XiaoMi-AI文件搜索系统
World File Search System图谱
计算机辅助解剖胎儿解剖 3D 图谱的可行性
Vincent Balaya、Fabien Guimiot、Matthieu Bruzzi、Salma El Batti、Alexis Guedon 等人。通过计算机辅助解剖学研究胎儿解剖学 3D 图谱的可行性。《妇产科与人类生殖杂志》，2020 年，第 49 期，第 101880 页 -。�10.1016/j.jogoh.2020.101880�。�hal-03493180�
儿童脑部疾病的 99mTc-HMPAO SPECT 脑灌注图谱
线粒体疾病是一种多器官系统疾病，中枢神经系统 (CNS) 是第二大受影响器官 [24]。影像学检查显示，患有线粒体疾病的儿童最明显的中枢神经系统异常包括白质和灰质病变、中风样病变、脑和视神经萎缩以及钙化 [25]。其中一些病变可能没有症状，而另一些则可能出现中风样症状或自闭症样症状。这些患者的诊断采用不同的脑成像方式，包括 CT、MRI、PET 和 SPECT 扫描。由于每天都有可用技术，因此其中一些技术比其他技术更有用。SPECT 脑部扫描首先用于评估解剖成像上可见病变引起的 rCBF 变化，并了解该疾病的病理生理学，因此如前所述，灌注的变化与代谢和神经活动的变化是同时发生的。图 6 是患有脑线粒体疾病的患者的 SPECT 扫描和选定的 MRI 图像。
大豆抗豆象基因座的全基因组关联图谱
大豆是全球重要的工业、食品和经济作物。尽管大豆在现在和未来的经济中具有重要意义，但其生产却受到破坏性仓储害虫豆象 ( Callosobru- chus chinensis ) 的严重阻碍，造成了相当大的产量损失。因此，鉴定与大豆抗豆象相关的基因组区域和候选基因至关重要，因为它有助于育种者开发具有更高抗性和品质的大豆新品种。在本研究中，使用全基因组关联研究的 mrMLM 模型的 6 种多位点方法来剖析 100 种不同大豆基因型在 4 个性状上的豆象抗性的遗传结构：成年豆象羽化百分比 (PBE)、体重减轻百分比 (PWL)、中位发育期 (MDP) 和 Dobie 易感指数 (DSI)，使用 14,469 个单核苷酸多态性 (SNP) 标记进行基因分型。使用最佳线性无偏预测因子 (BLUP)，通过 mrMLM 模型鉴定了 13 个数量性状核苷酸 (QTN)，其中 rs16_14976250 与 1 个以上的抗豆象性状相关。因此，已鉴定的与抗性状相关的 QTN 可用于标记辅助育种，以准确快速地筛选抗豆象的大豆基因型。此外，对 Phytozome 大豆参考基因组进行的基因搜索鉴定了 27 个潜在候选基因，这些基因位于最可靠 QTN 上游和下游 478.45 kb 的窗口内。这些候选基因表现出与各种大豆抗性机制相关的分子和生物学功能，因此可以纳入农民偏爱的易受豆象侵害的大豆品种中。
如何构建支持人工智能驱动的企业应用程序的知识图谱
一旦开发了 MVO，就需要通过基于本体填充实例数据图来测试和使用它。此任务的趋势是还尝试收集尽可能大的数据集，并根据现有关系模式和本体之间的映射执行结构化数据的批量转换。应该避免这种情况，因为该过程仍然容易出现与在前期设计上花费太多时间相同的问题。知识图谱开发项目应确保遵守“交互式”和“增量式”的敏捷实践。
衰老小鼠大脑图谱显示白质是脆弱焦点
• 全脑神经胶质细胞衰老基因特征，具有空间定义的变化 • 白质中的神经胶质细胞衰老加速 • 复原干预对基因表达具有区域特异性影响 • 与神经退行性疾病有关的基因显示出区域衰老模式简而言之：衰老小鼠大脑的时空转录组图确定了神经胶质细胞衰老的区域特异性加速，特别是在白质中，对复原干预的独特区域反应，以及与人类神经退行性疾病相关的基因的区域年龄相关表达模式。
使用语言模型绘制大脑图谱：一项调查
多年来，许多研究人员似乎都做出了相同的观察：大脑和语言模型的激活表现出一些结构相似性，使得从神经记录和计算语言模型中提取的特征之间能够进行线性部分映射。为了评估为这一观察积累了多少证据，我们调查了 30 多项研究，涵盖 10 个数据集和 8 个指标。在得出结论之前，积累了多少证据，如果有的话，还缺少什么？我们对文献中使用的评估方法的分析表明，一些指标不那么保守。我们还发现，目前积累的证据仍然不明确，但与模型大小和质量的相关性为谨慎乐观提供了理由。
使用多模态成像特征评估脑癌图谱。
© 作者 2023。开放存取 本文根据知识共享署名 4.0 国际许可进行授权，允许以任何媒体或格式使用、共享、改编、分发和复制，只要您给予原作者和来源适当的信任，提供知识共享许可的链接，并指明是否做了更改。 本文中的图片或其他第三方资料包含在文章的知识共享许可中，除非资料的致谢中另有说明。 如果资料未包含在文章的知识共享许可中，且您的预期用途不被法定规定允许或超出允许用途，则需要直接从版权所有者处获得许可。 要查看此许可证的副本，请访问 http://creativecommons.org/licenses/by/4.0/ 。知识共享公共领域贡献豁免（http://creativeco mmons.org/publicdomain/zero/1.0/）适用于本文中提供的数据，除非数据来源中另有说明。
利用十亿边缘知识图谱进行药物研究......
药物开发是一个资源和时间密集型的过程，导致流失率高达 90%。因此，重新利用具有既定安全性和药代动力学特征的现有药物正成为加速治疗方法开发的一种方式，这种做法越来越受到关注。我们开发了独特的机器学习驱动的自然语言处理和生物医学语义技术，挖掘了超过 5300 万份生物医学文档，自动生成 911M 边缘知识图谱。然后，我们应用了子图查询，使用遗传证据将药物与疾病关联起来，以确定多种疾病的潜在药物重新利用候选药物。我们使用一种尚无已知治疗方法的疾病——卡尼综合征来说明我们的方法。该分析显示，芦可替尼（Incyte，商品名 Jakafi）是一种具有既定安全性和有效性特征的 JAK1/2 抑制剂，已获准用于治疗骨髓纤维化，它通过脱靶药物活性，成为治疗卡尼综合征的潜在候选药物。