。CC-BY-NC-ND 4.0 国际许可证(未经同行评审认证)是作者/资助者,他已授予 bioRxiv 永久展示预印本的许可。
深度学习对物理模拟(例如计算流体动力学)的应用最近引起了人们的兴趣,并且在不同领域中证明了它们的生存能力。但是,由于高度复杂,湍流和三维流,尚未证明它们可用于涡轮机械应用。用于燃气轮机应用的多阶段轴向压缩机代表了一个非常具有挑战性的情况,这是由于几何和操作变量的流场回归的高差异性。本文展示了深度学习框架的开发和应用,以预测多阶段轴向压缩机的流动场和空气动力学性能。一种基于物理的降低性降低方法解锁了流场预测的潜力,因为它将回归问题从非结构化的问题重新构建为结构化的问题,并减少了自由度的数量。与传统的“ Black-Box”替代模型相比,它通过识别相应的空气动力学驱动程序来为整体性能的预测提供解释性。该模型适用于制造和建造变化,因为已知相关的性能散布对CO 2排放产生重大影响,这构成了巨大的工业和环境相关性的挑战。事实证明,所提出的体系结构可实时实现与CFD基准的准确性,以实时与工业相关的应用。部署的模型很容易集成到燃气轮机的制造和建造过程中,从而提供了通过可行和可解释的数据来分析评估对性能的影响的机会。
Nomenclature AR5 – The 5th Assessment Report of IPCC CCRR – Center for Climate and Resilience Research EC – Energy Consumption GBS – Green Building Studio GHG – Greenhouse Gases HDD15°C – heating degree-days with base temperature 15°C IPCC – Intergovernmental Panel on Climate Change MM5 – Mesoscale Meteorological Model Version 5 OGUC – General Ordinance of Urban Planning and Housing of智利RCP住房和城市发展部 - IPCC RF TOT的代表性浓度途径 - OGUC SRES的总辐射强迫RT - 热调节应用手册 - IPCC U-Value排放场景的特别报告 - 热传递 - 热透态 - [W/M 2·K] 1
抽象解密人类心脏疾病的遗传结构至关重要,但它们的基本复杂性是一个主要障碍。我们研究了果蝇遗传参考面板(DGRP)测序的近交系中心脏性能的自然变化。全基因组关联研究(GWAS)确定了与心脏性状自然变异相关的遗传网络,这些遗传网络用于获得有关影响分子和细胞过程的见解。非编码变体用于绘制潜在的调节性非编码区域,而该区域又被用来预测转录因子(TFS)结合位点。同源TF,其中许多本身具有与心脏表现变化相关的多态性,也通过特定于心脏特异性的敲低验证。此外,我们表明,与心脏性能变异性相关的自然变异会影响一组与平均特征相关的基因,但通过同一基因中的不同变异。此外,我们表明表型变异性也与基因调节网络的自然变异有关。更重要的是,我们记录了蝇和人类中与心脏表型相关的基因之间的相关性,该基因支持一种保守的遗传结构,该遗传结构调节了从节肢动物到哺乳动物的成年心脏功能。具体而言,在这两种模型中都确定了PAX9和EGR2在心律调节中的作用,这表明果蝇中鉴定出的心脏功能自然变化的特征可以加速人类的发现。
2.3.2 如果环境署通知运营者相关活动正在造成污染,运营者应当在规定期限内向环境署提交附表 1 表 S1.2 中规定的或本许可证另有要求的任何计划或其他文件(“计划”)的修订版,以确定和尽量降低与该计划相关的污染风险,并应当自批准之日起实施经批准的修订计划,代替原计划,除非环境署另有书面约定。
病毒是地球上最丰富的生物学实体(Breitbart和Rohwer,2005年)。噬菌体或噬菌体,特别是感染了脑原生物的微生物。这些噬菌体通过裂解循环复制,裂解循环是典型的有毒噬菌体的,或以预言整合到宿主基因组中,或者在宿主细胞质中复制为质粒(Piligrigimova等,2021)。综合噬菌体基因组(预言)与宿主染色体一起复制,并通过细胞分裂从初始感染细胞转移到其后代(Maurice等,2013)。整合到细菌染色体中可以改变宿主表型,并将新基因和功能引入细菌代谢库中(Ramisetty和Sudhakari,2019年)。预言编码负责抗生素耐药性和/或毒力因子的基因(Costa等,2018; Kondo等,2021;López-Leal等,2020;Piña-González等,2024,2024),为其细菌宿主提供适应性益处(Li et al。
全基因组关联研究 (GWAS) 可以识别与性状相关的基因座,但识别致病基因可能是一个瓶颈,部分原因是连锁不平衡 (LD) 衰减缓慢。全转录组关联研究 (TWAS) 通过识别基因表达-表型关联或将基因表达数量性状基因座与 GWAS 结果整合来解决这一问题。在这里,我们使用自花授粉大豆 (Glycine max [L.] Merr.) 作为模型来评估 TWAS 在 LD 衰减缓慢的植物物种性状遗传解析中的应用。我们为大豆多样性面板生成了 RNA 测序数据,并识别了 29 286 个大豆基因的遗传表达调控。不同的 TWAS 解决方案受 LD 的影响较小,并且对表达源具有稳健性,可以识别与来自不同组织和发育阶段的性状相关的已知基因。通过 TWAS 鉴定出新的豆荚颜色基因 L2,并通过基因组编辑对其进行了功能验证。通过引入新的外显子比例特征,我们显著提高了由结构变异和可变剪接导致的表达变异的检测。因此,通过我们的 TWAS 方法鉴定出的基因表现出多种多样的因果变异,包括 SNP、插入或缺失、基因融合、拷贝数变异和可变剪接。使用这种方法,我们鉴定出与开花时间相关的基因,包括以前已知的基因和以前未与此特性关联的新基因,从而为 GWAS 的见解提供了补充。总之,这项研究支持将 TWAS 应用于 LD 衰减率较低的物种的候选基因鉴定。
使用 Takens 定理评估 EEG 轨迹:大脑动力学的区域变化 Arturo Tozzi(通讯作者) 美国德克萨斯州登顿市北德克萨斯大学物理系非线性科学中心 1155 Union Circle, #311427 Denton, TX 76203-5017 USA tozziarturo@libero.it Ksenija Jaušovec 马里博尔大学心理学系 ksenijamarijausovec@gmail.com 摘要 Takens 定理 (TT) 证明动态系统的行为可以在多维相空间内有效重建。这为检查时间序列数据的时间依赖性、维度复杂性和可预测性提供了一个全面的框架。我们应用 TT 来研究健康受试者 EEG 大脑动力学的生理区域差异,重点关注三个关键通道:FP1(额叶区域)、C3(感觉运动区域)和 O1(枕叶区域)。我们使用时间延迟嵌入为每个 EEG 通道提供了详细的相空间重建。重建的轨迹通过测量轨迹扩展和平均距离进行量化,从而深入了解传统线性方法难以捕捉的大脑活动的时间结构。发现三个区域的变异性和复杂性不同,显示出明显的区域差异。FP1 轨迹表现出更广泛的扩展,反映了与高级认知功能相关的额叶大脑活动的动态复杂性。参与感觉运动整合的 C3 表现出中等变异性,反映了其在协调感觉输入和运动输出方面的功能作用。负责视觉处理的 O1 显示出受限且稳定的轨迹,与重复和结构化的视觉动态一致。这些发现与不同皮质区域的功能特化相一致,表明额叶、感觉运动和枕叶区域具有自主的时间结构和非线性特性。这种区别可能对增进我们对正常大脑功能的理解和促进脑机接口的发展具有重要意义。总之,我们证明了 TT 在揭示脑电图轨迹区域变化方面的实用性,强调了非线性动力学的价值。关键词:脑电图分析;脑动力学;相空间重建;区域变化。引言人类大脑是一个复杂的非线性系统,善于通过动态交互处理大量信息(Khoshnoud 等人,2018 年;Zhao 等人,2020 年;Dai 等人,2022 年;Biloborodova 等人,2024 年)。脑电图 (EEG) 是一种非侵入性、高分辨率的脑活动研究方法。尽管如此,传统的线性分析技术往往无法表示脑电图信号复杂的非线性特征(Alturki 等人,2020 年)。为了解决这一限制,非线性动力学和混沌理论已成为理解大脑活动的有力框架,其中 Takens 定理(以下简称 TT)奠定了基础。TT 确定了动态系统的行为可以在多维相空间中使用来自观测数据的单个时间序列的时间延迟版本重建(Takens 1981)。在 EEG 分析中,TT 提供了一种强大的数学工具来研究时间演变,揭示了线性方法无法发现的特性(Rohrbacker 2009)。通过重建相空间,研究人员可以分析关键的 EEG 动态特性,例如时间依赖性、维度复杂性和可预测性(Kwessi 和 Edwards,2021)。这种方法已被证明可用于识别与各种认知和病理状况相关的神经动力学变化(Fell 等人,2000 年)。先前的研究强调了 TT 在分析脑电信号方面的有效性,尤其是在识别癫痫、阿尔茨海默病和精神分裂症等病理状况方面(Kannathal 等人,2005 年;Altındi ş 等人,2021 年;Cai 等人,2024 年;Al Fahoum 和 Zyout,2024 年)。然而,人们较少关注这种方法在正常条件下评估大脑动态区域变化的应用。不同的大脑区域表现出不同的电活动模式,反映了它们在认知、感觉和运动功能中的特殊作用。例如,额叶区域 (FP1) 与决策和工作记忆等高级认知过程有关。感觉运动皮层 (C3) 控制运动并整合感觉输入,而枕叶区域 (O1) 处理视觉信息。尽管这些区域的作用独特,但它们之间的相互作用有助于大脑的整体动态。2024)。然而,人们较少关注这种方法在正常情况下评估大脑动态区域变化的应用。不同的大脑区域表现出不同的电活动模式,反映了它们在认知、感觉和运动功能中的特殊作用。例如,额叶区域(FP1)与决策和工作记忆等高级认知过程有关。感觉运动皮层(C3)控制运动并整合感觉输入,而枕叶区域(O1)处理视觉信息。尽管它们的作用独特,但这些区域之间的相互作用有助于大脑的整体动态。2024)。然而,人们较少关注这种方法在正常情况下评估大脑动态区域变化的应用。不同的大脑区域表现出不同的电活动模式,反映了它们在认知、感觉和运动功能中的特殊作用。例如,额叶区域(FP1)与决策和工作记忆等高级认知过程有关。感觉运动皮层(C3)控制运动并整合感觉输入,而枕叶区域(O1)处理视觉信息。尽管它们的作用独特,但这些区域之间的相互作用有助于大脑的整体动态。
。cc-by-nc-nd 4.0国际许可证(未经同行评审证明)获得的是作者/资助者,他授予Biorxiv授予Biorxiv的许可,以永久显示预印本。这是该版本的版权持有人,该版本发布于2025年1月18日。 https://doi.org/10.1101/2024.08.11.607360 doi:biorxiv Preprint
(未通过同行评审认证)是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2025年2月12日发布。 https://doi.org/10.1101/2025.02.10.637517 doi:Biorxiv Preprint