XiaoMi-AI文件搜索系统
World File Search Systemrelevance
NMDAR1自身抗体放大遗传性白质炎症的行为表型：具有神经精神相关性的轻度脑炎模型
脑炎的患病率≤0.01％。即使进行了广泛的诊断检查，在<50％的病例中也识别或怀疑感染性病因，这表明病因学不清楚，非感染过程的作用。尽管在许多神经精神疾病中可检测到可检测的神经素浮游，但轻度的脑炎经常引起人们的注意。在人类中广泛探索的领域，尽管在啮齿动物中清楚地记录了遗传脑肿瘤，尤其是与髓磷脂异常相关的遗传肿瘤，诱导了原发性白质脑炎。我们假设“自身免疫性脑脑症”可能是由于任何大脑插入与存在脑抗原导向的自身抗体（例如，针对N-甲基-D-天冬氨酸受体NR1（NMDAR1-AB）（NMDAR1-AB）的存在，但不是有可能塑造出来的nr1抗原受体NR1（NMDAR1- AB）的脑部抗原引起的，这些自身抗体的表现。因此，我们免疫缺乏结构性髓磷脂蛋白2'-3' - 环状核苷酸3' - 磷酸二酯酶（CNP）的年轻雌性CNP - / - 小鼠，含有NMDAR1肽的“鸡尾酒”。cnp - / - 小鼠表现出白质和血液 - 脑屏障破坏的早期低度炎症。我们新颖的心理时间旅行测试揭示了CNP - / - 小鼠在何时何时损害了 - 何时 - 何时取向，但是NMDAR1-AB并没有进一步恶化这种发作的记忆读数。相比之下，关于海马学习/记忆和运动平衡/协调的野生型和CNP - / - 小鼠的野生型和CNP - / - 小鼠揭示了行为病理的不同阶段模式。为了阐明寡头NMDAR下调对NMDAR1-AB效应的潜在贡献，我们产生了条件NR1敲除小鼠。这些小鼠表现出正常的莫里斯水迷宫和心理时间旅行，但束平衡性能类似于免疫的CNP - / - 。免疫组织化学确定CNP - / - 小鼠中的神经因子 /神经变性，但没有NMDAR1-AB的附加效应。得出结论，遗传脑炎症可能解释了自身免疫性条件下的脑部成分。
结构多样性、光学特性和生态相关性
摘要。在水中，透明度似乎是一种理想的隐藏策略，各种透明的水生生物就是明证。相比之下，除了昆虫翅膀之外，陆地上几乎没有透明度，而且关于其功能和进化的知识很少，研究很零散，没有比较的视角。鳞翅目（蝴蝶和蛾）是研究陆地透明度的一个杰出群体，因为它们通常拥有覆盖着彩色鳞片的不透明翅膀，这是一项关键的多功能创新。然而，许多鳞翅目物种已经进化出部分或完全透明的翅膀。在物理学和生物学的交界处，本研究调查了 123 种鳞翅目物种（来自 31 个科）的翅膀透明度的结构基础、光学特性以及与视觉检测（隐藏）、体温调节和防紫外线相关的生物学相关性。我们的结果表明，透明度可能已经独立进化了多次。透光效率主要取决于透明翅膀的微结构（鳞片的形状、插入位置、颜色、尺寸和密度）和宏观结构（透明翅膀面积、物种大小或翅膀面积）。微结构特征、鳞片的密度和尺寸在其进化过程中紧密相连，并根据鳞片的形状、插入位置和颜色受到不同的限制。透明度似乎与隐蔽性高度相关，且随尺寸而变化。透明度和纬度之间的联系与透明度在体温调节中的生态相关性相一致，但与防紫外线辐射无关。总之，我们的研究结果为推动陆地透明度进化的物理和生态过程提供了新的见解，并强调透明度是一种比以前认为的更为复杂的着色策略。
供应链分析和 AI 在推动相关性、弹性和责任方面的作用
一家全球消费品制造商正在看到统一需求可以带来的好处，通过改变其以前手动、缓慢且不灵活的需求计划流程。埃森哲与该公司合作，首先评估了公司的供应链，使用基于 ML 的加速器来识别需求的各种独特组成部分，并隔离每个独特供应链环节背后的关键驱动因素——埃森哲和该公司随后利用这些见解为每个环节制定量身定制的供应链战略。与此同时，埃森哲与该公司合作创造了新的需求计划能力和新的运营模式，使用先进的算法和丰富的内部和外部数据，以及从根本上重新设计的需求计划流程，提供实时可见性、统一的需求视图和近乎实时的场景分析。
大规模电池储能（BES）的相关性......
基于可再生能源 (RES) 的分布式发电 (DG) 系统会降低整个系统的惯性，这很可能在扰动条件下在系统中产生更高的振荡。因此，DG 渗透水平对系统稳定性和可靠性有重大影响。本研究深入分析了电池储能系统 (BESS) 在提供一次频率控制以支持提高风电渗透水平方面的影响。BESS 被建模为带有 DC/AC 转换器和其他相关电力电子接口的存储系统。目标是随着风力发电机组的渗透水平的提高，按比例替换现有的同步发电机，同时保持电力系统的稳定性和可靠性。BESS 模型是在 DigSILENT/PowerFactory 中开发的，并模拟了有无 BESS 的系统性能，并比较了考虑不同干扰（例如单相接地故障、线路暂时停电和负载需求增加）以及不同 DG 渗透水平的情况。仿真结果表明，BESS 具有减少系统扰动后振荡的能力，并支持现有电力系统中 DG 渗透水平的提高。因此，BESS 可被视为以可再生能源为导向的可持续未来电网稳定性增强的最可行措施。
![通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。](/simg/d/dd5abf0752fcc9f891dc4a96743f916f96f28350.png)
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
通过宿主的组合抑制人冠状病毒抗体 - 药物结合疗法在头颈癌中的治疗潜力：系统评价与帕金森氏病相关的药物重新利用策略
fi g u r e 1的示意图表示胰高血糖素样肽-1（GLP-1）受体激动剂，帕金森氏病（PD）中的艾替替肽的重新利用过程。II型糖尿病（T2DM）被认为是PD的潜在危险因素。对英国临床实践研究数据库（CPRD）数据库的记录独立审查和挪威处方（NORP）数据库报告说，与磺胺氟烷或Metformin相比，T2DM患者开处方的T2DM患者PD的发病率持续降低。随后对健康改善网络（THIN）数据库的询问显示，在接受Glitazones的T2DM患者中，新诊断的PD的发生率与在匹配的非糖尿病对照组中没有区别。然而，用GLP-1受体激动剂（如艾艾替肽）治疗的人显示出PD的发生率降低。在临床前研究中，亚烯酰胺以GLP-1受体依赖性方式提供了神经保护。通过开放标签试验确定了艾替尼的概念证明和耐受性，并进行了随机安慰剂对照试验，揭示了某些运动得分的临床改善。III期多中心临床试验正在进行中，以评估艾塞那肽在没有联合性T2DM的PD患者中的神经保护作用（ClinicalTrials.GOVS.GOV识别仪：NCT04232969）。缩写：6-OHDA，6-羟基果胺； MPTP，1-甲基-4-苯基，1,2,3,6-四氢吡啶。括号中的数字表示引用。
利用预先训练的Alexnet和相关矢量机的转移来回归，以预测健康的老年人大脑年龄从结构MRI
从脑结构MRI和年代年龄估计的大脑年龄之间的抽象差异与广泛的神经认知失误有关。大脑年龄估计的性能在很大程度上取决于预定义或手工制作的功能。尽管已经提出了基于3D卷积神经网络（CNN）方法，但它们需要高计算成本，大记忆负载和众多图像。将预先训练的2D CNN耦合用于转移学习的转移学习与建立的相关性向量机进行回归方法可以极大地增强模型的能力。采用了几种重要策略，包括特征传递学习，3D特征串联和降低维度。估计的大脑年龄是通过594个正常健康老年人（50 - 90岁）的结构磁共振成像（SMRI）建模的。我们提出并表现出预先训练的Alexnet作为可靠的特征提取器。此外，通过应用3D功能串联和减少数据，可以避免开发3D CNN的可观成本。所提出的方法以旧受试者的平均绝对误差为4。51年，可实现出色的性能。预测的大脑年龄也表现出高测试可靠性（类内相关系数为0.979）。对所提出模型的有效性和鲁棒性进行了充分的研究。所提出的方法可以与这些最先进的方法竞争甚至胜过表现，并且功能转移学习策略可以将新的观点引入一些具有预定义或手工制作的功能的知名脑周龄预测模型。
1.1.1. 所开发和实施的课程与当地、国家、地区和全球的发展需求相关，这体现在机构提供的课程的项目成果（PO）、项目具体成果（PSO）和课程成果（CO）中。
1.1.1. 所开发和实施的课程与当地、国家、地区和全球的发展需求相关，这体现在机构提供的课程的项目成果（PO）、项目具体成果（PSO）和课程成果（CO）中。
探索海马与冲突的相关性 - ...
海马在情节记忆中起关键作用。此外，少量但越来越多的研究表明，这也有助于解决响应冲突。尚不清楚这两个功能是如何相关的，以及它们如何受到颞叶叶癫痫（MTLE）患者海马病变的影响。先前的研究表明，冲突刺激可能会更好地记住，但是海马对于支持冲突处理与记忆形成之间的这种相互作用至关重要。在这里，我们由于海马硬化症和19例匹配的健康对照，测试了19例MTLE患者。参与者在功能性磁共振成像（fMRI）期间执行了面对面的stroop任务，然后对面部进行了识别任务。我们测试了与长期记忆有关的大脑区域的记忆力和活动是否受编码过程中的冲突调节，以及MTLE患者和对照组之间是否有所不同。在控件中，我们在很大程度上复制了对冲突刺激的记忆力改善的先前发现。MTLE患者在冲突试验期间也显示出缓慢的反应时间，但他们没有表现出记忆益处。在控制中，在关注的海马区域内相互作用的冲突解决和记忆的神经活动。在这里，在不一致的试验中，左海马招募对记忆性能的效率低于一致试验，这表明对有限的资源进行了汉普坎普的竞争。他们也