XiaoMi-AI文件搜索系统
World File Search System实验条件
人类肠道类器官的应用
● 使研究人员能够评估不同的实验条件 ○ 例如，它可用于评估存在或不存在特定药物或病原体时的培养标记表达。● 确认/描述不同细胞类型（增殖细胞与分化细胞）在培养条件变化下的存在
基于学习基因扰动效应的深度学习预测尚未胜过简单的线性方法
先进的深度学习方法，例如基于变压器的基础模型，有望学习生物学的表示，可以在硅中预测未见实验的结果，例如遗传扰动对人类细胞跨文字的影响。要查看当前模型是否已经达到了这个目标，我们对两个重要的用例中有意地模拟有意模拟的线性模型进行了基准测试：在两个重要用例中有意模拟的线性模型：对于两个基因的组合扰动，只能看到单个单个扰动的数据，我们发现一种简单的添加剂模型超过了基于深度学习的方法。，对于尚未看到的基因的扰动，但可以从生物学相似性或网络环境中“插值”，一个简单的线性模型与基于深度学习的方法一样好。我们的资产表明，术语模型学到的生物学尚不允许推断训练数据的特定实验条件超出特定的实验条件，而对相反的最新主张可能还为时过早。
评估甲壳虫甲虫中的基因表达分析的候选参考基因，Phaedon Brassicae（鞘翅目：Chrysomelidae）
Brassica Leaf Beetle Phaedon Brassicae是十字花科植物的臭名昭著的截肢者。然而，由于序列数据有限，很少对该害虫进行分子研究。最近，RNA测序提供了一个强大的平台来生成许多转录组数据，该数据需要RT-QPCR来验证靶基因表达。选择可靠的参考基因以归一化RT-QPCR数据是基因表达分析的先决条件。在本研究中，使用四种不同的统计算法评估了生物条件下八个候选参考基因（发育阶段和各种组织）和临界扰动（热应激和农药暴露）的表达稳定性。建议针对各自的实验条件使用参考基因的最佳套件。用于组织表达分析，建议将RPL32和EF-1α作为合适的参考基因。RPL19和TBP是不同发育阶段的最佳参考基因。RPL32和TBP被确定为热应力最合适的参考。此外，RPL32和RPL19被评为杀虫剂暴露的最佳参考。这项工作提供了针对各自的实验条件的最佳参考基因的系统探索，我们的发现将促进p的分子研究。铜管。
内源性催产素，皮质醇和睾丸激素响应组唱歌
人类已经演唱了数千年。今天，定期参加小组唱歌与人类健康的心理和生物学方面的益处有关。在这里，我们研究了以下假设：这些益处的一部分源于与隶属关系和社会联系相关的内分泌活动的变化。与年轻的成人合唱团（n = 71）合作，我们测量了四个实验条件的唾液浓度，催产素，皮质醇和睾丸激素的唾液浓度越过两个实验条件，跨越了两个因素：声乐产生模式（唱歌与演讲）和社交环境（共同与单独的社交环境）。唾液催产素和皮质醇从实验操作之前到之前降低。与说话相比，唱歌后这种减少的大小显着较小，在控制基线差异后，与一起唱歌后，唱歌后的浓度显着升高。相反，在实验性的操作中，唾液皮质醇的幅度相同，尽管大，但不能与昼夜循环分开。在睾丸激素的低功率探索性评估中没有发现显着影响（仅在男性中进行测试）。在心理层面上，我们发现，与说话相比，唱歌刺激了自我感知的影响的更大的积极转变 - 尤其是在一起表演时 -
大脑连通性差异评估的快速变换
（Bullmore and Sporns 2009）已被证明是根据不同发展阶段的函数进行调节的（Cao等人2017）和衰老（Meunier等人2009）以及各种神经和精神病病理学（Fornito等人2015）。量化给定的实验条件或人群之间大脑连通性的有意义差异，并确定哪种网络特性在其识别中很重要，是非平凡的任务，需要复杂的统计测试或计算强化的机器学习技术（Zanin等人2016），并且没有图形表示。这一困难的一个深层理由是关于以下事实：从所有尺度上，大脑连接性从大脑连通性出现了可观察到的脑活动动力学模式（Kozma and Freeman 2016）。同样，虽然大脑地形在大脑功能中起着重要作用，但拓扑网络特性本质上是统计的。网络神经科学文献通常强调牢固的联系引起的连通性和拓扑。然而，薄弱的环节已被证明对网络拓扑具有很大的影响，因为它们的包容性可以诱导从分形到小世界普遍性的过渡（Gallos等人。2012），但也涉及网络上发生的动态和过程（Csersely 2004； Karsai等人。2014）。综上所述，这些考虑表明，实验条件可能不仅可以通过牢固的联系引起的结构来识别，还可以通过
人工智能投资建议：用户会买账吗？
本文开发了一个人工智能接受的态度-感知-意图 (API) 模型，以解释个人接受基于人工智能的建议的行为意图，该意图取决于对人工智能的态度、信任和感知准确性，并以风险水平为调节因素。通过使用模拟的人工智能投资推荐系统进行的参与者间实验 (N = 368)，对 API 模型进行了实证验证。一种实验条件描绘了涉及蓝筹股的低风险投资建议，而另一种实验条件描绘了涉及低价股的高风险投资建议。对人工智能的态度预示了接受基于人工智能的建议的行为意图、对人工智能的信任以及对人工智能的感知准确性。此外，风险水平成为一个重要的调节因素。当风险较低时，对人工智能的良好态度似乎足以促进对算法的依赖。然而，当风险很高时，对人工智能的良好态度是人工智能接受的必要但不再是充分条件。 API 模型为人机交互文献做出了贡献，它不仅阐明了用户如何接受人工智能建议的潜在心理机制，而且还增加了对人工智能推荐系统在需要直觉的高参与度服务（例如金融）中的应用的学术理解，在这种服务中，人类顾问通常比机器生成的建议更受青睐。
连贯的机器人行为和实施方案在人类机器人相互作用期间情绪感知和识别中的作用：实验研究
背景：作为我们日常生活中的同伴，社会机器人变得越来越重要。因此，人类希望使用应用于人类相互作用的相同的心理模型，包括使用相互作用的手势。研究工作已致力于了解用户的需求，并开发机器人的行为模型，这些模型可以感知用户状态并正确地计划反应。尽管做出了努力，但关于机器人体现和行为对情绪感知的影响的挑战仍然开放。目的：这项研究的目的是双重的。首先，它的目的是评估机器人的声音手势和体现在用户感知情绪（刺激愉悦），唤醒（唤起情绪强度）和优势（刺激施加的控制程度）方面的作用。第二，它旨在评估机器人通过使用3种监督的机器学习算法进行交互的正面，负面和中性情绪的准确性：支持向量机器，随机森林和K-Neareart邻居。方法：使用从标准化数据库中检索到的60张图像的集合，使用胡椒机器人来引起人类的3个情绪。特别是，用胡椒机器人进行了2种情感启发的实验条件：具有静态行为或用表达连贯（COH）同时行为的机器人。此外，为了评估机器人实施例的作用，通过要求参与者与PC相互作用，在图形界面显示相同的图像来进行第三个启发。要求每个参与者仅接受3个实验条件中的1个。结果：这项研究总共招募了60名参与者，每种实验条件共有20个参与者，共有3600个相互作用。当用与PC条件相对于PC条件的COH刺激的刺激性机器人时，结果显示出显着差异（P <.05），从而在机器人的非语言通信和实施方案的重要性上进行了差异。相对于PC的机器人（具有静态行为的COH和机器人）的启发获得了较高的价分数。为了识别情绪，最近的邻居分类器取得了最佳的准确性结果。特别是，与静态行为和PC诱导相比，COH模式达到了最高的准确性（0.97）（分别为0.88和0.94）。
用于转座酶可访问的染色质测序（ATAC-SEQ）
用于转座酶可访问的染色质测序（ATAC-SEQ）的测定法用于理解和绘制细胞中DNA的表观遗传景观。组蛋白和其他蛋白质包装，并通过开放式（白染色质）或封闭（异染色质）构象调节DNA。可以通过ATAC-SEQ评估可及性的变化，并进行比较，以绘制疾病进展，药物治疗或其他实验条件期间的基因组位置和相关基因的变化。将ATAC-SEQ数据与转录组学数据配对可以增强并揭示细胞表型受表观遗传系统调节的新型机制。
