XiaoMi-AI文件搜索系统
World File Search System假设生成
NeuroQuery，人类大脑映射的综合元分析
摘要 要对大脑组织有一个整体的了解，需要收集有关截然不同的心理过程和机制的证据。人类神经科学概念和术语的多样性对跨科学文献关联大脑成像结果构成了根本挑战。现有的荟萃分析方法对与特定概念相关的出版物集进行统计检验。因此，大规模荟萃分析仅处理经常出现的单个术语。我们提出了一个新范式，专注于预测而不是推理。我们的多元模型根据描述实验、认知过程或疾病的文本预测神经学观察的空间分布。这种方法可以处理任意长度的文本和标准荟萃分析无法处理的术语。我们捕获了 13 459 篇神经成像出版物中 7 547 个神经科学术语的关系和神经相关性。由此产生的荟萃分析工具 neuroquery.org 可以将假设生成和数据分析先验建立在对大脑的已发表研究结果的全面了解之上。
丹麦人工智能的经济机遇
注：该估计假设生成式人工智能在十年内得到广泛采用。生成式人工智能的能力和采用时间表存在很大的不确定性。生产力提升的规模取决于生成式人工智能能够完成的任务的难度以及它可以自动化的工作数量。GDP 处于 2022 年的水平。对于补充和高度暴露的工人，生成式人工智能在所有类型的任务中可能执行的平均工作活动数量相当于 20-25%。我们的估计是，生成式人工智能的孤立潜力在大约十年后，当其影响在广泛采用情景中达到峰值时（见下页）。生成式人工智能的估计提升可能不会完全增加 GDP 趋势，因为 GDP 预测已经假设新技术对增长的贡献，而生成式人工智能可能会替代其中的一部分。此外，生成式人工智能的推动力可能会被潜在的增长放缓部分抵消。来源：根据 Eurostat 和 O*Net、Briggs 和 Kodnani (2023a)、法国巴黎银行 (2023) 以及 Dell'Acqua 等人 (2023) 的数据实施经济学。
人工智能在实验材料科学中的作用 - NSF-PAR
在过去五年中，人工智能 (AI) 通过利用数据，在我们日常生活的各个方面取得了显著发展，包括健康、交通和数字世界。受这些成功案例的启发，材料研究人员已开始在实验材料科学中采用人工智能，通过以闭环方式提高假设生成、测试和数据分析的效率，将材料发现和开发速度提高 10-100 倍。本期 MRS Bulletin 介绍了一系列论文，讨论了人工智能在实验材料科学不同方面的最新进展，并为下一代自主实验策略提供了框架。在本文中，我们回顾了人工智能在实验材料科学中的作用，并总结了每篇文章中讨论的自主实验的关键方面和挑战。我们在人工智能和实验材料科学的交界处提出了四个问题，并呼吁在这一新兴领域工作的研究人员立即采取行动，超越优化，走向自主发现。我们希望本期可以加速自主机器人实验技术的硬件和软件模块的融合以及灵活性和重新配置，从而实现材料合成的真正数字化。
回家：一个新的基因本体学子集，可改善植物基因功能预测
背景：基因功能预测数据集的可用性可帮助研究人员考虑假设生成，候选基因优先次序和许多其他应用的未表征基因的可能功能。许多这样的数据集基于基因本体论（GO）函数图。对于植物而言，这可能是有问题的，因为最具体的GO术语通常是从非植物分类群的生物学中得出的（例如，鉴于植物缺乏神经的神经），似乎不太可能映射到植物生物学过程）。为了平衡功能特异性的需求，同时限制了与植物生物学相关的功能，研究人员通常会限制植物植物子集，但是，通过设计，该子集由非常一般的术语和限制了特定假设产生的实际效用。更糟糕的是，有时研究人员选择与植物生物学无关的术语（而不是遍历GO图以选择与植物生物学兼容的层次结构中最具体的术语）。结果：我们创建了Go Big，一种基因本体学子集类型，以提高分类群特异性生物学应用基因功能预测的生物学相关性。GO大植物子集保留了假设产生的最大功能特异性，同时限制了适用于植物生物学的术语。简要
虚拟苍蝇大脑——果蝇的交互式图谱......
作为一种模型生物，果蝇在帮助我们理解大脑如何控制复杂行为方面具有独特的贡献。它不仅具有复杂的适应性行为，而且还具有独特强大的遗传工具包、日益完整的中枢神经系统密集连接组图谱和快速增长的细胞类型转录组谱。但这也带来了一个挑战：鉴于可用数据量巨大，研究人员如何查找、访问、整合和再利用 (FAIR) 相关数据，以便开发电路的综合解剖和分子图像、为假设生成提供信息并找到用于测试这些假设的实验试剂？虚拟蝇脑 (virtual fly brain.org) 网络应用程序和 API 为这个问题提供了解决方案，它使用 FAIR 原理整合神经元和大脑区域的 3D 图像、连接组学、转录组学和试剂表达数据，涵盖幼虫和成虫的整个中枢神经系统。用户可以通过文本搜索、单击 3D 图像、按图像搜索和按类型（例如多巴胺能神经元）或属性（例如触角叶中的突触输入）查询，按名称、位置或连接性搜索神经元、神经解剖学和试剂。返回的结果包括可在链接的 2D 和 3D 浏览器中浏览或根据开放许可下载的交叉注册 3D 图像，以及从文献中整理的细胞类型和区域的详细描述。这些解决方案具有可扩展性，可以涵盖脊椎动物中类似的图谱和数据集成挑战。
LGR创新奖
CRISPR 基因组编辑： • 新颖的可扩展 CRISPR 基因组编辑方法 • 通过分子进化发现和优化新型 Cas 同源物 • Cas 蛋白融合或工程化以实现新的效应功能 先进的临床前模型和检测技术： • 涉及单细胞和空间基因组或蛋白质组学分析的高维检测 • 新型细胞成像和流式细胞术方法 • 先进的临床前模型，如人类 iPSC、原代细胞和类器官 • 强大的遗传或化学 iPSC 分化方案 • 改进人类疾病生物学向体外和体内临床前模型的转化 • GWAS 人类遗传变异的功能验证 高通量筛选技术： • 创新的汇集或阵列 CRISPR 筛选方法 • 高通量工程、实验室自动化和微流体技术 • CRISPR 机制的有效病毒和非病毒递送方法 计算生物学和统计学： • 用于功能基因组筛选数据分析的统计算法 • 用于指南选择、筛选文库设计和命中识别的生物信息学工具 • 推动融合的数据库架构多组学数据和快速命中优先级 • AI/ML 辅助实验设计、复杂性降低和假设生成 注意：涉及使用源自人类胚胎或胎儿的组织或细胞系的研究提案将不予考虑。 奖项福利
发现头颈癌的药物再利用候选药物：系统药物基因组学数据分析的见解
目前缺乏针对头颈部鳞状细胞癌 (HNSCC) 的有效治疗选择。我们利用 PRISM 再利用数据集中用 4,518 种化合物筛选的 28 种 HNSCC 细胞系的药物反应和基因组数据来发现用于 HNSCC 的再利用药物候选物。总共确定了 886 种活性化合物，包括 418 种靶向癌症化合物、404 种非肿瘤化合物和 64 种化疗化合物。靶向癌症化合物中作用机制最强的类别包括 PI3K/AKT/MTOR、EGFR 和 HDAC 抑制剂。我们已将 36 种具有丰富杀伤活性的化合物列入候选名单，用于 HNSCC 的再利用。综合分析证实，EGFR 配体（AREG、EREG、HBEGF、TGFA 和 EPGN）的平均表达与奥希替尼敏感性相关。发现新的假定反应生物标志物（包括参与免疫信号传导和细胞周期的生物标志物）分别与 MEK 抑制剂的敏感性和耐药性有关。我们还开发了一个 RShiny 网页，以促进交互式可视化，从而为 HNSCC 药物再利用提供进一步的假设生成。我们的研究提供了丰富的 HNSCC 药物敏感性资料参考数据库，为探索优先候选药物中的潜在反应生物标志物提供了机会。我们的方法还可以揭示其他癌症药物再利用的见解。
构建人类表型组多基因评分与循环代谢生物标志物之间的关联图谱
背景：多基因评分 (PGS) 正成为一种预测复杂疾病风险的越来越流行的方法，尽管它们也有可能深入了解具有较高遗传易感性疾病的患者的分子谱。方法：我们试图构建一个关联图谱，该图谱使用全基因组关联研究的结果得出 125 种不同的 PGS 与英国生物库中多达 83,004 名参与者的 249 种循环代谢物之间的关联。结果：为了证明该图谱的价值，我们对与糖蛋白乙酰基 (GlycA)（一种炎症生物标志物）的所有关联进行了无假设评估。使用双向孟德尔随机化，我们发现突出显示的关联可能反映了肥胖或吸烟倾向等风险因素对全身炎症的影响，而不是相反的方向。此外，我们在年龄层中重复了图谱中的所有分析，以调查碰撞偏差的潜在来源，例如药物使用。通过比较最年轻和最年长年龄层中脂蛋白脂质谱与冠状动脉疾病 PGS 之间的关联可以证明这一点，这两个年龄层接受他汀类药物治疗的个体比例不同。最后，我们生成了所有 PGS-代谢物关联，并按性别分层，并在排除 13 个已确定的脂质相关基因座后单独进行，以进一步评估研究结果的稳健性。结论：我们设想，我们研究中构建的结果图谱将激发未来的假设生成，并有助于优先考虑和降低循环代谢特征的优先级，以便进行深入研究。所有结果都可以在 http://mrcieu.mrsoftware.org/metabolites_PRS_atlas 进行可视化和下载。资金：这项工作得到了威康信托基金、英国心脏基金会和医学研究委员会综合流行病学部的资助。
作者须知 脑成像与行为
《脑成像与行为》是一份双月刊的同行评审期刊，刊登使用神经成像方法的创新性临床相关研究，以增强对高级脑功能障碍（包括认知、情感和动机）的机制、诊断、治疗和预防的了解。优先考虑描述高级磁共振成像 (MRI) 和正电子发射断层扫描 (PET) 应用的创新报告。可逐案考虑采用其他神经成像方法的新研究，尤其是与 MRI 或 PET 结合使用时。特别相关的研究类型包括使用脑成像来识别高危人群、进行诊断和制定治疗计划，以及监测行为、药理学和神经外科干预的效果。在大型有力研究的背景下，还将考虑关于正常功能表现的个体差异的新研究。特别欢迎连接更高认知和分子分析水平的研究，例如将遗传多态性和其他生物标志物与大脑结构、功能或治疗引起的变化联系起来的研究。在概念或理论框架内应用假设生成发现科学的研究有助于理解大数据集（例如组学数据）。这些方法旨在揭示生物学的关键方面，并促进对疾病机制的发现，从而可能导致机械的、假设驱动的研究。如果与人类疾病和治疗直接相关，模型系统中的转化成像研究也将得到考虑。这些例子只是说明性的，而不是排他性的。本期刊上发表的研究预计将引起研究大脑-行为关系领域（例如神经心理学、精神病学、神经病学、神经外科、放射学、康复和认知神经科学）的研究人员和临床医生的广泛兴趣。该期刊发表原创研究、简要报告、系统评价和致编辑的信。文章类别
Emory精神病学和行为科学系荣誉BMI谈话 - 4月16日-Yaomin Xu
摘要：多种健康状况在个人中共存非随意的，这对医疗保健和社会来说是日益严重的挑战。理解多发性模式可以导致更好的预防，治疗和个性化护理。电子健康记录的出现（EHR）系统提供了大量数据，用于研究现实世界的患者健康动态。然而，对EHR的主要设计用于计费和管理的关注提出了有关基于EHR的研究的一致性和可重复性的问题。在这项研究中，我们使用了国际疾病（ICD）代码分类来分析疾病合并症模式并采用了网络建模，以检查两个主要EHR系统的多发性。我们的发现揭示了她的系统之间高度相关的多发性模式，并通过图理论分析证实了本地（节点和边缘），全局（网络统计）和MESO（相邻连接结构）量表的多发性网络的一致性。此结果为开发有效的框架提供了新的见解，以分析和比较多种多发性网络中的复杂结构。我们的案例研究表明，识别多发性网络中的子图是检测疾病状况群集的有效方法，在多个多发性网络的图谱特征的支持下，我们开发了一种完整的在线网络聚类聚类算法作为识别这些簇的有效方法。为了促进访问这些复杂的数据集并促进进一步的发现研究和假设生成，我们开发了一套交互式可视化工具，用于复杂的在线数据分析利用来自多个EHR/Biobank数据源的数据。这些工具是开源的，可供公众使用，旨在使研究人员能够直观地探索多种多发性网络中的复杂疾病关系，从而增强了我们的集体理解并促进了在多重警察的背景下开发新颖的精确药物解决方案。