XiaoMi-AI文件搜索系统
World File Search System分辨
高分辨率可部署立方体卫星原型
为了充分发挥其潜力，许多科学和技术领域（例如地球气候监测和保护、国防和安全以及太阳系探索）需要尽可能多地获得非常高分辨率的图像，将高分辨率图像和高重访率结合起来。然而，目前，以合理的成本实现高空间分辨率和高时间分辨率的结合还遥不可及。事实上，只有使用 LEO（低地球轨道）星座中的多颗卫星才能同时满足这两个要求，这需要使用小型单个卫星来降低成本。然而，使用小型平台（例如 CubeSat，一种微型标准卫星）会限制光学孔径的大小，从而限制空间分辨率。例如，由于衍射极限，直径为 10 厘米的望远镜（CubeSat 上的典型最大孔径）只能从 500 公里轨道提供可见光波长（500 纳米）下 3 米分辨率的图像。在 CubeSat 上开发大于 10 厘米的光学孔径是一项重大的光机挑战。
RNA-Seq基因融合检测工具的荟萃分析 量表，新颖壁ches的高分辨率微生物分析 壳聚糖金纳米颗粒基于敏感的视觉检测组氨酸标记的重组蛋白 强化学习和工作记忆系统的双重过程障碍是生理焦虑中学习缺陷的基础 合成PPR蛋白的翻译激活阐明了拟南芥叶绿体中PSBA翻译的控制 在某些选定的白色念珠菌基因中对镜面重复序列的内部评估 生成人工智能执行基本的结构生物学建模 研究了模拟的两组分凝胶系统的组织再生 动物和机器人建模和模拟框架
预印本（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。此版本的版权持有人于2025年2月2日发布。 https://doi.org/10.1101/2023.09.09.03.556087 doi：Biorxiv Preprint
使用深度迁移学习识别单细胞空间分辨转录组学数据中的高风险细胞
背景：通过检查空间分辨转录组学平台组织样本中的高风险细胞和区域，可以深入了解特定疾病过程。对于现有方法，虽然可以识别细胞类型或簇并将其与疾病属性相关联，但无法以相同的方式关联单个细胞，这可能导致无法识别与疾病属性相关的细胞子集，尤其是当疾病相关细胞与非疾病相关细胞聚集在一起时。方法：DEGAS（单细胞诊断证据量表）[5] 使用复杂的深度迁移学习算法解决了上述问题，该算法旨在识别肿瘤样本单细胞 RNA 测序数据中的高风险成分。DEGAS 采用基因表达数据的潜在表示和域适应将疾病属性从患者转移到单个细胞。在这项研究中，我们展示了 DEGAS 在适应单细胞空间分辨转录组学平台（如 10X Genomics Xenium 平台和 Nanostring 的 CosMx 平台）产生的数据方面的多功能性。通过整合上述平台的空间位置信息，DEGAS 不仅可以识别组织样本中的高风险成分，还可以精确定位与疾病状态相关的载玻片内的位置。结果：我们在多个平台上评估了 DEGAS，包括 10X Genomics Xenium 和 Nanostring CosMx。DEGAS 成功识别了高风险细胞和区域，并通过已知标记进行了验证。此外，DEGAS 还应用于我们新生成的 T2D Xenium 数据集和公开的黑色素瘤 Xenium 数据集。我们在公开的正常和肝细胞癌组织的 Nanostring CosMx FFPE 样本上测试了 DEGAS，揭示了与关键途径相关的高风险细胞和拓扑结构。值得注意的是，高风险区域主要富集在肿瘤组织中，DEGAS 揭示了与侵袭性疾病标志物和细胞类型多样性相关的异质性。关键词：单细胞 RNA 测序、空间分辨转录组学、域适应、深度迁移学习
利用表面曲率实现空间分辨的 X 射线反射率：液态铜上的石墨烯域
X 射线反射率 (XRR) 被广泛用于研究硬质和软质凝聚态材料的表面和界面，包括二维材料、纳米材料和生物系统。它能够以亚埃的精度推导出材料表面区域沿法线的横向平均电子密度分布。[4–6] 这有助于确定各种参数，包括表面粗糙度、单层或多层材料的结构以及毛细波对液体表面的影响。高亮度同步加速器 X 射线束能够在环境条件下实时在分子水平上分辨材料结构，而其他表面敏感实验技术几乎无法做到这一点。[7] 此类实验的例子是使用专用设备和样品池研究液体表面和界面。[8–11] 然而，存在与液体 XRR 相关的特殊问题。液体和支撑物之间的润湿角会导致样品液体弯曲，这通常会使数据分析复杂化。 [12] 这个问题可以通过利用能够处理大面积样品的样品环境来解决，例如朗缪尔槽 [13] 应用特殊的数据处理方法 [12,14] 或使用 X 射线纳米束。 [15] 然而，在某些情况下，可以充分利用样品曲率，例如 Festersen 等人 [15] 使用宽平行同步加速器光束“一次性”记录 XRR 曲线，但散射矢量 q 的范围有限。 专用于原位和/或原位 XRR 研究的样品环境 [16] 的最新发展开辟了新的机遇，例如，通过化学气相沉积 (CVD) 研究在液态金属催化剂 (LMCats) 上生长 2D 材料的过程。 [17] 这些系统有望生长高质量的材料 [18] 但同时，对实验的要求很高。 [19] 它们必须适应高操作温度、高材料蒸发以及在大气压下暴露于反应气体混合物。此外，它们还局限于有限尺寸的样本
使用高分辨率质谱法开发和验证人类全血和血浆中大多数精神活性药物、镇痛药、麻醉药、抗糖尿病药、抗凝血药和抗高血压药的非靶向筛查方法
摘要：(1) 背景：在毒理学实验室中，可以使用各种筛选方法来识别与中毒有关的化合物。由于其灵敏度和可靠性，高分辨率质谱法在过去几年中在这方面的应用越来越广泛。本文，我们介绍了一种使用液相色谱与高分辨率质谱联用的筛选方法的开发和验证。(2) 方法：该方法仅需要 100 µ L 全血或血浆样品。预处理包括使用甲醇/乙腈和硫酸锌进行快速简便的去蛋白质化。根据国际指南对这种新测定法进行了验证。(3) 结果：为了进行方法验证，选择了 53 种化合物。选择标准如下：各种化学结构和治疗家族（>15）、大的 m/z 分布、正或负电离模式以及各种洗脱时间。测定法显示出高选择性和特异性，具有最佳的工艺效率。使用预定标准确定的鉴别限度设定为亚治疗浓度或治疗浓度。使用加标血浆对照和外部质量对照评估适用性。（4）结论：新方法已成功应用于常规临床和法医样品。
通过超分辨率和最大集团生成优化实例分割
摘要。监视系统的兴起导致收集的数据呈指数增长，从而在深度学习方面有了一些进步来利用它们并自动化自治系统的任务。车辆检测是智能车辆系统和智能运输系统领域的关键任务，使得控制交通密度或检测事故和潜在风险是可能的。本文提出了一个最佳的元方法，可以应用于任何即时分割模型，例如蒙版R- CNN或yolact ++。使用这些模型和超分辨率获得的初始检测，进行了优化的重新指导，允许检测未鉴定的元素并提高其余检测的质量。超分辨率的直接应用是有限的，因为实例分割模型根据固定维度处理图像。因此，如果超过超过该固定尺寸的尺寸，该模型将再次重新汇总，从而失去所需效果。这种元方法的优点主要在于不需要修改模型体系结构或重新培训它。无论给出的输入的图像的大小如何，都将生成符合对象分割模型定义维度的超级分辨区域。应用我们的建议后，实验显示了CityScapes数据集Jena序列中使用的Yolact ++模型的提高高达8.1％。
使用耦合张量多线性近似对大脑 3D 磁共振图像进行超分辨率重建
磁共振成像 (MRI) 是一种多功能医学成像方式，可在软组织之间提供出色的对比度。可以调整采集参数，以使这种对比度对各种组织特性敏感，例如质子密度以及纵向和横向弛豫时间（分别为 T 1 和 T 2 ）。MRI 采集包括使用各种电磁脉冲反复激发人体内质子，并从图像中获取少量傅里叶样本。然后通过逆傅里叶变换运算将频域中的观测值重铸到空间域。典型的 MRI 数据包括任意方向的 2D 或 3D 图像。后者具有两个平面内空间维度和切片方向的第三个空间维度，因此它们可以看作张量。然而，MRI 的采集时间相对较慢，通常需要几分钟的时间。这种技术限制会阻碍 3D 高分辨率图像的采集。为了避免这个缺点，超分辨率技术已被证明在许多情况下是有效的 [1]，[2]，[3]。它们包括从一个或多个低分辨率观测中恢复 3D 高分辨率图像。最近，有人提出使用深度学习从单个低分辨率观测中恢复高分辨率图像 [4]，[5]。然而，对于小病变，最好考虑多个观测以用于图像的诊断。这些观测可以合并到融合模型中，从而提供比单独处理更多的信息 [6]。使用融合范式避免了依赖外部患者数据库来获取先验信息。因此，在剩下的文章中，我们将重点关注从多个观测中进行超分辨率重建的问题，也称为多帧超分辨率。
高分辨率质谱法在分析毒理学中的适用性：重点关注滥用药物
Ruben Goncalves, Romain Pelletier, Aurélien Couette, Thomas Gicquel, Brendan Le Dare.高分辨率质谱法在分析毒理学中的适用性：重点关注滥用药物。分析和临床毒理学，2022,34（1），第29-41页。 �10.1016/j.toxac.2021.11.006�。 �hal-03592779�
紧凑型 28 纳米 FD-SOI CMOS 76-81 GHz 汽车频段接收器路径，具有精确的 0.2° 相位控制分辨率
雷达系统确定目标的距离、速度和到达角 (AoA)。本研究的重点是 AoA 确定的准确性。目标反射信号的方位角或 AoA 由相控阵系统中每个接收器链信号之间的相位差决定。接收器链之间的固有相移差异是造成不准确的一个原因。因此，为了准确确定 AoA，必须在接收器电路中控制相位变化。校准相位的模拟解决方案通常使用移相器，但有源移相器耗电，无源移相器有损耗且需要很大的面积 [5]。此外，在这些频率下使用移相器实现小于一度的精度非常复杂 [6]。另一种方法是使用