新颖之处在于直接比较了各种 ML 和 DL 算法，同时强调了先进计算方法在可再生能源优化方面的潜力。
基于无偏多组学网络的数据集成可以对心力衰竭患者进行临床相关的结果预测聚类
图 3 . 秩检验。对相似性网络融合 (SNF)、基础网络集成和血常规获得的簇中心力衰竭恶化的累积发生率曲线进行成对对数秩检验，并绘制对数秩 p 值的平均 -log10。对数秩 p 值的平均 -log10 越高，心力衰竭恶化结果的簇分离效果越好（4 年随访）。最佳结果是应用相似性网络融合 (SNF) 来整合组学数据，然后将其分成 8 个簇。
评估用于预测春季小麦1
摘要：小麦（Triticum aestivum）在全球粮食安全中起着至关重要的作用。巴西的历史平均收益率低于潜在的潜力，而巴西的小麦产量的提高将要求对基本植物开发过程有透彻的了解，这可以使用基于过程的作物模拟模型来实现。这项研究的目的是校准和评估We Treck模型的性能，以模拟巴西亚热带和热带地区春季小麦品种的叶片出现。在四年（2021、2022、2023和2024）中进行了现场实验，分别在四个地点进行了13个小麦品种，分别在里奥格兰德·杜尔（Rio Grande do Sul）和一个在巴西南部和西南部的圣保罗州。每周使用haun尺度确定主骨上的叶子数，直到旗叶。使用了最初用于冬小麦开发的叶片外观的非线性WE触发模型。使用交叉验证方法在4月，5月和2021年6月在圣玛丽亚市使用交叉验证方法校准了该模型，模型评估与来自所有其他位置和播种日期的独立数据。We-Treck Leaf的出现模型在模拟具有不同发育周期（从超早期到晚期）的春季小麦品种中的霍恩阶段表现出色，在不同的环境（亚热带和热带热带）中生长，并具有不同的N敷料管理（时机和来源），其均无方面的误差范围从0.10到0.10落在0.71 cul上。
改善用
根据2018年基本健康研究（RiskesDAS）的发现，根据医生诊断的15岁及以上个人的印度尼西亚糖尿病患病率记录为2％。如果与2013年及以上人口中糖尿病的患病率相比，2013年有可能的结果，则增加了1.5％。从血糖水平测试的结果中可以看出，糖尿病的患病率从2013年的6.9％增加到2018年的8.5％。此数据表明，只有大约25％的糖尿病患者知道他们患有病情[4]。因此，有必要具有可以帮助预测某人是否患有糖尿病的算法。为了对发生疾病的可能性进行准确的预测，必须实施数据挖掘算法。数据挖掘是一门学科，专注于分析数据，以获取与使用关键字或现有信息的当前可用信息更广泛的信息[5]。