XiaoMi-AI文件搜索系统
World File Search System发生学
基于生物信息学探讨肥胖基因与疾病发生的关联性
方法：网络药理学和蛋白质 - 蛋白质相互作用网络可视化和富裕分析技术用于找到肥胖基因与其相互作用小的RNA和疾病之间的关联。disgenet，Genecards，TTD和OMIM数据库用于搜索与肥胖，糖尿病和乳腺癌相关的基因靶标，然后与UNIPROT数据库结合使用，用于基因去除和映射，肥胖和各种疾病的关键基因数据。使用Venny在线数据处理平台来获得肥胖和各种疾病之间的关联基因。相关基因是通过使用字符串在线分析平台构建目标蛋白质相互作用网络图和topoolosogogogogogopogogogogogogogogogogogogogogogogogogogogogogogogogogogogogogogogical构建基因，并通过Cytoscape软件进一步筛选了结果，以获得各种疾病与肥胖症之间具有牢固关联的核心目标基因。使用David在线数据库和微生物症的在线分析平台，通过GO和KEGG富含所获得的核心靶基因。结果：有460个肥胖胸癌交叉基因，607个肥胖糖果交叉基因，23个肥胖乳腺癌核心基因和24个肥胖糖核心核心基因。在此基础上，总共获得了与肥胖和乳腺癌有关的138个核心基因或miRNA。有144个与肥胖和糖尿病有关的核心基因或miRNA。本研究使用生物信息学方法来研究肥胖与糖尿病和乳腺癌的关系和潜在机制，然后为我们提供了一种新的观点，可以通过对miRNA的研究来了解与肥胖相关并发症的机制，并为我们提供了新的想法，以探索和改善治疗方法。
![[类别：化学和农业]](/simg/5\5bb4b78ca82e7157a24eab0c59dd2f74677c28ee.webp)
[类别：化学和农业]
In addition to the general affairs office, which is responsible for the administrative department of forensics, Crime Forensics Office, there are a wide range of business fields, including the DNA center, fingerprint center, and document center, which are in charge of the current department, so it is a gathering of staff with a variety of backgrounds, including staff with highly specialized skills in each field, police officers and appraisers who are seconded to the prefectural police.您不仅可以谈论工作，而且还可以轻松地聊天而不与年龄或背景区分，所以我觉得这是一个非常容易的工作场所。
肥胖基因及其互作microRNA与疾病发生关联的生物信息学研究
目的：探索基于生物信息学的肥胖与疾病发生之间的关联。方法：主要目标是从相关疾病数据库（Genecards，TTD，Omim，Uniprot）中获得的，其中具有“肥胖”，“心血管疾病”，“心脏病”，“癌症”和“肝脏代谢障碍”的关键词。Based on the STRING database, the protein-protein interaction network of dis- ease and obesity cross-targets was constructed, the core targets were screened, and the DAVID data- base was used to analyze the gene ontology function (GO) and Kyoto Encyclopedia of Genes and Ge- nomes (KEGG) pathways, so as to predict the non-coding RNA and transcription factors acting on the core targets, and construct基因调节网络。结果：在肥胖和心血管疾病之间筛选了总共25个核心目标和58个相互作用的miRNA。有30个肥胖和心脏病的核心目标，有81个相互作用的miRNA。有25个肥胖和癌症的核心靶标，以及84个相互作用的miRNA。有30个肥胖和肝脏代谢疾病的核心靶标，还有73个相互作用的miRNA。肥胖和心血管疾病的核心靶标主要富含脂质，动脉粥样硬化，腺苷酸激活的蛋白激酶，信号传导途径等。肥胖和心脏病的核心靶标主要富含胆固醇代谢，脂质动脉粥样硬化和其他信号通路。肥胖和癌症的核心靶标主要在腺苷酸激活的蛋白激酶和磷脂酰肌醇3-激酶-akt信号通路中富含。肥胖和肝脏代谢性疾病的核心靶标主要富含非酒精性脂肪肝病和脂肪细胞因子信号通路。本研究为肥胖与疾病之间复杂关系的后续探索提供了一个新的方向和新思路。
深度学习与人工智能
不受位置变化的影响。生物控制论，36（4），193-202。 https://doi.org/10.1007/BF 00344251 Goodfellow, I.、Bengio, Y. 和 Courville, A. (2016)。深度学习。麻省理工学院出版社。 （Schmidt、I. Schiffman、Y. Schaefer、A. 化学工程师和仪器仪表（2018）Graves、A.、Wayne、G. 和 Danihelka、I.（2014）。神经图灵机。 arXiv。 Ha, D. 和 Schmidhuber, J. (2018)。世界模特。 arXiv。 https://arxiv.org/abs/1803.10122 Han, K., Wang, Y., Chen, H., Chen, X., Guo, J., Liu, Z., Tang, Y., Xiao, A., Xu, C., Xu, Y., Yang, Z., Zhang, Y., & Tao, D. (2020 年)。关于视觉变压器的调查。 arXiv。 https://arxiv.org/abs/2012.12556 Higgins, I., Amos, D., Pfau, D., Racaniere, S., Matthey, L., Rezende, D., 和 Lerchner, A. (2018)。迈向解开表征的定义。 arXiv。 https://archiv. org/abs/1812.02230 美国国立卫生研究院（AI）（2020 年）。 2020 年人工智能市场：5 年历史的人工智能创新和 5 年历史的临床试验 LeCun, Y., Bengio, Y., & Hinton, G. (2015 年)。深度学习。自然，521，436-444。 http://dx.doi.org/10.1038/nature 14539 Mansimov, E., Parisotto, E., Ba, JL 和 Salakhutdinov, R. (2015)。利用注意力机制根据标题生成图像。 arXiv。 https://archiv.org/abs/1511.02793 纽约（2015 年）。 我的一位朋友是角川家族的成员（2016年）（2016年）。 http://dx.doi.org/10.1037/0033-295X.101.1.13 McCulloch, WS 和 Pitts, W. (1943)。神经活动中蕴含的观念的逻辑演算。数学生物物理公报，5（4），115-133。 https://doi.org/10.1007/BF02478259 Nakkiran, P.、Kaplun, G.、Bansal, Y.、Yang, T.、Barak, B. 和 Sutskever, I. (2019)。深度双重下降：更大的模型和更多的数据会带来危害。 arXiv。 https://arxiv.org/abs/ 1912.02292 Perez, J.、Marinkovic, J. 和 Barcelo, P.（2019 年 5 月 6-9 日）。论现代神经网络架构的图灵完备性。 ICLR 2019：第七届学习表征国际会议。路易斯安那州新奥尔良。美国。 Radford , A.、Kim , JW、Hallacy , C.、Ramesh , A.、Goh , G.、Agarwal , S.、Sastry , G.、Askell , A.、Mishkin , P.、Clark , J.、Krueger , G. 和 Sutskever , I. (2021)。从自然语言监督中学习可转移的视觉模型。 arXiv。 https://arxiv.org/abs/2103.00020 Ramachandran, P., Zoph, B., 和 Le, QV (2017)。寻找激活函数。 arXiv。 https://arxiv.org/abs/ 1710.05941 Razavi, A., van the Word, A. 和 Vinyals, O. (2019)。使用 VQ-VAE-2 生成各种高保真图像arXiv。 https://arxiv.org/abs/1906.00446 Reed, S.、Akata, Z.、Yan, X.、Logeswaran, L.、Schiele, B. 和。
小胶质细胞TREM2调控阿尔茨海默病发生的机制研究进展
Engl J Med，2013，368：107-16 [4] Jin SC，Benitez BA，Karch CM等。trem2中的编码变体增加了阿尔茨海默氏病的风险。Hum Mol Genet，2014，23：5838-46 [5] Schwabe T，Srinivasan K，Rhinn H.移动范式：小胶质细胞在阿尔茨海默氏病中的核心作用。Neurobiol Dis，2020，143：104962 [6] Zhang Y，Chen K，Sloan SA等。大脑皮层的神经胶质，神经元和血管细胞的RNA测序转录组和剪接数据库。J Neurosci，2014，34：11929-47 [7] Lloyd AF，Miron Ve。小胶质细胞在中枢神经系统中的促估计性特性。nat Rev Neurol，2019，15：447-58 [8] Butovsky O，Ziv Y，Schwartz A等。由IL-4或IFN-γ激活的小胶质细胞差异地诱导了成人茎/祖细胞的神经发生和寡构成。mol Cell Neurosci，2006，31：149-60 [9] Ulland TK，Song Wm，Huang SC等。TREM2在阿尔茨海默氏病中保持小胶质细胞代谢适应性。Cell，2017，170：649-63.E13 [10] Daws MR，Lanier LL，Seaman WE等。新型小鼠髓样DAP12-相关受体家族的克隆和表征。EUR J Immunol，2001，31：783-91 [11] Dean HB，Roberson ED，Song Y. Trem2中与神经退行性疾病相关的变体破坏了免疫球蛋白领域的顶端配体结合区域。前神经，2019，10：1252-67 [12] Sasaki A，Kakita A，Yoshida K等。小胶质细胞DAP12和TREM2基因在NASU-Hakola病中的可变表达。神经遗传学，2015，16：265-76 [13] Jay TR，Von Saucken VE，Landreth GE。trem2在神经退行性疾病中。mol Neurodegener，2017，12：56-89 [14] Forabosco P，Ramasamy A，Trabzuni D等。通过人脑基因表达数据网络分析对TREM2生物学的见解。Neurobiol老化，2013，34：2699-714 [15] Schlepckow K，Kleinberger G，Fukumori A等。与阿尔茨海默氏症相关的trem2变体发生在亚当裂解位点，并效果脱落和吞噬功能。embo mol Med，2017，9：1356-65 [16] Bouchon A，Dietrich J，ColonnaM。尖锐边缘：炎症反应可以由Trem-1触发，Trem-1是一种在中性粒细胞和单核细胞上表达的新型受体。J Immunol，2000，164：4991-5 [17] Del-Aguila JL，Benitez BA，Li Z等。 TREM2脑转录本特异性研究和TREM2突变载体。 mol Neurodegener，2019，14：18-31 [18] Lanier LL，Corliss BC，Wu J等。 带有基于酪氨酸的活化基序的免疫受体DAP12参与激活NK细胞。 自然，1998，391：703-7 [19] Thornton P，Sevalle J，Deery MJ等。 trem2在H157-S158键上通过裂解脱落，以加速阿尔茨海默氏病相关的H157Y变体。 Embo Mol Med，2017，9：1366-78 [20] Piccio L，Buonsanti C，Cella M等。 识别J Immunol，2000，164：4991-5 [17] Del-Aguila JL，Benitez BA，Li Z等。TREM2脑转录本特异性研究和TREM2突变载体。mol Neurodegener，2019，14：18-31 [18] Lanier LL，Corliss BC，Wu J等。带有基于酪氨酸的活化基序的免疫受体DAP12参与激活NK细胞。自然，1998，391：703-7 [19] Thornton P，Sevalle J，Deery MJ等。trem2在H157-S158键上通过裂解脱落，以加速阿尔茨海默氏病相关的H157Y变体。Embo Mol Med，2017，9：1366-78 [20] Piccio L，Buonsanti C，Cella M等。识别
学术论文（同行评审）
Orita，A。Mukai，H。Tomita，S。Tomita，K。Bamagishi，H。Ebi，Y。Tamada，K。Kamada，H。Woo，F。Ishida，E。Takada，H。 /div;Orita，A。Mukai，H。Tomita，S。Tomita，K。Bamagishi，H。Ebi，Y。Tamada，K。Kamada，H。Woo，F。Ishida，E。Takada，H。 /div;
iMLGAM：基于集成机器学习和遗传算法驱动的多组学分析 ...
iMeta 期刊 ( 影响因子 23.8 ) 由宏科学、千名华人科学家和威立出版，主编刘双江和傅静远教授。目标为生物 医学国际综合顶刊群 ( 对标 Nature/Cell) ，任何领域高影响力的研究、方法和综述均欢迎投稿，重点关注生物 技术、生信和微生物组等前沿交叉学科，已被 SCIE 、 PubMed 等收录，位列全球 SCI 期刊前千分之五，微生 物学研究类期刊全球第一；外审平均 21 天，投稿至发表中位数 57 天。 子刊 iMetaOmics ( 主编赵方庆和于君教授 ) 、 iMetaMed 定位 IF>10 的综合、医学期刊，欢迎投稿！