1 代数结构与应用研究组,阿卜杜勒阿齐兹国王大学科学与艺术学院数学系,拉比格 21911,沙特阿拉伯;abdulnadimkhan@gmail.com 2 代数结构与应用研究组,阿卜杜勒阿齐兹国王大学科学学院数学系,吉达 21589,沙特阿拉伯;analahmadi@kau.edu.sa (ANA);whbasaffar@kau.edu.sa (WB);jwph@sussex.ac.uk (JWPH);hashoaib@kau.edu.sa (HS) 3 弗林德斯大学科学与工程学院,阿德莱德,SA 5001,澳大利亚; david.glynn@flinders.edu.au 4 Dhirubhai Ambani 信息与通信技术研究所,Gandhinagar 382007,古吉拉特邦,印度;mankg@computer.org 5 I2M,(法国国立科学研究院,艾克斯-马赛大学,马赛中央理工学院),163 Avenue de Luminy,13009 马赛,法国 * 通讯地址:arifraza03@gmail.com(MAR);patrick.sole@telecom-paris.fr(PS)
Site Forchheim, Bavaria Site Berlin, Berlin Fraunhofer Project Center for Energy Storage and Systems ZESS, Braunschweig, Lower Saxony Fraunhofer Technology Center High-Performance Materials THM, Freiberg, Saxony Fraunhofer Smart Ocean Technologies SOT research group, Rostock, Mecklenburg-Western Pomerania Biological Materials Analysis research group at Fraunhofer IZI, Lipsia, Saxony Circular Carbon Technologies KKT research group Freiberg, Saxony Cognitive Material Diagnostics project group, Cottbus, Brandenburg Fraunhofer Center for Smart Agriculture and Water Management AWAM, Porto, Portugal Battery Innovation and Technology Center BITC, Arnstadt, Thuringia Industrial Hydrogen Technologies Thuringia WaTTh, Arnstadt,图里亚应用中心水,赫姆斯多夫,图林雅应用中心膜技术,施马尔登,图林雅
(a)使用SUP-B15 Cas9单克隆,SGRNA库的慢病毒转导效率。(b)使用KOPN-8 CAS9单个克隆在CRISPR屏幕的“初始”和“最终”点收集的NGS样品中SGRNA读数的分布。(c)使用SUP-B15 Cas9单个克隆在CRISPR屏幕的“初始”和“最终”点收集的NGS样品中SGRNA读数的分布。(d)使用KOPN-8 CAS9单个克隆在CRISPR屏幕上收集的NGS样品的PCA分析。(E)使用SUP-B15 Cas9单个克隆在CRISPR屏幕的“初始”和“最终”点收集的NGS样品的PCA分析。(f)使用KOPN-8 CAS9单个克隆,针对CRISPR屏幕中36个RNA和DNA甲基化机械基因的SGRNA的CRISPR得分。CRISPR得分已针对阴性对照SGRNA的平均得分进行标准化(设置为0.0)。(g)使用SUP-B15 Cas9单克隆,针对CRISPR筛选中36个RNA和DNA甲基化机械基因的SGRNA的CRISPR得分。CRISPR得分已针对阴性对照SGRNA的平均得分进行标准化(设置为0.0)。(h)在KOPN-8 CAS9克隆#2中靶向Znf217的25个SGRNA的计数。(i)读取针对SUP-B15 Cas9克隆#1中Znf217的25个SGRNA的计数。(j)读取25个针对Znf217的SGRNA的计数,SUP-B15 Cas9克隆#2。(k)ZnF217在不同的B-ALL亚型和健康的骨髓中的表达。Znf217表达数据来自白血病(MILE)研究的微阵列创新(登录GSE13159)。n = 70,MLL-R; BCR-ABL1 n = 122; n = 237,类似于bcr- abl1; n = 40用于高二倍体; TCF3-PBx1的n = 36; ETV6-RUNX1的n = 58; n = 73用于健康的BM。使用两尾t检验计算p值。** p <0.01; *** p <0.001。
磁共振成像(MRI)自动脑肿瘤分割的主要任务是自动分割脑肿瘤水肿,腹部水肿,内窥镜核心,增强肿瘤核心和3D MR图像的非增强肿瘤核心。由于脑肿瘤的位置,大小,形状和强度差异很大,因此很难自动分割这些脑肿瘤区域。在本文中,通过结合Densenet和Resnet的优点,我们提出了一个新的3D U-NET,具有密集的编码器块和残留的解码器块。我们在编码器部分中使用了密集的块和解码器部分中的残留块。输出特征图的数量随编码器的收缩路径中的网络层增加而增加,这与密集块的特征一致。使用密集的块可以减少网络参数的数量,加深网络层,增强特征传播,减轻消失的梯度和扩大接收场。在解码器中使用残差块来替换原始U-NET的卷积神经块,这使网络性能更好。我们提出的方法在BRATS2019培训和验证数据集上进行了培训和验证。我们在BRATS2019验证数据集上分别获得了整个肿瘤,肿瘤核心和增强肿瘤核心的骰子得分,分别为0.901、0.815和0.766。我们的方法比原始的3D U-NET具有更好的性能。我们的实验结果表明,与某些最新方法相比,我们的方法是一种竞争性的自动脑肿瘤分割方法。
我们描述了一种从聚合图统计数据(而不是图邻接矩阵)学习深度图生成模型 (GGM) 的新设置。匹配观察到的训练图的统计数据是学习传统 GGM(例如 BTER、Chung-Lu 和 Erdos-Renyi 模型)的主要方法。隐私研究人员已提出从图统计数据中学习作为保护隐私的一种方式。我们开发了一种架构来训练深度 GGM 以匹配统计数据,同时保留局部差异隐私保证。对 8 个数据集的实证评估表明,当两者都仅从图统计数据中学习时,我们的深度 GGM 比传统的非神经 GGM 生成更逼真的图。我们还将仅在统计数据上训练的深度 GGM 与在整个邻接矩阵上训练的最先进的深度 GGM 进行了比较。结果表明,图统计数据通常足以构建具有竞争力的深度 GGM,该深度 GGM 可生成逼真的图,同时保护本地隐私。