XiaoMi-AI文件搜索系统
World File Search System多层
短串联重复变化的多层分析揭示了共享的基因调节机制
背景短串联重复序列（STR）据报道会影响各种人体组织中的基因表达。虽然Str变异富含col-肠分裂（CRC），胃（Stad）和子宫内膜（UCEC）癌症，特别是在微卫星肿瘤（MSI）肿瘤中，其功能效应和调节机制对基因表达在这些癌症类型中仍然备受了解。结果，我们利用全外活体测序和基因表达数据来识别与CRC，Stad和UCEC肿瘤中附近基因（ESTR）表达相关的重复长度的STR。我们的分析表明，肿瘤StR谱有效地捕获了MSI表型和人口结构。虽然大多数ESTR是癌症特异性的，但多种癌症的共享雌激素对基因表达表现出一致的影响。值得注意的是，在所有三种癌症类型中鉴定出的编码区域eTRS均与附近基因表达呈正相关。我们通过在从正常组织到肿瘤组织的过渡过程中证明了体细胞ESTR突变与基因的扩张变化之间的关联，进一步验证了ESTR的功能效应，这表明它们在肿瘤发生中的潜在作用。结合DNA甲基化数据，我们对Str变化和
用于具有宽温度稳定性的巨型储能多层陶瓷电容器的无铅高介电常数准线性电介质
静电储能电容器是电力电子器件必不可少的无源元件，由于电介质陶瓷能够在 > 100 ˚C 的温度下更可靠地工作，因此优先选择电介质陶瓷而不是聚合物。大多数工作集中在非线性电介质组合物上，其中极化 (P)/电位移 (D) 和最大场 (E max ) 经过优化，以提供能量密度值 6 ≤ U ≤ 21 J cm − 3 。然而，在每种情况下，P 的饱和 (dP/dE = 0，AFE) 或“部分”饱和 (dP/dE → 0，RFE) 都会限制在击穿前可以达到的 U 值。通过设计高介电常数准线性电介质 (QLD) 行为，dP/dE 保持恒定直至超高 E max ，可以进一步改善 U 相对于弛豫器 (RFE) 和反铁电体 (AFE) 的程度。 QLD 多层电容器原型的介电层由 0.88NaNb 0.9 Ta 0.1 O 3 - 0.10SrTiO 3 -0.02La(Mg 1/2 Ti 1/2 )O 3 组成，室温下 U ≈ 43.5 J cm − 3 ，支持极大的 E max ≈ 280 MV m − 1 ，对于基于粉末流延技术的设备，这两项性能均超过了当前最先进的水平两倍。重要的是，QLD 电容器在高达 200 ˚ C 的温度下 U ( ≈ 15 J cm − 3 ) 变化很小，并且具有强大的抗循环降解能力，为可持续技术的开发提供了一种有前途的新方法。
埃塞俄比亚南部妇女产科危险信号知识的个人和社区层面决定因素：多层次混合效应负二项分析
将每 10 万活产婴儿的孕产妇死亡率降低到 70 人以下是 2030 年可持续发展目标 (SDG 3) 的目标之一 [1]。为了实现这一数字，妇女应该清楚了解导致孕产妇死亡率高的直接和间接 ODS，并尽早寻求医疗保健提供者的治疗，特别是在包括埃塞俄比亚在内的发展中国家[2-4]。这些 ODS 大致可分为三类。手和脸肿胀、阴道出血、严重头痛、视力模糊、先兆子痫和子痫是妊娠期间最常见的症状。严重阴道出血、分娩时间超过 12 小时、高血压疾病和胎盘滞留是分娩期间的主要 ODS。发烧、恶臭的阴道分泌物和急性阴道出血是产后的主要 ODS [5]。此外，根据孕产妇死亡占比，还可分为直接和间接 ODS。直接 ODS 包括感染、出血、难产、不安全流产和妊娠期高血压疾病，占全球孕产妇死亡的近 80%，而间接 ODS 则包括贫血、肝炎、糖尿病、疟疾和因妊娠而加重的心血管疾病 [6,7]。世界卫生组织 (WHO) 2022 年报告指出，出血是全球孕产妇死亡的主要原因，约占所有死亡的 28%，其中直接产科并发症是孕产妇死亡的主要原因 [6,7]。此外，研究表明，非洲孕产妇死亡的两个主要原因是子痫和出血 [8,9]。但是，如果妇女意识到这些 ODS，并得到适当的识别、治疗和管理，许多并发症是可以避免的 [7]。但大多数女性，特别是欠发达国家的女性，对 ODS 了解不多[6,10-12]。三个关键延迟模型描述了许多低收入国家孕产妇在怀孕、分娩和产后阶段死亡的主要原因。这些包括延迟识别危及生命的 ODS 并做出就医决定、延迟去医院以及延迟在医院获得及时、充分和有效的护理[13-16]。由于对 ODS 缺乏了解，妇女延迟获得产科医疗服务，导致发展中国家孕产妇患病率和死亡率高[17,18]。
使用多层感知器进行糖尿病分类...
提交轨道 摘要 提交日期：2024 年 11 月 7 日 糖尿病是一种慢性代谢疾病，其特征是由于身体产生胰岛素的能力受损而导致血糖水平高（高血糖症）。根据国际糖尿病联合会 (IDF) 的数据，糖尿病患者的数量将在 2024 年迅速增加到 7 亿人。因此，我们需要找出感染糖尿病的诱因。其中之一是使用机器学习方法。机器学习用于对哪些因素可能导致感染糖尿病进行分类。进行这种分类的众所周知的方法之一是多层感知器 (MLP) 方法，它是一种由多层组成的人工神经网络 (ANN)，其中每层都有相互连接的节点。它的优点是它能够处理复杂数据特征之间的非线性关系——包括患者数据和患者的疾病——因此据说这种方法与本研究非常相关。研究人员还将 MLP 的准确率与其他几种算法（如随机森林、支持向量机和 K-最近邻）进行了比较。这旨在评估 MLP 与其他方法相比在糖尿病分类中的有效性。此外，研究人员还希望克服传统方法在糖尿病分类中的弱点，并提供基于人工智能的解决方案，方法是利用 MLP 处理医疗数据并关注可能影响糖尿病患者的参数或特征。机器学习中的几种技术，如正则化和超参数优化可以防止过度拟合，数据规范化和降维可用于提高模型输入的质量，从而最大限度地提高准确率并使诊断过程更快、更准确。结果表明，与其他算法相比，MLP 在对该疾病进行分类方面具有良好的性能。MLP 获得更稳定、更高的结果。总体而言，可以说 MLP 的应用对改善糖尿病诊断系统做出了重大贡献，有望应用于医疗系统。
