XiaoMi-AI文件搜索系统
World File Search Systemprediction
目标活动预测可以改进 CRISPR-...
利用 Cas9 的催化失活突变体（称为 dCas9）阻断细菌基因表达的能力正迅速成为一种标准方法，用于探测基因功能、进行高通量筛选和设计细胞以达到预期目的。然而，我们仍然缺乏对决定 dCas9 靶向活性的设计规则的良好理解。利用高通量筛选数据，我们建立了一个模型，根据靶序列预测 dCas9 阻断 RNA 聚合酶的能力，并在独立生成的数据集上验证其性能。我们进一步为大肠杆菌 MG1655 EcoWG1 设计了一个新型的全基因组向导 RNA 文库，使用我们的模型选择具有高活性的向导，同时避免可能有毒或具有脱靶效应的向导。在富集培养基中生长期间使用 EcoWG1 库进行的筛选比之前发布的筛选有所改进，表明仅使用少量精心设计的指南即可获得非常好的性能。能够设计有效的小型库将有助于使 CRISPRi 筛选更容易执行且更具成本效益。我们的模型和材料可通过 crispr.pasteur.fr 和 Addgene 向社区提供。
S4-Multi：增强祖先多样化人群的多基因评分预测
目标祖先：总计：PRS 结构：AFR：AMR：EAS：SAS：CT-SLEB 2 1 0 1 4 LDpred2 1 0 0 0 1 LDpred2（加权）5 2 1 1 9 PRS-CSx 48 21 30 23 122 S4-MulJ 2 36 28 33 99 XPASS 2 0 1 2 5 总计：60 60 60 60 240 219
使用脑电图进行脑机接口手假肢感觉运动控制的运动预测
摘要 在本研究中，我们介绍了一种市售肌电假肢（Myobock ©，奥托博克）的改进版本，旨在为该设备提供基于脑机接口 BMI 的感觉运动控制。新系统使用用户的脑电图 (EEG) 信号以及手镯产生的振动作为输入，手镯包含振动马达，其频率与安装在假指尖的力敏电阻 (FSR) 测量的力成正比。在对七名健全人和四名截肢受试者进行实验期间，三种不同特征提取方法 (CSP、WD、GSO) 的四种组合已用于构建由两种具有不同电极数量的不同记录系统收集的 EEG 信号的特征向量。然后测试了三种机器学习算法（人工神经网络、具有线性和径向基函数核的支持向量机）的分类/预测性能。报告的结果为使用无线 BMI 来控制肌电假肢的主要运动类型提供了概念证明，即使用电极较少的 EEG 系统而不是研究级系统。
心肺复苏后24小时生存的心脏骤停患者的医院死亡率预测模型的开发和验证
目的：对心肺复苏后24小时存活的患者预测模型的研究研究（CPR）是有限的。我们旨在探索这些患者中与医院死亡率相关的因素，并开发出一种预测模型，以帮助临床决策并提高激怒后患者的存活率。方法：我们从Dryad数据集中的一项回顾性研究中获取数据，将心脏骤停后CPR遭受心脏骤停的患者分为训练集，并以7：3的比率进行验证。我们使用最低绝对收缩和选择操作员（Lasso）回归以及单变量和多元物流分析的训练集中鉴定了与医院死亡率相关的变量。利用这些变量，我们开发了一个预后的nom图，用于预测评分后死亡率。校准曲线，接收器工作曲线（ROC）下的面积，决策曲线分析（DCA）和临床影响曲线用于评估诺格图的可区分性，准确性和临床实用性。结果：研究人群包括374例患者，分配给培训组的262例，为验证组112例。，有213名患者在医院死亡。ROC在训练组中显示AUC分别为0.827和0.817。校准曲线，DCA和临床冲击曲线以良好的准确性和临床实用性证明了列图。进一步确认模型的精度需要外部验证数据。Multivariate logistic analysis revealed age (OR 1.05, 95% CI: 1.03 – 1.08), witnessed arrest (OR 0.28, 95% CI: 0.11 – 0.73), time to return of spontaneous circulation (ROSC) (OR 1.05, 95% CI: 1.02 – 1.08), non-shockable rhythm (OR 3.41, 95% CI: 1.61 – 7.18），碱性磷酸酶（OR 1.01，95％CI：1 - 1.01）和顺序器官衰竭评估（SOFA）（OR 1.27，95％CI：1.15 - 1.4）是CPR后24小时患者的医院死亡率的独立危险因素。结论：我们的预测模型具有准确的预测性预测价值，该医院死亡率在CPR后24小时存活的患者中具有准确的预测价值，这将是有益的，这将是有益的。
重症监护病房中残留意识的多模式预测：CONNECT-ME 研究
功能性磁共振成像 (fMRI) 和脑电图 (EEG) 可能揭示意识障碍 (DoC) 患者的残留意识，这反映在有关慢性意识障碍的文献中。然而，急性意识障碍很少被研究，尽管识别残留意识是重症监护病房 (ICU) 临床决策的关键。因此，前瞻性、观察性、三级中心队列、诊断性 IIb 期研究“使用脑电图和 fMRI 进行神经重症监护队列研究中的意识”(CONNECT-ME，NCT02644265) 的目的是评估 fMRI 和脑电图在 ICU 中识别急性意识障碍的残留意识的准确性。2016 年 4 月至 2020 年 11 月期间，对 87 名患有创伤性或非创伤性脑损伤的急性意识障碍患者进行了反复临床评估、fMRI 和脑电图检查。通过视觉分析、频带分析和支持向量机 (SVM) 意识分类器评估静息态脑电图和外部刺激下的脑电图。此外，还评估了典型静息态 fMRI 网络内和网络间静息态连接。接下来，我们使用研究入组时的 EEG 和 fMRI 数据，采用两种不同的机器学习算法（随机森林和带线性核的 SVM）来区分研究入组时和转出 ICU 时（或死亡前）处于微意识状态或更好（≥ MCS）的患者与昏迷或无反应觉醒状态（≤UWS）的患者。使用曲线下面积（AUC）评估预测性能。在 87 名 DoC 患者（平均年龄 50.0 ± 18 岁，43% 为女性）中，51 名（59%）在研究入组时≤UWS，36 名（41%）≥ MCS。31 名（36%）患者在 ICU 死亡，其中 28 名患者停止了生命维持治疗。 EEG 和 fMRI 可预测入选研究和转出 ICU 时的意识水平，最大 AUC 分别为 0.79（95% CI 0.77–0.80）和 0.71（95% CI 0.77–0.80）。基于组合 EEG 和 fMRI 特征的模型可预测入选研究和转出 ICU 时的意识水平，最大 AUC 分别为 0.78（95% CI 0.71–0.86）和 0.83（95% CI 0.75–0.89），阳性预测值和灵敏度均有所提高。总体而言，两种机器学习算法（SVM 和随机森林）的表现同样出色。总之，我们建议 ICU 中的急性 DoC 预测模型应基于 fMRI 和 EEG 特征的组合，而不管使用哪种机器学习算法。
基于大脑连通性的现实生活创造力预测由语义记忆结构介导
创造力的联想理论认为，创造性认知涉及产生远距离联想的能力，以及在语义记忆中不相关的概念之间建立有用联系的能力。然而，现实生活中的创造性行为是否以及如何依赖于语义记忆结构及其神经基础仍不清楚。我们在参与者接受语义相关性判断任务时获取了多回波功能磁共振成像数据。这些评级用于估计他们各自的语义记忆网络，其属性可显著预测他们现实生活中的创造力。使用连接组预测建模方法，我们确定了基于任务的功能连接模式，这些模式可预测与创造力相关的语义记忆网络属性。此外，这些属性介导了功能连接与现实生活中的创造力之间的关系。这些结果为大脑连接模式如何通过语义记忆结构支持现实生活中的创造性行为提供了新的见解。我们还展示了如何使用计算网络科学来结合行为、认知和神经层面的分析。
修正为：用于锂离子电池寿命预测和基于风险价值的维护框架的不确定性校正分数广义帕累托运动
原文发表时未注明资金来源：本研究由泉州市科技重大专项（批准号：2022GZ8）、闽南理工大学技术创新项目（批准号：23XTD113）、产学研合作资助。
SGLT2 抑制剂的脱靶预测
。CC-BY-NC-ND 4.0 国际许可证永久有效。它以预印本形式提供（未经同行评审认证），作者/资助者已授予 bioRxiv 许可，可以在该版本中显示预印本。版权所有者于 2025 年 1 月 22 日发布了此版本。；https://doi.org/10.1101/2025.01.20.633821 doi：bioRxiv 预印本
使用2015年CHARLS数据建立并验证中国中老年人高脂血症风险预测模型
结果：6 629名中老年人高脂血症患病率为26.32%（1 745/6 629）。LASSO回归和多因素Logistic回归分析均显示，体质指数（BMI）、空腹血糖、血尿酸、C反应蛋白、白细胞计数是该人群高脂血症的独立危险因素（比值比（OR）大于1，p值小于0.05）。据此构建列线图预测模型，用于估计中老年人高脂血症的风险。列线图的受试者工作特征（ROC）曲线下面积（AUC）为0.717（95%可信区间（CI）：0.703～0.731），判别能力良好。决策曲线分析 (DCA) 表明当中老年人群患高脂血症的概率在 0.11 至 0.61 之间时，应用列线图可获得最高净收益，表明列线图模型具有良好的临床适用性。Spiegelhalter 的 z 统计量检验证实，列线图模型的预测概率与观察到的高脂血症频率具有很好的一致性（p = 0.560）。列线图模型的 Brier 评分为 17.1%，低于 25% 的阈值，表明校准性良好。为了内部验证列线图模型，我们进行了 500 次引导重采样。来自
大规模蛋白质结构预测方法，用于增强注释MiguelSánchezMarín
蛋白质是构成生命并介导其内部机制的小成分。它们由氨基酸链组成，这些分子依次定义蛋白质序列。该序列的组成决定了蛋白质的三维结构。在这条线中，蛋白质的功能与其三维结构密切相关。通过实验实验确定蛋白质序列比确定其结构或功能更便宜，更容易。这就是为什么，可用序列的数量高于已知蛋白质结构和功能的数量。深度学习最近允许像实验室实验一样准确地从其序列中快速预测蛋白质结构。最近，蛋白质结构比较工具也提高了速度，从而可以进行大规模分析。蛋白质结构通常比其序列更相似，因此比较结构可以帮助检测远处的进化关系。蛋白质已从共同祖先改编成不同物种，以及它们重复并专门从事单个生物体，以实现相似的功能。是因为这个，如果两种蛋白质在进化上相关，则它们可能会共享诸如其一般功能之类的共同特征。结合了所有这些概念，我们可以从生物体的序列中预测所有未知的蛋白质结构，寻找具有相似结构和已知功能的蛋白质，并推断可能的功能，从而获得许多功能信息。通过结合这些高级方法并与大型数据集合作，研究人员可以从现有数据有价值的信息中提取以了解进化过程。这突出了如何将有关蛋白质结构预测和比较工具的最新进步结合起来，以解锁全新的方法并从笔记本电脑中启发进化机制。