XiaoMi-AI文件搜索系统
World File Search Systemtoo
HX3211/17 Philips Sonic Electric牙刷
Philips Sonicare技术强大的声音振动将您的牙膏鞭打成牌匾搏击气泡，并将其驱动在牙齿之间和牙龈线之间。同时，您的牙齿将经历31,000个温和但有效的笔触。您将在短短2分钟内获得一个月的手动刷牙。
数字病理学中空间OMIC数据分析的机器学习方法：泌尿生殖器肿瘤学的工具和应用
空间幻象技术的最新进展已实现了分析组织形态，细胞组成和生物分子表达模式的新方法。这些进步正在促进数字病理新兴领域中新的计算工具和定量技术的开发。在这篇综述中，我们调查了使用数字化的组织病理学幻灯片和补充材料开发用于空间映射的OMIC数据分析的计算方法的当前趋势，并重点介绍了与泌尿生殖学肿瘤学研究有关的工具和应用。评论包含三个部分：1）组织幻灯片分析的图像处理方法的概述； 2）与空间解决的OMIC数据分析的机器学习集成； 3）讨论当前局限性和未来在临床决策过程中整合机器学习的方向。
机器学习筛查工具，用于预测废水中药物化合物的提取产率
药物化合物已成为废水中越来越重要的污染物来源，因为它是传统的处理方法无效地去除它们的方法，因此它们通常被放入环境中。可以使用液体液体提取成功去除药物，并且可以使用宇宙RS预测相互作用并识别最有前途的溶剂。但是，COSMO热模型无法解释关键过程参数，从而降低了这些计算模型的准确性。因此，需要替代计算方法来准确预测可以纳入处理和相互作用变量的药物的提取产率。这项工作使用机器学习来预测使用八种溶剂的11种药物的提取产率。探索了六个回归模型和两个分类模型。使用ANN回归器（测试MAE：4.510，测试R 2：0.884）和RF分类器（测试精度：0.938，测试召回：0.974）获得了最佳性能。RF回归分析和分类还显示了关键的提取产率特征：溶剂与喂养比，N - 辛烷 - 水分系数，氢键，氢键和范德华对多余的焓的贡献，以及pH距离至最近的PKA。机器学习显示为筛选和选择最有希望的溶剂和过程条件的绝佳工具，以从废水中去除药物。
药物整合 药剂师工具包
版权页 版权所有 2021 国际药学联合会 (FIP) 国际药学联合会 (FIP) Andries Bickerweg 5 2517 JP 海牙 荷兰 www.fip.org 保留所有权利。 未经引用出处，不得将本出版物的任何部分存储在任何检索系统中或以任何形式或手段（电子、机械、录音或其他方式）转录。 FIP 对因使用本报告中的任何数据和信息而造成的任何损害不承担任何责任。已采取一切措施确保本报告中提供的数据和信息的准确性。 作者： Matthew Hung（FIP 实践发展项目助理） Victoria Chinwendu Ezeudensi（FIP 志愿者，尼日利亚） Gonçalo Sousa Pinto（FIP 实践发展和转型负责人） 本工具包包含来自 FIP 社区和医院药房部门的多项贡献，并在致谢部分列出。编辑：Gonçalo Sousa Pinto（FIP 实践发展与转型负责人）Matthew Hung（FIP 实践发展项目助理）Catherine Duggan（FIP 首席执行官）推荐引用：国际药学联合会 (FIP)。药物协调：药剂师工具包。海牙：国际药学联合会；2021 封面图片：© Tero Vesalainen | shutterstock.com
灵活性选项及其在开放式能源建模工具中的表示
为了实现气候目标，未来的能源系统必须严重依赖风能和光伏 (PV) 等可变可再生能源 (VRES)。随着 VRES 份额的增加，灵活性以及不同灵活性选项的智能相互作用等主题变得越来越重要。分析灵活性选项和增强未来能源系统设计的一种方法是使用能源系统建模工具。尽管存在各种可公开访问的模型，但并没有明确的评估来评估这些工具中如何体现灵活性。为了弥补这一差距，本文提取了灵活性表示的关键因素，并引入了灵活性和影响因素的新分类。为了评估当前的建模状况，我们向开放能源建模工具的开发人员发送了一份调查问卷，并使用新推出的开放 ESM 灵活性评估工具 (OpFEl) 进行分析，这是一种开源评估算法，用于评估工具中不同灵活性选项的表示。结果显示，各种不同的工具涵盖了灵活性的大多数方面。可以看出，出现了包括部门耦合元素的趋势。然而，当前模型中仍未充分体现储能和网络类型灵活性以及涉及系统运行的方面，应更详细地纳入其中。没有一个模型能够高度涵盖所有类别的灵活性选项，但通过软耦合将不同模型组合起来可以作为整体灵活性评估的基础。这反过来又可以基于 VRES 对能源系统进行详细评估。
学生使用生成式人工智能工具的指南 FINAL
1. 始终坚持学术诚信和诚实的原则——有关学术诚信的一般信息和资源可在学术诚信网页上找到。2. 始终遵守大学的学生行为准则。3. 始终尊重隐私和保密性，避免与生成式人工智能工具共享敏感的个人信息。4. 请记住，生成式人工智能并不总是可靠的。例如，它可能提供虚假或过时的信息或虚假的参考资料，也可能是故意误导信息的来源。5. 始终批判性地评估使用人工智能生成的响应。使用已知可靠的来源来验证信息。如果您对所生成内容的可靠性有疑问，请咨询您的讲师或导师。6. 生成式人工智能工具应用于补充学习和研究，而不是代替通过 Moodle、Talis 阅读列表和图书馆提供的可靠学术资源。 7. 生成式人工智能工具在学术工作中有很多有用的方法，包括头脑风暴、写作任务的初稿、编辑写作任务并提供写作反馈、为文章提出结构建议、使用内容制作演示文稿、为演示文稿和视频制作音乐或制作图像来说明你的工作。 8. 你的讲师会告诉你，在论文或特定评估中，是否允许、要求或禁止使用生成式人工智能工具。在哪里允许
SynBioTools：搜索和选择合成生物学工具的一站式设施
© 作者 2023。开放存取 本文根据知识共享署名 4.0 国际许可协议进行授权，允许以任何媒体或格式使用、共享、改编、分发和复制，只要您给予原作者和来源适当的信任，提供知识共享许可协议的链接，并指明是否做出了更改。 本文中的图片或其他第三方资料包含在文章的知识共享许可协议中，除非在资料的致谢中另有说明。 如果资料未包含在文章的知识共享许可协议中，且您的预期用途不被法定规定允许或超出了允许的用途，则需要直接从版权所有者处获得许可。 要查看此许可证的副本，请访问 http:// creativecommons.org/licenses/by/4.0/ 。知识共享公共领域贡献豁免（http://creativecommons.org/publi cdomain/zero/1.0/）适用于本文中提供的数据，除非数据来源中另有说明。
![在[18f] ...](/simg/3/3c4e9bb38d162e6160d4b912047b129e3f66adae.webp)
在[18f] ...
摘要目的[18 f] FDG PET/CT是多发性骨髓瘤（MM）中高性能的成像方式。尽管如此，PET/CT扫描解释中的相互观察者可重复性可以受到疾病中骨髓（BM）的不同模式的阻碍。尽管最近已经开发出许多方法来解决标准化问题，但在解释PET/CT的解释中，都不能被视为标准方法。我们在此旨在验证一种新型的三维深度学习工具，以自动评估MM患者BM代谢强度的自动评估。材料和方法全身[18 F] FDG PET/CT扫描进行了35例以前未经治疗的MM患者。在开放标签，多中心，随机，主动控制的3阶段试验（GMMG-HD7）的背景下，对所有患者进行了研究。定性（视觉）分析根据局灶性[18 f] fdg-avid病变以及BM中弥漫性[18 F] FDG摄取的程度，将PET/CT扫描分为三组。提出的用于BM代谢评估的自动化方法是基于最初基于CT的骨架分割，其转移到SUV PET图像的转移，随后使用不同SUV阈值的应用以及使用后期进行的改进。在目前的分析中，应用了六个不同的SUV阈值（方法1-6），以定义骨骼中的病理示踪剂摄取[方法1：肝SUV中位数×1.1（轴向骨骼），谷骨肌肉SUV中间×中间×4（极端）。方法4：≥2.5。方法6：SUV Max肝脏]。方法2：肝SUV中值×1.5（轴向骨架），臀肌SUV中值×4（四肢）。方法3：肝SUV中值×2（轴向骨架），臀肌SUV中位数×4（四肢）。方法5：≥2.5（轴向骨架），≥2.0（四肢）。使用所得面具，对每位患者进行全身代谢肿瘤体积（MTV）和总病变糖酵解（TLG）的随后计算。在自动PET值和视觉PET/CT分析的结果以及患者的组织病理学，细胞遗传学和临床数据之间进行了相关分析。在所有患者中使用深度学习工具后，BM分割和MTV和TLG的计算都是可行的。在使用所有六个[18 f] FDG摄取阈值后，在三个患者组的PET/CT扫描的视觉分析结果与MTV和TLG值之间观察到了显着的正相关（P <0.05）。此外，三个患者组在病理示踪剂摄取的所有应用阈值的MTV和TLG值方面存在显着差异。此外，我们可以证明BM血浆细胞浸润和β2-微球蛋白的血浆浸润和血浆水平具有显着的，具有自动定量PET/CT参数MTV和TLG的β2-微球蛋白MTV和TLG。结论MM中BM代谢活性的自动，体积，全身PET/CT评估与此处的应用方法是可行的，并且与疾病中临床相关的参数相关。此方法提供了一种潜在的可靠工具，该工具在MM中PET/CT解释的优化方向和标准化方向提供了潜在的工具。基于目前的结果，将在未来的前瞻性研究中进一步评估基于深度学习的方法。
纤维板层癌模型，评估工具...
纤维板层癌 (FLC) 是一种罕见但致命的癌症，主要发生在年轻人中。目前尚无已知的有效治疗方法，尽管似乎有几种有希望的治疗方法正在开发中。遗传学研究证实，几乎所有 FLC 肿瘤都具有由融合基因 (DNAJB1-PRKACA) 编码的融合蛋白标记 (DNAJB1- PRKACA)；它目前被接受为 FLC 的诊断标准。几个研究小组已经建立了患者来源的异种移植 (PDX) FLC 模型，使用免疫功能低下的动物作为宿主，并使用患者组织样本（肿瘤或腹水）作为 PDX 衍生类器官的主要来源。这些 FLC 类器官由 FLC 上皮、内皮祖细胞和星状细胞组成。CRISPR/Cas9 被用作基因编辑技术来修改成熟肝细胞以获得表达融合基因和/或与 FLC 相关的其他突变基因的离体 FLC 样细胞。尽管这些模型模拟了部分但不是全部 FLC 特征，但使用这些模型进行药物筛选在确定临床上有用的治疗方法方面已被证明无效。将 FLC 与正常成熟的内胚层细胞谱系进行比较的遗传研究表明，FLC 并非与肝细胞共享遗传特征，而是与胆管树干细胞 (BTSC) 亚群共享遗传特征，这些肝/胰腺干细胞/祖细胞始终存在于胆管树中的胆管周围腺体 (PBG) 中，是肝脏和胰腺形成和出生后再生的干细胞来源。因此，预计 BTSC 模型（而不是肝细胞模型）可能更有用。在这篇综述中，我们总结了各种 FLC 模型的现状及其特点、应用和局限性。它们提供了了解这种致命疾病的原因和特征的机会，并且可以从中确定有效的治疗方法。