XiaoMi-AI文件搜索系统
World File Search System关联的
用于检测虚假大脑行为关联的运动影响评分
本杰明·P·凯 1 、大卫·F·蒙特兹 1 、斯科特·马雷克 2 、布伦登·特沃-克莱门斯 3 、约书亚·S·西格尔 2 、巴巴通德·阿德耶莫 1 、蒂莫西·O·劳曼 3 、阿萨娜西亚·梅托基 1 、罗塞琳·J·肖万 1 、安德鲁·N·范 1,4 、塞缪尔·R·克里梅尔 1 、 Ryland L. Miller 1 、 Dillan J. Newbold 1,16 、 Annie Cheng 1 、 Nicole A. Seider 1 、 Kristen M. Scheidter 1 、 Julia Monk 1 、 Eric Feczko 5,6 、 Anita Randolph 5,6 、 Oscar Miranda-Dominguez 5,6 、 Lucille A. Moore 5,7 、 Anders J. Perrone 5,7，格雷戈里·M. Conan 5,7 , Eric A. Earl 5,7 , Stephen M. Malone 8 , Michaela Cordova 7 , Olivia Doyle 7 , Benjamin J. Lynch 5,9 , James C. Wilgenbusch 5,7 , Thomas Pengo 10 , Alice M. Graham 7 , Jarod L. Roland 11 , Evan M. Gordon 12 , Abraham Z. Snyder 1,12 , Deanna M. Barch 2,,12, 13 , Damien A. Fair 5,6,14 , Nico UF Dosenbach 1,4,12,13,15
量子能量隐形传态中量子关联的稳健性
在本文中，我们探索了不同量子场论 (QFT) 中的反馈控制协议，以研究量子系统非幺正演化中的量子关联。传统的 QFT 研究侧重于幺正演化下纯态的量子纠缠，然而，我们使用量子能量隐形传态 (QET)（一种利用基态纠缠的能量传输协议）来研究混合态中的量子关联，并引入量子不和谐作为度量。QET 涉及中间电路测量，这会破坏纯态纠缠。尽管如此，我们的分析表明，量子不和谐在整个 QET 过程中保持关联。我们使用包括 Nambu-Jona-Lasinio (NJL) 模型在内的基准模型进行了数值分析，揭示了量子不和谐始终充当相变的序参数。该模型被扩展为同时具有手性化学势和化学势，这对于研究模拟与手性密度算子耦合的左夸克和右夸克之间的手性不平衡的相结构很有用。在我们研究的所有情况下，量子不和谐都表现为相变的序参数。
遗传疾病关联的网络和途径扩展确定了成功的药物靶标
疾病关联的遗传证据经常被用作选择复杂常见疾病的药物靶标的基础。同样，已经证明通过基因或蛋白质相互作用网络传播遗传证据可以准确推断出无法观察到直接遗传证据的基因上的新型疾病关联。然而，缺乏将这些药物发现方法结合的实用性的经验检验。在这项研究中，我们研究了对648个英国Biobank GWAS的分析引起的遗传关联，并评估是否通过历史临床试验数据来衡量，成功的药物靶标是否将被鉴定为直接遗传命中的靶标富含成功的药物靶标。我们发现，由蛋白质复合物和配体 - 受体对等特定功能连接形成的蛋白质网络适用于即使是幼稚的内guin-sysosociation网络传播方法。此外，应用于全球蛋白质 - 蛋白质相互作用网络和途径数据库的更复杂的方法也成功地检索了富含临床成功药物靶标的靶标。我们得出结论，遗传证据的网络传播可用于药物靶标识别。
博士后奖学金：量子网络关联的非交换多项式优化
背景：表征量子网络相关性对于发现和定量评估基于量子非局域性的网络协议至关重要。执行此任务的少数已知工具称为量子膨胀层次结构 [ 1 ] 及其变体，效率低下：由于它们需要引入量子网络元素的多个副本，因此它们很快就会变得难以计算，并且在实践中只能解决最基本的网络，即使在那里也只能取得有限的成功。此外，它们最终的收敛是一个悬而未决的问题，除了数值极限之外，它们可能具有未知的基本极限 [ 2 ]。由于量子理论的数学形式，这些工具本质上与非交换多项式优化相关 [ 3 ]。它们改编自著名的 Navascu´es-Pironio-Ac´ın (NPA) 层次结构 [ 4 ]，该层次结构可以通过任意好的层次结构（以增加计算复杂度为代价）来表征单个量子源相关性，这些边界被表述为可以通过数值求解的半正定程序。
用于发现与脑成像表型的遗传关联的多模态基础模型
摘要。由于神经系统疾病的病因复杂，使用标准方法寻找多组学特征之间的可解释关联可能具有挑战性。我们提出了 COMICAL，这是一种对比学习方法，利用多组学数据来生成遗传标记与脑成像衍生表型之间的关联。COMICAL 利用基于转换器的编码器和自定义标记器联合学习组学表征。我们的模态无关方法通过自监督学习方案和跨模态注意编码器唯一地识别了多对多关联。COMICAL 在英国生物银行中发现了多种神经系统疾病的遗传标记和成像衍生表型之间的几种重要关联，并根据学习到的表征预测了跨疾病和看不见的临床结果。COMICAL 的源代码以及预训练权重（支持迁移学习）可在 https://github.com/IBM/comical 上找到。
具有固定电荷的混合态的量子关联与经典关联的有效分离
纠缠是量子技术的关键资源，是令人兴奋的多体现象的根源。然而，当现实世界的量子系统与其环境相互作用时，量化其两部分之间的纠缠是一项挑战，因为后者将跨边界的经典关联与量子关联混合在一起。在这里，我们使用混合态的算子空间纠缠谱有效地量化了这种现实开放系统中的量子关联。如果系统具有固定电荷，我们表明谱值的子集编码了不同跨边界电荷配置之间的相干性。这些值的总和，我们称之为“配置相干性”，可用作跨边界相干性的量化器。至关重要的是，我们证明了对于纯度非增映射，例如具有 Hermitian 跳跃算子的 Lindblad 型演化，配置相干性是一种纠缠度量。此外，可以使用状态密度矩阵的张量网络表示有效地计算它。我们展示了在存在失相的情况下在链上移动的无自旋粒子的配置相干性。我们的方法可以量化广泛系统中的相干性和纠缠，并激发有效的纠缠检测。
遗传疾病关联的网络和通路扩展可确定成功的药物靶点
摘要 16 17 人们普遍认为，疾病关联的遗传证据是选择复杂常见疾病药物靶点的坚实基础，通过基因或蛋白质相互作用网络传播遗传证据可以准确推断出没有直接遗传证据的基因上的新疾病关联。然而，一直缺乏将这些信念结合起来用于药物发现的效用的经验检验。22 23 在本研究中，我们检查了从 648 个英国生物银行 GWAS 分析中产生的遗传关联，并评估根据历史临床试验数据衡量，被确定为直接遗传命中代理的靶点是否富集了成功的药物靶点。26 27 我们发现由特定功能连接（如蛋白质复合物和配体-受体对）形成的蛋白质网络适用于甚至是幼稚的关联网络传播方法。此外，应用于全球 30 蛋白质-蛋白质相互作用网络和通路数据库的更复杂的方法也成功检索了 31 临床成功药物靶标富集的靶标。我们得出结论，遗传证据的网络传播应该用于药物靶标识别。 33 34
Brainbox——一种促进脑磁共振成像特征与组织病理学关联的工具
磁共振成像 (MRI) 在识别潜在组织病理方面存在局限性，这与多发性硬化症、中风或脑肿瘤等神经系统疾病有关。然而，目前没有将 MRI 特征与组织病理学相关联的标准化方法。因此，我们旨在开发和验证一种可以促进脑 MRI 特征与相应组织病理学相关联的工具。为此，我们设计了 Brainbox，这是一种防水且与 MRI 兼容的 3D 打印容器，具有集成的 3D 坐标系。我们使用 Brainbox 对八个人类大脑（新鲜的和福尔马林固定的）进行死后离体 MRI，并使用内置的 3D 坐标系将局部成像特征与组织病理学相关联。凭借其内置的 3D 坐标系，Brainbox 可以将 MRI 特征与相应的组织基质相关联。 Brainbox 用于将不同的 MRI 图像特征与相应的组织基质关联起来，包括正常的解剖结构，例如海马或血管周围空间，以及腔隙性中风。固定后脑体积减少了 7%（P = 0.01）。Brainbox 能够在扫描前对标本进行脱气，减少磁化伪影并最大限度地减少扫描过程中的体积运动。总之，我们的原理验证实验证明了 Brainbox 的可用性，它有助于提高 MRI 的特异性以及标准化死后离体人脑 MRI 与组织病理学之间的相关性。我们的机构可应要求提供 Brainbox。
儿童亲密友谊、心理健康和认知之间非线性关联的大脑和分子机制
1 复旦大学类脑智能科学与技术研究所，上海，中国；2 计算神经科学与类脑智能教育部重点实验室（复旦大学），上海，中国；3 教育部医学神经生物学国家重点实验室和脑科学教育部前沿研究中心（复旦大学），上海，中国；4 英国考文垂华威大学计算机科学系；5 英国牛津计算神经科学中心；6 英国剑桥大学精神病学系；7 英国剑桥大学行为与临床神经科学研究所；8 浙江师范大学复旦 ISTBI—ZJNU 类脑智能算法中心，金华，中国；9 上海医学院和中山医院免疫治疗技术转移中心，上海，中国；10 复旦大学华山医院神经内科，上海，中国； 11 张江复旦国际创新中心，上海，中国
儿童亲密友谊、心理健康和认知之间非线性关联的大脑和分子机制
基线 (n = 7,512) 2 年随访 (n = 4,290) 年龄，岁 9.91 (0.62) 11.49 (0.66) 性别，n (%) 女性 3,625 (48.3%) 2,044 (47.7%) 男性 3,887 (51.7%) 2,246 (52.4%) 种族，n (%) 白种人 4,169 (55.5%) 2,612 (60.9%) 黑人 931 (12.4%) 385 (9.0%) 西班牙裔 1,500 (20.0%) 791 (18.4%) 亚裔 154 (2.1%) 89 (2.1%) 其他 758 (10.1%) 413 (9.6%) 家庭收入 7.73 (2.35) 7.83 (2.04) 父母教育 16.87 (2.59) 17.11 (2.44) BMI 18.72 (4.11) 20.35 (4.63) 青春期 1.75 (0.87) 2.53 (1.05) 亲密朋友总数 6.26 (9.01) 6.82 (8.37) 同性亲密朋友 4.78 (6.73) 4.99 (5.92) 异性亲密朋友 1.48 (3.68) 1.83 (3.66)