XiaoMi-AI文件搜索系统
World File Search System工具箱
用于 RNA 递送的可电离脂质工具箱 - Mitchell 实验室
需要可离子化脂质 广义上讲，核糖核酸 (RNA) 疗法包括反义寡核苷酸 (ASO)、小干扰 RNA (siRNA)、微小 RNA (miRNA)、信使 RNA (mRNA) 和单向导 RNA (sgRNA) 介导的 CRISPR-Cas9 系统，它们可以通过不同的作用方式操纵基本上任何感兴趣的基因 1 。然而，RNA 疗法易受核酸酶影响，并且由于其体积大且带负电荷而无法渗透细胞。通过可临床转化的脂质纳米颗粒 (LNP) 将 RNA 递送至靶细胞为应对包括 COVID-19 在内的一系列危及生命的疾病提供了巨大的机会 2 。LNP 通常由四种成分组成——可离子化脂质、磷脂、胆固醇和聚乙二醇化脂质，其中可离子化脂质在保护 RNA 和促进其胞浆运输方面起主要作用。可离子化脂质在酸性 pH 下带正电荷以将 RNA 浓缩为 LNP，但在生理 pH 下呈中性以最大程度地降低毒性。它们可以在细胞摄取后在酸性内体中质子化，并与阴离子内体磷脂相互作用形成与双层膜不相容的锥形离子对（图 1）。这些阳离子-阴离子脂质对驱动从双层结构到倒六边形 H II 相的转变，从而促进膜融合/破裂、内体逃逸和货物释放到细胞溶胶 3 。自 2008 年以来，已经创建了具有多种化学特性的可离子化脂质。根据这些脂质的结构对其进行系统分类可以极大地有利于该领域并促进下一代可离子化脂质的开发。目前，有五种主要的可离子化脂质类型被广泛用于 RNA 递送（图 1）。
BigBrainWarp 工具箱用于将 BigBrain 3D 组织学与多模态神经成像相结合
1 加拿大蒙特利尔麦吉尔大学蒙特利尔神经病学研究所和医院麦康奈尔脑成像中心；2 德国于利希研究中心神经科学与医学研究所（INM-1）；3 加拿大蒙特利尔康考迪亚大学计算机科学与软件工程系；4 英国伦敦大学学院威康信托神经影像中心；5 加拿大安大略省西安大略大学大脑与思维研究所；6 德国莱比锡马克斯普朗克人类认知与脑科学研究所奥托哈恩认知神经遗传学小组；7 德国于利希研究中心神经科学与医学研究所（INM-7）；8 加拿大伦敦西安大略大学舒立克医学与牙科学院医学生物物理学系
mvpalab：用于多维脑电图数据的机器学习解码工具箱
从历史上看，采用电交置数据（EEG）数据的大脑功能的研究依赖于对几种引起的EEG录音的不同峰的振幅和延迟的经典单变量分析，通常称为事件相关电位（ERP）。过去几十年来科学和技术的持续发展使搜索者和工程师能够开发和应用更高级的信号处理技术，例如时间/频率分析，相聚类，独立组件分析（ICA）分解[1,2]等。这些技术已在出色的分析和预处理工具中实施，例如EEGLAB [3]，ERPLAB [4]或FIELDTRIP [5]，这些技术是在各个领域中开发无数研究的研究人员。最近，较新的基于机器学习的算法（ML）与先进的神经影像学技术（例如功能磁共振成像（fMRI）或磁脑化术（MEG））结合使用，在神经科学方面已广受欢迎。这一趋势始于Haxby和Norman [6-8]的研究以及其他参考贡献[9-14]，这开辟了有关大脑功能研究的新途径。多年来，ML模型也成功地用于医学成像，主要是在计算机辅助诊断领域[15]。仅提及几个例子，在研究和阐述几种神经系统疾病的研究和解释中，使用了不同的ML方法，例如Parkinson [16-18]，Alzheimer [19-21]，自闭症[22-24]，或睡眠差异或睡眠差异[25-27]。根据初步研究[28-30]，甚至可以使用人工智能（AI）在胸部射线照相中成功诊断出近期扩散的共证。[28-30]。然而，最近ML模型的增长不仅限于神经科学或医学应用，而是在跨切割的大量科学学科中存在。
静息态 HRF 估计和反卷积工具箱
血流动力学反应函数 (HRF) 极大地影响了受试者内和受试者间大脑激活和连接的变异性，并且可能会混淆连接分析中时间优先性的估计，因此其估计对于正确解释神经影像学研究必不可少。此外，HRF 形状本身是一个有用的局部度量。然而，大多数用于 HRF 估计的算法都是针对任务相关 fMRI 数据的，只有少数算法可以直接应用于静息状态协议。在这里，我们介绍了 rsHRF，这是一个 Matlab 和 Python 工具箱，可实现从静息状态 BOLD 信号中进行 HRF 估计和反卷积。我们首先概述了主要算法和实际实现，然后通过使用公开的静息状态 fMRI 数据集进行验证实验来证明 rsHRF 的可行性和实用性。我们还提供了统计分析和可视化工具。我们相信这个工具箱可能对更好地分析和理解 BOLD 信号的成分和变异性做出重大贡献。
从MRI图像自动分割皮层下边缘结构的深度学习工具箱
开发了一种工具，可以自动使用T1加权MRI作为输入的输入，从而自动分割了几个皮层下边缘结构（伏隔核，基础前脑，隔核，下丘脑，无乳腺体，乳腺体和福尼克斯）。此工具填写未满足的需求，因为很少有（如果有的话）可以分割这些临床相关结构。使用39个手动标记的MRI数据集对具有空间，强度，对比度和降噪的U-NET进行了训练。通常，相对于其他结构的可比工具，骰子得分，真实的正率，错误的发现率和手动自动体积相关性非常好。使用该工具对698个受试者进行了不同的数据集；对所得标签的评估表明，该工具在不到1％的情况下失败了。该工具的测试可靠性非常好。除乳腺体型以外的所有结构的自动分割体积都显示出在检测临床效果，年龄效应或两者兼而有之的有效性。此工具将与FreeSurfer（Surfer.nmr.mgh.harvard.edu/fswiki/sclimbic）公开发布。与其他皮质和皮层边缘分段一起，此工具将允许FreeSurfer以自动化的方式全面对边缘系统。
THINGSvision：用于简化深度神经网络激活提取的 Python 工具箱
在过去十年中，深度神经网络 (DNN) 模型因其接近人类的物体分类性能以及对生物视觉系统记录的信号的出色预测而备受关注。为了更好地理解这些网络的功能并将它们与大脑活动和行为的假设联系起来，研究人员需要从不同的 DNN 层中提取图像的激活。然而，不同 DNN 变体的丰富性往往难以处理，对于没有强大计算背景的人来说，从不同层中提取 DNN 激活的任务可能并不简单，而且容易出错。因此，认知科学和计算神经科学领域的研究人员将受益于支持用户执行提取任务的库或包。THINGSvision 是一个新的 Python 模块，旨在通过提供一个简单而统一的工具来弥补这一差距，该工具可用于提取各种预训练和随机初始化的神经网络架构的层激活，即使对于编程经验很少或没有编程经验的用户也是如此。我们通过使用表征相似性分析将提取的 DNN 激活与大量功能性 MRI 和行为数据集关联起来，展示了 THINGsvision 的通用实用性，表征相似性分析可以作为工具箱的一个组成部分来执行。总之，THINGSvision 使不同领域的研究人员能够以简化的方式为其自定义图像数据集提取特征，从而提高将 DNN、大脑活动和行为关联起来的便利性，并提高这些研究领域研究结果的可重复性。
R环形成的机制和Cas9 的构象激活 原发性纤毛通过Wnt信号通路促进人类神经元的分化 使用方向性和可扩展深度阵列传感局部场电位：disc 增加对免疫检查点抑制剂的反应增加了饮食中的蛋氨酸限制 有效的CRISPR/CAS12A基于甲虫中代谢工程的基因组编辑工具箱
。cc-by-nc-nd 4.0国际许可证。是根据作者/资助者提供的预印本（未经Peer Review的认证）提供的，他已授予Biorxiv的许可证，以在2021年9月16日发布的此版本中在版权所有者中显示预印本。 https://doi.org/10.1101/2021.09.16.460614 doi：biorxiv Preprint
工具箱|新墨西哥州经济发展部
该计划将包含该州九个目标行业领域的独特策略，包括可行的建议，并将承认其他州和地方组织所需的努力。它将直接与国家，州和地区数据收集，SWOT（优势，劣势，机遇，威胁）分析，州长的经济复苏理事会的路线图和五年计划以及新墨西哥商业和行业协会与EDD协调进行的研究。
军事人工智能合作工具箱
在当前的战略竞争时代，美国正在调整和塑造其努力，以确保人工智能 (AI) 的领导地位并保持技术优势。正如 2018 年国防部人工智能 (DOD AI) 战略所确认的那样，美国盟友和合作伙伴网络提供了“任何竞争对手或对手都无法比拟的不对称战略优势”。 2 维护现有的伙伴关系和联盟对于美国保持其战略地位、在未来战场上获胜以及维护国际秩序至关重要。3 因此，将盟友和合作伙伴纳入这些战略目标的努力对于推进支持民主价值观的技术领导地位和确保未来的军事效力同样重要。