XiaoMi-AI文件搜索系统
World File Search System失败率
转录组学方法可扩大肿瘤治疗选择并优化临床试验
摘要背景：目前的肿瘤临床药物开发模式存在很大的局限性，因为早期试验中患者入组率高，III 期研究中药物失败率高。目的：整合转录组学来选择患者有可能提高任何靶向治疗或免疫治疗的精准肿瘤学试验的速度和疗效。方法：使用 WINTHER 数据库中转移和正常器官匹配组织中的相对基因表达水平来计算机模拟估计特定治疗对各种转移性实体瘤的潜在临床益处。结果：例如，与类似的正常组织相比，肿瘤组织中 c-MET 及其配体 HGF 的高 mRNA 表达与较短的总生存期 (OS；p < 0.0001) 相关，并且可能构成转移性实体瘤患者预后的独立预后标志物，这表明可以确定最有可能从 MET 靶向治疗中受益的患者。在非小细胞肺癌和结直肠癌 (CRC) 中研究了几种免疫治疗靶点 (PD-L1、CTLA4、TIM3、TIGIT、LAG3、TLR4) 基因表达的预后价值，这可能有助于优化其抑制剂的开发，并开辟新途径，例如使用抗 TLR4 治疗转移性 CRC 患者。结论：这种计算机模拟方法有望大幅减少患者入组率，同时提高疗效的速度和早期迹象的检测率。该模型可能显著有助于降低毒性。总之，我们的模型旨在克服当前方法的局限性。
小包装快速整合
迅速集成的概念立方体平台（即Quic）是一种实验性太空任务架构，旨在通过标准化卫星的基本工程方面（例如底盘，航空设备和电力系统）来解决快速发展途径，以便快速和易于接受任务有效负载。虽然立方体的较小形状和理论简单性使得以相对较低的成本访问空间仍然是首次Cubesat Builder的成功障碍。在学术界尤其如此，与准备有效载荷相比，从头开始工程是开发中最长，最困难的部分，尤其是在没有结构，热或电分析专业知识的团队中。独立的研究还表明，由于这些挑战面临着不熟悉传统太空系统工程过程的团队，因此Cubesat任务通常会遭受高失败率和缺乏可复制性的困扰。此外，在空间访问的竞争市场中，发射的供应已经开始超过需求，因为没有足够的小型卫星来跟上传统方法。通过通过通用界面合并通信，可以在没有兼容性问题的情况下连接各种有效载荷，并且客户可以通过板载计算机编程数据收集，计算和传输来适应其需求，而不会通过硬件集成而引起重大挑战。Quic旨在加速原型和开发，因此所有组件都可以轻松地加工或以商业化的架子零件进行加工或购买，并且即使是高中生也可以完成组装，从而大大扩展了低地球轨道研究的访问范围。它也不限于空间，因为Cal Poly Pomona的Bronco空间将使用Quic的第一阶段，用于其高海拔气球程序，工程师的气球发射评估指令或Blade。
一个可解释的框架，可以从临床试验中识别有关治疗效果的响应式亚组：应用脑出血治疗
随机临床试验（RCT）遭受高失败率，这可能是由对治疗的异质反应引起的。尽管开发了许多模型以估计异质治疗效应（HTE），但仍缺乏可解释的甲基化剂来识别响应式亚组。这项工作旨在开发一个框架来基于优先级可解释性的治疗效果来识别亚组。所提出的框架利用了一个集合隆福树方法来生成描述性决策规则，该规则将样本分开，给出了对治疗的估计响应。随后，我们选择了这些决策规则的互补集，并使用稀疏线性模型对其进行排名。为了解决试验有限的样本量问题，我们通过从外部研究中借用控制患者并产生合成数据提出了数据增强策略。我们将提出的框架应用于失败的随机临床试验，以调查脑内出血治疗计划。Qini分数表明，提出的数据增强策略计划可以通过选择互补的描述性规则而不损害估计质量来提高模型的性能，并且框架可以提高模型的性能。我们的模型得出了临床上有意义的亚组。，我们发现那些患有舒张压70 mm Hg的患者，收缩压<215 mm HG受益于强化血压降压疗法更受益。提出的可解释的HTE分析框架为从具有中性治疗效果的RCT中提取有意义的见解提供了有希望的潜力。通过识别响应式亚组，我们的框架可以更有效地为患者制定个性化治疗策略。
使用深度学习和预测建模提高临床试验结果：桥接精确药物和以患者为中心的护理
将人工智能[AI]整合到临床试验中已彻底改变了药物开发和个性化医学的过程。在这些进步中，深度学习和预测建模已成为优化临床试验设计，患者招聘和实时监控的变革性工具。这项研究探讨了深度学习技术的应用，例如卷积神经网络[CNN]和基于变压器的模型，以对患者进行分层，预测不良事件和个性化治疗计划。此外，还采用了预测建模方法，包括生存分析和预测时间序列，以预测试验结果，提高效率并降低试验失败率。解决了分析非结构化临床数据的挑战，例如患者笔记和试验方案，自然语言处理[NLP]技术用于提取可行的见解。一个包括结构化患者人口统计学，基因组数据和非结构化文本的自定义数据集进行培训和验证这些模型。关键指标，包括精度，召回和F1分数，用于评估模型性能，同时检查准确性和计算效率之间的权衡，以确定临床部署的最佳模型。这项研究强调了AI驱动方法简化临床试验工作流程，改善以患者为中心的结果并降低与试验效率低下相关的成本的潜力。这些发现提供了一个可靠的框架，可以将预测分析纳入精确医学，为更加适应性和有效的临床试验铺平了道路。通过弥合技术创新与现实世界应用之间的差距，本研究有助于促进AI在医疗保健中的作用，尤其是在促进个性化的护理和提高整体试验成功率方面。
基于 PDA 的药物输送纳米系统
摘要：胶质瘤具有死亡率高、术后生存率低的特点。尽管目前有多种治疗方法和分子分型，但胶质瘤的治疗失败率和复发率仍然很高。鉴于现有治疗手段的局限性，纳米技术已成为一种替代治疗选择。纳米粒子，例如聚多巴胺（PDA）基纳米粒子，具有可靠的生物降解性、高效的载药率、相对较低的毒性、较好的生物相容性、优异的黏附性能、精确的靶向递送和强的光热转换性能。因此，它们可以进一步增强胶质瘤患者的治疗效果。此外，聚多巴胺含有邻苯二酚、氨基和羧基、活性双键、邻苯二酚等活性基团，可以与含有氨基、醛基或巯基的生物功能分子发生反应（主要包括自聚合、非共价自组装、π-π堆积、静电引力相互作用、螯合、包覆和共价共组装），形成可逆动态共价席夫碱键，对pH值极为敏感。同时，PDA具有良好的粘附能力，可以进一步进行功能修饰。因此，本综述旨在总结PDA基纳米载体在胶质瘤中的应用，并深入了解载药PDA基纳米载体（PDA NPs）的治疗效果。对这些方面的深入了解和论证有望为开发更合理、更有效的PDA基癌症纳米药物递送系统提供更好的方法。最后，我们讨论了PDA在此领域未来应用的预期和一些个人观点。关键词：胶质瘤，聚多巴胺，聚合物纳米粒子，光热疗法，化疗，协同疗法
免疫对由dar-诱导的鸟分枝杆菌的免疫力
肺部和北美的肺化分枝杆菌（NTM）的患病率正在增加。大多数肺NTM是由鸟分枝杆菌（MAC）引起的。肺MAC的治疗是次优的，失败率范围从30％到40％，需要开发新的疫苗。在这项研究中，我们测试了两种全细胞疫苗，DAR-901（HEAD杀死M. Obuense）和BCG（Live Pive nive nive s. Bovis），通过首先对Balb/C小鼠进行免疫接种，然后进行过夜刺激过夜刺激，从而诱导MAC交叉反应免疫。研究这些疫苗预防MAC感染的能力，BALB/C小鼠以DAR-901（皮内）或BCG（皮下或鼻内内）接种疫苗，并在4周后用雾化的MAC挑战。一些通过饲料用克拉霉素治疗了接受BCG接种的小鼠。感染后4周对免疫小鼠和未接种疫苗的对照进行肺CFU。 Our results showed that i) DAR-901 induced cross-reactive immunity to MAC and the level of MAC cross-reactive immunity was similar to the level of immunity induced by BCG, ii) DAR-901 and BCG protect against aerosol MAC, iii) mucosal BCG vaccination provided the best protection against MAC challenge, and iv) BCG vaccination did not interfere with anti-MAC activities of克拉霉素。肺CFU。Our results showed that i) DAR-901 induced cross-reactive immunity to MAC and the level of MAC cross-reactive immunity was similar to the level of immunity induced by BCG, ii) DAR-901 and BCG protect against aerosol MAC, iii) mucosal BCG vaccination provided the best protection against MAC challenge, and iv) BCG vaccination did not interfere with anti-MAC activities of克拉霉素。
ENERGY 579：气候技术初创企业和投资者
● 周三下午 4:40 至 5:55 ● 福库商学院 RJ Reynolds 礼堂 ● 研究生满分 = 1.5；本科生 0.5 ● 办公时间：需预约。请通过电子邮件告诉我您想要讨论的主题。 ● 与 Alayna Burns 的助教办公时间。需预约：alayna.burns@duke.edu 课程概述 气候技术领域包括可再生能源、电池、电动汽车、碳捕获、氢能、食品技术、智能农业、绿色房地产和先进材料等气候变化解决方案。这些领域代表着未来几十年可观的增长机会，这意味着学生的就业机会和有意义的职业道路。例如，彭博预测到 2050 年将在太阳能、风能和电池方面投资 10 万亿美元，世界经济论坛估计每年需要投资超过 5 万亿美元才能避免最坏的气候变化情景。对于气候技术领域的初创企业和投资者来说，他们工作的目标有两个：（1）解决气候缓解或气候适应问题，（2）产生有吸引力的市场利率财务回报。但在 21 世纪初的第一次清洁技术浪潮中，许多投资者和创始人在他们的清洁技术公司中犯了严重错误，导致失败率很高。今天，从那段时期吸取的教训正在引导气候技术领域的创始人和投资者采取更明智的做法。Angellist 现在追踪了 10,000 多家气候初创公司，突破能源风险投资公司、亚马逊、微软、泛大西洋资本集团、Brookfield、ArcTern Ventures 和清洁能源风险投资集团等投资者近年来筹集了数十亿美元用于投资气候解决方案。
TGF-β在癌症中的治疗靶向
摘要：疾病改良治疗（DMT）的临床衰竭率（DMT）的临床衰竭速率缓慢或停止疾病进展的主要神经退行性疾病（NDDS）几乎为100％，其中许多化合物在昂贵且耗时的2阶段和3次试验中缺乏效率。在这里，我们批判性地回顾了NDDS中DMTS的早期临床试验中对药理和机械生物标志物的使用，并提出了一个路线图，以提供早期概念概念，以提高这一高未满足医疗需求的领域的R＆D生产率。对已发表的早期临床试验进行了文献搜索，该试验旨在使用PubMed中的网格术语评估NDD DMT化合物。出版物被选择报告了2010年至2020年11月之间的NDD DMT化合物的早期临床试验。对据报道使用药效（机理和生理反应）生物标志物的注意力。总共确定了121个早期临床试验，其中89次试验（74％）纳入了一个或多个药效生物标志物。但是，只有65次试验（54％）使用机械（目标占用或激活）生物标志物来证明人类目标的目标参与。讨论了早期机理和反应生物标志物的最重要类别，并提出了为早期NDD DMT临床试验纳入强大生物标志物策略的路线图。随着我们对NDD的理解正在改善，将潜在的疾病改良治疗带到诊所中有所增加。在早期试验中，在这些（有针对性的）疗法的早期试验中进一步增加了机械生物标志物的合理使用，可以通过在迄今已接近100％的失败率的区域中快速的赢/快速失败方法来提高研发生产率。
机器学习以识别家庭中的簇
背景：尚未探索机器学习（ML）提高医学专业委员会效率的潜力。，我们应用了无监督的ML来确定美国家庭医学委员会（ABFM）外交官之间的原型，以了解其实践特征和参与持续认证的动机，然后检查动机模式与关键的重新获得胜任结果之间的关联。方法：对2017年至2021年ABFM家庭医学持续认证考试调查的外交官选择了选择继续认证的动机。我们使用卡方检验来检查外交官的差异比例失败，因为他们的第一次再认证考试尝试都认可了维持证书的不同动机。无监督的ML技术用于生成具有相似实践特征和重新认证动机的医师群。控制医师人口统计学变量，我们使用逻辑回归来检查动机簇对再认证检查成功的影响，并通过与以前创建的专家开发的分类模式进行了验证。结果：ML簇在很大程度上概括了专家先前设计的固有/外在框架。然而，识别的群集将外交官更加平等地分配到同类群体中。在ML和人类群中，主要是外部或混合动机的医生的检查失败率低于那些本质上动机的医生。（J Am Board Fam Med 2024; 37：279–289。）讨论：这项研究证明了使用ML补充和增强人类对董事会认证数据的解释的可行性。我们讨论了这项示威研究对专业委员会与医师外交官之间的相互作用的影响。
优化非计算机-脑接口参数...
非侵入式脑对脑接口 (BBI) 需要精确的神经调节和高时间分辨率以及便携性以增加可访问性。BBI 是脑机接口 (BCI) 和计算机脑接口 (CBI) 的组合。BCI 参数的优化已得到广泛研究，但 CBI 尚未得到广泛研究。从 BCI 和 CBI 文献中获取的参数用于在各种条件下模拟两类医疗监测 BBI 系统。使用信息传输速率 (ITR) 评估 BBI 功能，以比特/试验和比特/分钟为单位。BBI ITR 是分类器准确度、窗口更新率、系统延迟、刺激失败率 (SFR) 和超时阈值的函数。BCI 参数（包括窗口长度、更新率和分类器准确度）保持不变，以研究改变 CBI 参数（包括系统延迟、SFR 和超时阈值）的影响。基于被动监测 BCI 参数，使用 1 比特/试验的基本 ITR。我们发现最佳延迟为 100 毫秒或更短，阈值不超过其值的两倍。使用最佳延迟和超时参数，系统能够保持接近最大效率，即使 SFR 为 25%。比较 CBI 和 BCI 参数时，CBI 的系统延迟和超时阈值应反映在 BCI 的更新率中。这将最大化试验次数，即使在高 SFR 下也是如此。这些发现表明，每分钟的试验次数越多，非侵入式 BBI 的 ITR 就越好。还必须考虑每个 BCI 协议和 CBI 刺激方法固有的延迟。在可预见的未来，每种协议的高延迟都是非侵入式 BBI 的主要制约因素。