XiaoMi-AI文件搜索系统
World File Search System亚型
子宫内膜癌的 DNA 损伤反应 (DDR) 图景定义了离散的疾病亚型并揭示了治疗机会
（未经同行评审认证）是作者/资助者。保留所有权利。未经许可不得重复使用。此预印本的版权所有者此版本于 2023 年 11 月 21 日发布。；https://doi.org/10.1101/2023.11.20.567919 doi：bioRxiv preprint
胎儿酒精谱系障碍儿童及其亚型儿童的大脑结构差异
结果：相对于对照组，FASD儿童的总脑体积较小，但是亚型分析显示，只有PFAS/FAS组与对照组显着不同。区域分析类似地表明，PFA/FAS儿童的额叶和时间区域的大脑体积减少，但是被诊断为PAE/ARND的儿童通常具有与对照相似的体积。对这种模式的显着差异发生在小脑，尾状和苍白球中，其中PFAS/FAS和PAE/ARND的儿童相对于对照组显示出较低的体积。在接受神经心理学测试的参与者子集中，观察到体积与智商分数之间的相关性。按年龄分析的优点分析揭示了组之间的发育模式（线性与二次）的差异。
PCGF1基因破坏揭示了表观遗传机制在肠道神经系统中的神经元亚型规范中的主要参与
图2 PCGF1 CKO小鼠表现出生长停滞和较低的肠道运动。（a）PHOX2B CRE / +（1）和（2）PCGF1 FL / FL； 3周龄时的Phox2b Cre / +小鼠（2）。（b）wt（n = 20），phox2b cre / +（n = 29）和pCGF1 fl / fl之间的生存分析； PHOX2B CRE / +小鼠（n = 26）。（c）WT（黑色条，n = 20），phox2b cre / +（白色bar，n = 26）和pCGF1 fl / fl之间的体重比较；在3和8周龄时，PHOX2B CRE / +小鼠（灰色条，n = 13）。（d）在3周龄的PHOX2B CRE / +（n = 8）和PCGF1 FL / FL之间进行总胃肠道转运时间（GITT）分析； phox2b cre / +小鼠（n = 9）。（e）3周龄的PHOX2B CRE / +（n = 8）和PCGF1 fl / fl之间的粪便重量比较； phox2b cre / +小鼠（n = 6）。（f）3周 - 旧的phox2b cre / +（n = 8）和pcGF1 fl / fl之间的粪便水含量； phox2b cre / +（n = 6）。使用对数秩检验进行了生存分析，并由Kaplan - Meier图显示。使用未配对的t检验显示统计分析的结果为平均值±SEM。
识别和表征十种编码新型Shiga Toxin 2亚型，STX2N以及STX2J，STX2M和STX2O的大肠杆菌菌株的识别和表征
1肠道疾病，实验室分支，疾病控制与预防中心，亚特兰大，佐治亚州30333，美国； kapsakcj@gmail.com（C.K。）; koj1@cdc.gov（P.S.）2国家生物技术信息中心，国家卫生研究院国家医学图书馆，美国贝塞斯达，美国医学博士20894； aprasad@mail.nih.gov（A.P.）; Michael.feldgarden@nih.gov（M.F.）; klimke@ncbi.nlm.nih.gov（W.K.）; souvorov@ncbi.nlm.nih.gov（A.S.）3美国马里兰州20740大学公园食品安全与应用营养中心； narjol.gonzalez-escalona@fda.hhs.gov 4微生物学和免疫学系，医学院卫生科学大学医学院，贝塞斯达，贝塞斯达，20184年，美国； Angela.melton-celsa@usuhs.edu 5橡树岭科学与教育研究所，橡树岭，美国田纳西州37830； odv3@cdc.gov 6丹麦哥本哈根2300号Statens Serum Institut国际Escherichia和Klebsiella Center； fsc@ssi.dk *通信：rlindsey1@cdc.gov†当前地址：Theigan Genomics，Highlands Ranch，CO 80129，美国。•当前地址：Chenega Professional＆Technical Services，Chesapeake，VA 23320，美国。
精神病的脑部亚型在第一期同志群体中验证并与疾病的缓解有关：来自现象联盟的结果
Dominic B. Dwyer 1,2,31,31✉，Ganesh B.一百4,5，4,31， dhivia伍德2：3,13，Shinohara 4:16，Shou 4,16， Barnaby Nelson 2.3，Rachel E. Gur 21，Ruben C. Murray 24 24，Forti扩散24，Simone 24 24，Marcus V Davatzikos 4:32，Nicholaos 1：8,8,24.32✉和Paula Dazzan 24.32
鸡肉免疫反应对鸟类流感亚型H5N1对禽流感
摘要禽流感（AI）是印尼政府控制的战略动物疾病之一。本研究旨在检查印度尼西亚鸡对各种类型H5N1亚型AI疫苗的免疫反应，并确定影响疫苗后AI抗体反应的因素的相关性。血清样品。抗体滴度。进行了相关分析，以评估抗体滴度与以下每个因素的相关性：采样时鸡的年龄，采样时间与先前的疫苗接种之间的间隔以及进行的疫苗接种数量。结果表明，与AI抗原亚型H5N1菌株A/Chicken/Barru/BBVM/41-13/2013（2.1.3）的平均抗体滴度值在南苏马顿省的样本中最高，即Palembang City，Palembang City，Palembang City，是2 6.42 HIU。结果显示抗体滴度与采样时间与先前疫苗接种之间的间隔，进行的疫苗接种数量以及采样时鸡的年龄之间的间隔之间存在显着相关性（P值<0,05）。因此，结果表明，使用AI疫苗种子亚型H5N1产生的免疫力可以诱导免疫力，保护值≥16。与家禽中AI爆发相关的人AI病例的百分比为34％[1]。关键词：禽流感，H5N1进化枝2.1.3，H5N1进化枝2.3.2，Hemagglutination Estection Pressuct介绍禽流感（AI）是一种人畜共患病；它可以从感染的动物传播到人类。AI在家禽中导致很高的死亡率，在印度尼西亚的家禽行业造成了巨大的经济损失。komisi nasional流感burung dan Pandemi流感估计，由于2004年至2008年，印度尼西亚因AI爆发而造成的经济损失大约是RP。4.3万亿美元，不包括由于失去工作机会和社区中动物蛋白消耗而导致的损失[2]。这些条件使AI成为印尼政府控制的优先事项[3]。2003 - 2004年印度尼西亚的AI疾病暴发是由AI病毒亚型H5N1进化枝2.1引起的。
第三剂 COVID-19 mRNA 疫苗可增强 IgG4 同型转换和记忆 B 细胞在 mRNA 而非腺病毒启动后对 Omicron 亚型的识别
。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。
胶质瘤亚型预测放射影像学使用治疗前机器学习算法的机器学习文献综述
来自康涅狄格州纽黑文耶鲁医学院放射学和生物医学成像系（JL、TV、LJ、MvR、NT、SM、GCP、RB、AG、MAH、HS、WB、BVM-N.、AA、ML、MA）、神经病学和耶鲁癌症中心（AO）和治疗放射学（SA）；德国杜塞尔多夫海因里希海涅大学神经外科系（JL、MS）；亚利桑那州菲尼克斯梅奥诊所放射学系（II）；明尼苏达州罗切斯特梅奥诊所放射学系（GMC）；加利福尼亚州圣地亚哥 Visage Imaging Inc（KB、ML）；宾夕法尼亚州费城宾夕法尼亚大学佩雷尔曼医学院医院放射学系（AN）；宾夕法尼亚州费城宾夕法尼亚大学佩雷尔曼医学院神经外科系 (AFK)、生物医学图像计算和分析中心 (SB) 和放射学系 (SB)；宾夕法尼亚州费城费城儿童医院神经外科分部 (AFK) 和数据驱动发现中心 (AFK)；以及宾夕法尼亚州费城理查兹医学研究实验室 (SB)。
发育中的人皮质的元元素标识驱动细胞亚型规范的模块
（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2023年9月13日发布。 https://doi.org/10.1101/2023.09.12.557406 doi：Biorxiv Preprint
基于深度学习的小儿脑肿瘤检测和亚型预测的诊所 - 放射学模型
目的：小儿脑肿瘤的早期诊断可显着改善结果。目的是研究小儿脑肿瘤的磁共振成像（MRI）特征，并开发自动分割（AS）工具，该工具可以使用深度学习方法进行分割和分类，并与放射科医生评估进行比较。方法：这项研究包括94例，其中75例被诊断为室心症，髓母细胞瘤，脑干神经胶质瘤和毛细胞星形胶质细胞瘤，19例是正常的MRI脑病例。数据被随机分为培训数据，64例；测试数据，21例病例和验证数据，9例设计了一种深度学习算法以分割小儿脑肿瘤。将深度学习模型的灵敏度，特异性，正预测值（PPV），负预测值（NPV）和准确性与放射科医生的发现进行了比较。根据骰子得分和Hausdorff95距离进行的AS性能评估。结果：对MRI语义特征的分析是用坏死和出血进行的，因为预测室内室内室内症状，扩散限制和囊性变化的特征是髓母细胞瘤的预测指标。检测异常的准确性为90％，特异性为100％。对肿瘤进行进一步分割成增强和非增强组件。通过骰子评分和Hausdorff95距离分析了整个肿瘤（WT），增强肿瘤（ET）和非增强肿瘤（NET）的分割结果。将所有MRI特征预测的准确性与经验丰富的放射科医生的发现进行了比较。通过模型分类和放射科医生给定的分类[K-0.695（K是Cohen的Kappa interager可靠性得分）]。