XiaoMi-AI文件搜索系统
World File Search System图谱
构建人类表型组多基因评分与循环代谢生物标志物之间的关联图谱
背景：多基因评分 (PGS) 正成为一种预测复杂疾病风险的越来越流行的方法，尽管它们也有可能深入了解具有较高遗传易感性疾病的患者的分子谱。方法：我们试图构建一个关联图谱，该图谱使用全基因组关联研究的结果得出 125 种不同的 PGS 与英国生物库中多达 83,004 名参与者的 249 种循环代谢物之间的关联。结果：为了证明该图谱的价值，我们对与糖蛋白乙酰基 (GlycA)（一种炎症生物标志物）的所有关联进行了无假设评估。使用双向孟德尔随机化，我们发现突出显示的关联可能反映了肥胖或吸烟倾向等风险因素对全身炎症的影响，而不是相反的方向。此外，我们在年龄层中重复了图谱中的所有分析，以调查碰撞偏差的潜在来源，例如药物使用。通过比较最年轻和最年长年龄层中脂蛋白脂质谱与冠状动脉疾病 PGS 之间的关联可以证明这一点，这两个年龄层接受他汀类药物治疗的个体比例不同。最后，我们生成了所有 PGS-代谢物关联，并按性别分层，并在排除 13 个已确定的脂质相关基因座后单独进行，以进一步评估研究结果的稳健性。结论：我们设想，我们研究中构建的结果图谱将激发未来的假设生成，并有助于优先考虑和降低循环代谢特征的优先级，以便进行深入研究。所有结果都可以在 http://mrcieu.mrsoftware.org/metabolites_PRS_atlas 进行可视化和下载。资金：这项工作得到了威康信托基金、英国心脏基金会和医学研究委员会综合流行病学部的资助。
脑电图谱的机器学习在GABA能麻醉期间对无意识进行了分类
在当前的麻醉学实践中，麻醉师推断出无意识状态，而无需直接监测大脑。药物和患者特异性的脑电图（EEG）特定的麻醉引起的潜意识的特征已被鉴定。我们将机器学习方法应用于构建分类模型，以在麻醉引起的无意识期间对无意识状态的实时跟踪。我们使用交叉验证选择和训练最佳性能模型，使用33,159 2S段的脑电图数据记录在7位健康志愿者中，他们收到了丙泊酚越来越多的兴奋剂，同时响应刺激，以直接评估无意识。在相同条件下收集的3个剩下的志愿者（中位志愿者AUCS 0.99-0.99）对13,929 2s EEG段进行测试时，的交叉验证模型表现出色。 模型在对27名手术患者的队列进行测试时显示出强烈的概括，这些手术患者在不同的情况下仅接受单独的临床数据集中收集的丙泊酚，并使用不同的硬件（中位患者AUC 0.95-0.98），并在病例中采取了模型预测，并采取了模型预测。 对17例接受七氟醚（单独或除丙泊酚之外）的患者的表现也很强（AUC中位数为0.88-0.92）。 这些结果表明，即使对具有类似神经机械的不同麻醉剂进行测试，EEG光谱特征也可以预测不同意性。的交叉验证模型表现出色。模型在对27名手术患者的队列进行测试时显示出强烈的概括，这些手术患者在不同的情况下仅接受单独的临床数据集中收集的丙泊酚，并使用不同的硬件（中位患者AUC 0.95-0.98），并在病例中采取了模型预测，并采取了模型预测。对17例接受七氟醚（单独或除丙泊酚之外）的患者的表现也很强（AUC中位数为0.88-0.92）。这些结果表明，即使对具有类似神经机械的不同麻醉剂进行测试，EEG光谱特征也可以预测不同意性。有了高性能的无意识预测，我们可以准确地监测麻醉状态，并且该方法可用于设计输液泵，以对患者的神经活动有明显的反应。
通过知识图谱共享数据，实现可持续健康饮食
“语义网”是对当前网络的扩展，其中的信息被赋予了明确的含义，使计算机和人类能够更好地合作。” T. Berners-Lee、J. Hendler、O. Lassila，《语义网》，《科学美国人》，2001 年 5 月
用于发现药物靶点的知识图谱增强张量分解模型
药物发现和开发过程漫长而昂贵，平均每种药物花费超过 10 亿美元，耗时 10 至 15 年。为了减少整个过程中的高损耗，近十年来，人们对将机器学习方法应用于药物发现和开发的各个阶段的兴趣日益浓厚，尤其是在最早的阶段——识别可用药的疾病基因。在本文中，我们开发了一种新的张量分解模型来预测治疗疾病的潜在药物靶标（基因或蛋白质）。我们使用从 Open Targets 和 PharmaProjects 数据库中提取的数据，创建了一个三维数据张量，包含 1,048 个基因靶标、860 种疾病和 230,011 个证据属性以及将它们联系起来的临床结果。我们利用从面向药物发现的知识图谱中学习到的基因靶标表示丰富了数据，并应用我们提出的方法来预测未知基因靶标和疾病对的临床结果。我们设计了三种评估策略来衡量预测性能，并对几种常用的机器学习分类器以及贝叶斯矩阵和张量分解方法进行了基准测试。结果表明，结合知识图谱嵌入可显著提高预测准确性，并且训练张量分解和密集神经网络的效果优于所有其他基线。总之，我们的框架结合了两种积极研究的机器学习方法来识别疾病目标，即张量分解和知识图谱表示学习，这可能是进一步探索数据驱动药物发现的有希望的途径。
通过中心基因网络分析和连接图谱预测肝内胆管癌新型候选药物
摘要：肝内胆管癌 (ICC) 是一种恶性肿瘤，需要有效的全身治疗。基于基因表达谱的分析可以有效筛选潜在候选药物，作为 ICC 患者的新疗法。从基因表达综合 (GEO) 和癌症基因组图谱 (TCGA) 数据库下载了 ICC 和正常胆管上皮细胞的 RNA 表达谱。使用基因本体 (GO) 和京都基因和基因组百科全书 (KEGG) 数据库完成差异表达基因 (DEG) 的功能注释和富集通路分析。通过 WGCN 分析 (WGCNA) 构建加权基因共表达网络 (WGCN)。分析了 DEG 和共表达基因模块中的关键基因以生成蛋白质-蛋白质相互作用 (PPI) 网络。研究了筛选出的十大枢纽基因与ICC患者总生存期和无病生存期之间的关联。进行连接图（cMap）分析以利用枢纽基因识别ICC的潜在药物。从1287个GSE-DEG，8183个TCGA-DEG和1226个混合模块基因的重叠基因中共选出151个关键基因。分析蛋白质-蛋白质相互作用共发现10个感兴趣的枢纽基因（CTNNB1，SPP1，COL1A2，COL3A1，SMAD3，SRC，VCAN，PKLR，GART，MRPS5）。使用 cMap 筛选出对 ICC 具有潜在疗效的候选药物包括三种酪氨酸激酶抑制剂（达沙替尼、NVP-BHG712、替凡替尼）、两种大麻素受体激动剂（棕榈酰乙醇酰胺、花生四烯酸酰胺）、两种抗生素（莫西沙星、阿莫西林）、一种雌激素受体激动剂（左炔诺孕酮）、一种丝氨酸/苏氨酸蛋白激酶抑制剂（MK-2206）和其他小分子。通过网络和 PPI 分析，我们能够识别出治疗 ICC 的潜在药物。新基因表达谱的识别和相关药物筛选可能会加速识别治疗 ICC 的潜在新药物疗法。
第六届伊朗脑图谱更新研讨会 (...
伊朗第六届脑图谱更新研讨会是该国最大的脑图谱活动，为该领域的研究人员和国际科学家提供了一个独特的机会，使他们能够在 2022 年 7 月 6 日至 8 日三天内，在国内外教授的参与下了解最新成果，并最终将其用于他们的研究。在以虚拟方式举办研讨会两年之后，今年提供了一个平台，以便我们可以亲自举办部分活动。活动第三天将举行 5 个小组讨论，主题包括术前、成瘾治疗（药物滥用）、中枢神经系统创伤的诊断和治疗、老年人认知障碍的诊断挑战以及儿童神经系统疾病的诊断和治疗挑战”。在这一天，除了参与者可以亲自参加小组讨论之外，还为这些小组的虚拟展示准备了一个平台，以便感兴趣的人和无法参加的研究人员可以通过虚拟方式参与这些小组讨论。在每个小组中，活跃于脑图谱领域的公司和相关协会都会举行会议，以研究与联合活动相关的每个领域的挑战。在举办此活动的第六年，除了收到展示的文章之外，根据研究的临床价值创造，我们还决定欣赏导致临床服务的创建或改进的脑图谱领域的研究。毋庸置疑，提高伊朗在国家、地区和国际层面的地位以及增强研究人员的竞争力是国家脑图谱实验室的主要目标之一。在这方面，这个国家研究所正在尽一切努力更新和提高该国研究人员的认识水平。最后，希望国家脑图谱实验室能够为提供服务以及认知科学知识（尤其是脑图谱）的融合和协同作用做出贡献。在此之前，我们非常感谢你们所有人，亲爱的朋友和实验室的同伴们
从知识图谱中学习药物-疾病-靶点嵌入 (DDTE)，为药物再利用假设提供信息
我们旨在开发和验证一种新的图嵌入算法，用于嵌入药物-疾病-靶点网络以生成新的药物再利用假设。我们的模型将药物、疾病和靶点分别表示为主语、谓语和宾语。每个实体都由一个多维向量表示，谓语被视为从主语到宾语向量的平移向量。这些向量经过优化，以便当主语-谓语-宾语三元组表示已知的药物-疾病-靶点关系时，主语和谓语之间的总和向量应接近宾语的向量；否则，总和向量远离宾语。DTINet 数据集用于测试该算法并发现药物和疾病之间的未知联系。在交叉验证实验中，这种新算法优于原始 DTINet 模型。我们模型的 MRR（平均倒数排名）值约为 0.80，而原始模型的 MRR（平均倒数排名）值约为 0.70。此外，我们还识别并验证了几对新的治疗关系以及原始 DTINet 数据集中未记录的副作用关系。这种方法表现出色，预测的药物-疾病和药物-副作用关系与文献报道一致。这种新方法可用于分析各种类型的新兴生物医学和医疗保健相关知识图谱 (KG)。
恒河猴行为灵活性的大脑功能连接图谱
倾向于从事自主习惯行为与行为障碍有关，例如强迫症和成瘾。注意集合转移任务 (ASST) 结合了控制辨别刺激与偶然强化关联的变化，通常用于测量认知 / 行为灵活性的潜在过程。本研究的目的是使用静息态 fMRI 来识别介导 ASST 表现中特质样缺陷的灵长类动物大脑网络。对三组恒河猴（共 n = 35，18 只雌性）进行了自步调 ASST。连续 30 次课程的表现提高将猴子分成两组，称为高绩效者（HP，n = 17）和低绩效者（LP，n = 17），其中一人出现异常。与LP相比，HP在训练中表现的提高率更高，并且以更少的错误完成了8组/训练。另一方面，LP猴则将每个训练的大部分时间都花在第一组中，而且经常没有获得第一次逆转。在异氟烷环境下对静息态fMRI的全脑独立成分分析确定了四个强网络。其中，双重回归分析显示，HP和LP之间指定的“执行控制网络”有所不同。恒河猴执行控制网络中的特定连接区域，包括额叶皮质（腹外侧、腹内侧和眶叶）和背侧纹状体（尾状核、壳核），与持续性错误和反应延迟相关。总体而言，结果确定了与涉及额叶纹状体网络特定核的相关大脑活动相关的行为灵活性的特征。
