XiaoMi-AI文件搜索系统
World File Search Systempubmed
附录 1 PubMed、Web of ...的检索策略
((Aged[Mesh] 或 Aging[Mesh] 或 Aged[Text Word] 或 aging[Text Word] 或 Elder*[Text Word] 或 “old adult*”[Text Word] 或 “older adult*”[Text Word] 或 “old person*”[Text Word] 或 “older person*”[Text Word] 或 “old individual*”[Text Word] 或 “older individual*”[Text Word] 或 “old people”[Text Word] 或 geriatr*[Text Word] 或 “independent living”[Mesh Terms] 或 “independent living”[Text Word] 或 “healthy aging”[Mesh] 或 “healthy aging”[Text Word] 或 healthy[Text Word]) AND (Exercise[Mesh] 或 Exercise[Text Word] 或 “physical activity”[Text Word] 或 “physical exertion”[MeSH] 或 “physical exertion”[Text Word] 或 “physical fitness”[Mesh] 或 “Physical Education and Training”[Mesh] 或“体育教育与训练”[Text Word] 或 “体育教育”[Text Word] 或 “体育训练”[Text Word] 或 “体能训练”[Text Word] 或 “体能训练”[Mesh] 或 “体能训练”[Text Word]) AND (mhealth[Text Word] 或 “m-health”[Text Word] 或 “移动健康”[Text Word] 或 “可穿戴技术*”[Text Word] 或 “智能手机*”[Text Word] 或 “移动应用*”[Text Word] 或 应用*[Text Word] 或 webapp*[Text Word] 或 ehealth[Text Word] 或 “电子健康”[Text Word] 或 远程医疗[Text Word]))
在 PubMed 上搜索 MeSH - 健康科学中心图书馆
非胰岛素依赖型糖尿病或非胰岛素依赖型糖尿病或非胰岛素反应型糖尿病或非胰岛素反应型糖尿病或成人发病型糖尿病或成人发病型糖尿病或 II 型糖尿病或 2 型糖尿病或 NIDDM
高度良好的基因表达调节...
在看不见的文章上的出色表现表明，BERT模型的预测能够概括。使用BERT模型的多数投票，其中94.8％（2,019,050）的文章被识别为含有药物或蛋白质实体的药物目标（阳性）。在〜2.1m的正面预测文件中，21.9％（467,638）在Pubtator中包含药物和蛋白质实体。结果可能是低估的，因为药物或蛋白质实体（或两者都）可能被沉积为补充数据，而PubTator的后端算法未捕获。这意味着，即使文章被积极预测，在某些情况下，我们的工作流程可能不会捕获药物或蛋白质，因此手动策展人的任务使手动策展人检查了补充材料。的确，许多
使用 BERT 从整个 PubMed 中识别药物-靶标相互作用
摘要背景：药物-靶标相互作用 (DTI) 对于药物重新利用和阐明药物机制至关重要，它们收集在大型数据库中，例如 ChEMBL、BindingDB、DrugBank 和 DrugTargetCommons。然而，提供这些数据的研究数量（约 0.1 百万）可能仅占 PubMed 上包含实验性 DTI 数据的所有研究的一小部分。查找此类研究并提取实验信息是一项艰巨的任务，迫切需要机器学习来提取和管理 DTI。为此，我们开发了基于 Transformers 的双向编码器表示 (BERT) 算法的新型文本挖掘文档分类器。由于 DTI 数据与用于生成它的检测类型密切相关，因此我们还旨在合并函数来预测检测格式。结果：我们的新方法从以前未包含在公共 DTI 数据库中的 210 万项研究中识别和提取了 DTI。使用 10 倍交叉验证，我们获得了约 99% 的识别包含药物-靶标对的研究的准确率。检测格式预测的准确率约为 90%，这为未来的研究留下了改进的空间。结论：本研究中的 BERT 模型是稳健的，所提出的流程可用于识别包含 DTI 的新研究和以前被忽视的研究，并自动提取 DTI 数据点。表格输出有助于验证提取的数据和检测格式信息。总体而言，我们的方法在机器辅助 DTI 提取和管理方面取得了重大进步。我们希望它成为药物机制发现和再利用的有用补充。关键词：BERT、来自 Transformer 的双向编码器表示、用于生物医学数据的 BERT、药物靶标相互作用预测、挖掘药物靶标相互作用、生物医学文本挖掘、生物活性数据、药物再利用
Jagiellonian University CM的员工和博士生的出版物添加到PubMed数据库
S.，Vaes B.，G.，Torzsa P.，Ticmane G.，Sainter T.，Servant A.，Stafle M.，Petrics G.，Petet D. M.，Mossong J.，Kozlovska L.，SegernäsA。，Krzto-Christian A. L.，Shushman I.，Ilkov O.，Hoffmann K.，Heleno B.，HanževačkiM.，Goldagski D. Bakola M.，Adler L.，Assenova R.，S.S.，Astier-PeñaMP。 EUR J Gen练习。 2024 dec; 30：2409240。 doi： EPUB 2024 10月22日。 pmid：39435869S.，Vaes B.，G.，Torzsa P.，Ticmane G.，Sainter T.，Servant A.，Stafle M.，Petrics G.，Petet D. M.，Mossong J.，Kozlovska L.，SegernäsA。，Krzto-Christian A. L.，Shushman I.，Ilkov O.，Hoffmann K.，Heleno B.，HanževačkiM.，Goldagski D. Bakola M.，Adler L.，Assenova R.，S.S.，Astier-PeñaMP。EUR J Gen练习。2024 dec; 30：2409240。 doi：EPUB 2024 10月22日。pmid：39435869
使用BERT识别整个PubMed
抽象的几何形状是在统计中的不同几何形状的应用，在统计中，Fisher-Rao指标在统计歧管上用作Riemannian指标，为参数灵敏度提供了内在特性。在本文中，我们探索了使用非富米系统的Fisher-Rao指标。通过近似非温米特式哈密顿量中的Lindblad Master方程，我们计算了量子几何度量的时间演变。最后，我们举例说明了假想磁场的量子旋转模型，探索了Pt -Ammetric Hamiltonian的能量光谱和几何度量的演化，并讨论在对控制Hamiltonian的条件下，可以消除虚电场的耗散效果，以提高Hamiltonian的估算，以提高Hamiltonian的估算，以提高参数的准确性。
使用来自 PubMed 的词嵌入进行监督学习可以捕获有关蛋白激酶和癌症的潜在知识。
多年来，抑制导致癌症的蛋白激酶 (PK) 一直是癌症治疗的重要课题。到目前为止，FDA 批准的药物已经针对了 530 多种 PK 中的近 8%，大约 150 种蛋白激酶抑制剂 (PKI) 已经在临床试验中进行了测试。我们提出了一种基于自然语言处理和机器学习的方法来研究 PK 和癌症之间的关系，预测抑制哪些 PK 可以有效治疗某种癌症。我们的方法根据 PubMed 摘要中的单词和概念邻域将 PK 和癌症表示为具有语义意义的 100 维向量。我们使用 ClinicalTrials.gov 中有关 I-IV 期试验的信息来构建随机森林分类的训练集。我们使用历史数据的结果显示，可以提前数年准确预测 PK 与特定癌症之间的关联。我们的工具可用于预测抑制 PK 对特定癌症的相关性，并支持设计有针对性的临床试验，以发现用于癌症治疗的新型 PKI。