XiaoMi-AI文件搜索系统
World File Search Systemsignals
人的大脑通过躯体镶嵌的镜头
人类认知神经科学中的一个有前途的想法是，默认模式网络（DMN）负责协调网络的募集和调度，以计算和解决特定任务的认知问题。这是通过证据表明DMN区域的物理和功能距离的支持，最大程度地删除了与感知和作用直接相关的环境驱动的神经活动的感觉运动区域，这将使DMN可以从层次的顶部策划复杂的认知。但是，发现大脑动力学的功能层次结构需要找到测量大脑区域之间相互作用的最佳方法。与以前的方法相比，使用例如转移熵测量信息的层次流动，我们在这里使用了受热力学启发的，基于深度学习的时间进化网络（TENET）框架来评估事件流动中的不对称性，“箭头”，人类脑信号。这提供了量化层次结构的另一种方法，因为时间的箭头测量了导致基础层次结构平衡的信息流的方向性。反过来，时间的箭头是衡量不可逆性的量度，因此在脑动力学中无序。当应用于接近一千名参与者的大规模人类连接项目（HCP）神经成像数据时，宗旨框架表明，DMN在策划层次结构的层次水平，即在静止状态和执行七个不同的认知任务时会改变的层次级别，即不可逆性的水平。此外，与神经精神疾病相比，对静息状态层次结构的这种量化在健康状态有显着差异。总体而言，目前的基于热力学的机器学习框架为在复杂环境中策划认知与大脑之间的相互作用的大脑动力学基本宗旨提供了重要的新见解。
丘脑和丘脑底核中的单个神经元处理人类的心脏和呼吸信号
身体内部信号，如心脏 - 呼吸信号，不断从身体传输到大脑，确保生物体的自我调节。皮层下大脑区域对于这种身体 - 大脑交流尤为重要，但它们对人类内部身体信号的处理在很大程度上是未知的。通过研究人类三个皮层下区域（两个丘脑核和一个丘脑底核）中单个神经元的活动，我们发现大部分神经元受到心跳、呼吸或心动周期持续时间的调节，而这些信号的普遍性在皮层控制区域中大大降低。我们的研究表明，重要的心脏 - 呼吸信号在这些皮层下区域是如何被广泛处理的，扩展了我们对它们在身体 - 大脑交流中的作用的理解。
控制FDR从多个数据源选择组级别的同时信号，并应用于国家covid Collaborative d
使用观察数据的探索性关联研究中的一个挑战是，预测因子与结果之间的关联可能是弱和稀有的，并且候选预测因子具有综合相关结构。错误的发现率（FDR）控制程序可以为探索性研究中的预测识别提供重要的统计保证。在最近建立的国家共同协作队列（N3C）中，电子健康记录（EHR）数据在同一组候选预测因素上是在多个不同的站点中独立收集的，从而提供了通过来自不同来源的信息来识别真正的关联。本文提出了一种一般的基于仿基的变量选择算法，以确定在有限样本设置下的团体级别条件独立测试（同时信号）的联合中的关联。该算法可以与一般回归设置一起使用，从而允许两种异质性
神经元细胞外囊泡的分子分析揭示了脑组织特异性信号
神经元 (nEV) 释放的细胞外囊泡 (EV) 为测量周围循环的脑生物标志物提供了机会。目前还没有研究直接比较脑组织中的分子货物与人类循环中发现的 nEV。我们比较了 microRNA 和环境化学物质的水平，因为 microRNA 是研究最多的 nEV 货物之一，具有作为生物标志物的巨大潜力，而 nEV 中的环境化学负荷研究不足，可以揭示大脑中的化学物质水平。为此，我们利用匹配的脑组织和血清组，并分离血清总 EV 和血清 nEV。我们还生成并比较了不同匹配血清、血清总 EV 和血清 nEV 中的代谢组学谱，因为 nEV 中的代谢物货物也研究不足，但可以提供潜在的生物标志物。高表达的脑组织 miRNA 与 nEV 的相关性比血清或总 EV 更强。我们在 nEV 中检测到了几种环境化学污染物类别。 nEV 中的化学污染物浓度与脑组织水平的相关性比脑组织与血清或总 EV 之间的相关性更强。我们还在 nEV 中检测到了几种内源性代谢物。与血清和总 EV 相比，具有已知信号传导作用的代谢物有所丰富，例如胆汁酸、油酸、磷脂酰丝氨酸和类异戊二烯。我们提供的证据表明 nEV 货物与脑组织内容密切相关，进一步支持了它们作为脑液体活检的实用性。
用低亲和力荧光指示剂测量神经元钙和钠信号的空间和时间方面
HAL 是一个多学科开放存取档案库，用于存放和传播科学研究文献，无论这些文献是否已出版。这些文献可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
基底神经节对感知决策中隐性和显性价值信号的学习有不同的贡献
对信心的元认知评估提供了决策准确性的估计，可以在没有明确反馈的情况下指导学习。我们使用同时进行的 EEG-fMRI，直接比较人类如何从这种隐性反馈和显性反馈中学习。参与者执行了一项运动方向辨别任务，其中刺激难度增加以保持表现，并混合了显性反馈和无反馈试验。我们使用 EEG 解码分离了决策后信心的单次试验估计值，并发现这些神经特征在反馈时与可分离的显性反馈特征一起重新出现。我们沿着纹状体的背腹梯度识别了这些隐性反馈与显性反馈的特征，这一发现是通过 EEG-fMRI 融合才实现的。这两个信号似乎整合成外部苍白球中的聚合表征，可以通过丘脑和岛叶皮质广播更新以改善皮质决策处理，而不管反馈来源如何。
celluntangler：用深层生成模型在单细胞数据中分离不同的生物学信号
单细胞RNA-seq数据为细胞内和细胞间13个过程提供了新的见解。由于多个过程在每个细胞中同时处于活动状态，例如14个细胞类型程序，分化，细胞周期和环境响应，因此它们的15个信号可以相互混淆，需要可以分离的方法可以分离和16个滤波不同的复杂生物学信号。每个这样的信号基于不同的基因17个性，可以定义细胞之间的不同关系。但是，现有方法18通常集中于单个过程或依靠过度限制的假设，从而消除了19，而不是解开生物学信号。在这里，我们开发了Celluntangler，这是一个深20个生成模型，将细胞嵌入由多个21个子空间组成的柔性潜在空间中，每个空间都设计了适当的几何形状以捕获独特的信号。22我们将Celluntangler应用于仅包含循环细胞和循环和23个非循环细胞的数据集，生成嵌入，其中细胞周期信号从非细胞周期特定信号（例如细胞类型或分化轨迹）中脱离了24个。我们25通过使用捕获和将空间26与非空间信号分开的空间26来证明Celluntangler的可扩展性。使用Celluntangler，我们可以获得27个捕获各种生物学信号并在基因28表达水平上进行增强或过滤的潜在嵌入，以进行下游分析。29