XiaoMi-AI文件搜索系统
World File Search System据预测
通过分析孟加拉国旅行者的密集微生物时间序列数据预测的人类肠道细菌之间的生态关系
图2。用于这些研究的大肠杆菌生物孢子菌株的一般示意图和初始表征。A.LASR活性的大肠杆菌生物孢子蛋白生物孢子蛋白具有质粒PSC11-L，具有LASR诱导的P LASI启动子，融合到LACZ Reporter和质粒PJN105-L和阿拉伯糖诱导的LASR中。该菌株响应3OC12 -HSL和0.4％阿拉伯糖产生β-半乳糖苷酶。3OC12-HSL诱导是剂量反应，半最大浓度为65 nm。B.大肠杆菌菌株组成型表达LACZ的质粒PVT19与融合到本构APHA-3启动子的LACZ。在存在或不存在3OC12 -HSL的情况下，该菌株会产生β-半乳糖苷酶。结果是两个（a）或三（b）独立实验的平均值，误差线代表标准偏差。
抑制氨基酸转运蛋白B0AT1（SLC6A19）的分子基础 基于DNA的福克罗诺探针，用于单次单独... 反馈驱动的IoT微流体，电生理学和脑器官研究成像平台 使用支柱/ ... div>的大脑器官的动态培养 通过分析孟加拉国旅行者的密集微生物时间序列数据预测的人类肠道细菌之间的生态关系 表征铜绿假单胞菌中群体传感的天然产物抑制剂揭示了Ortho-Vanillin对RHR的竞争性抑制 原发性鼻病毒感染重新布线组织尺度记忆响应
1 Broer，S。＆Gauthier-Coles，G。哺乳动物细胞中的氨基酸稳态，重点是氨基酸转运。J Nutr 152，16-28（2022）。https://doi.org:10.1093/jn/nxab342 2 Blau，N.，Duran，M.，Gibson，K。M.＆Dionisi-Vici，C。遗传代谢疾病的诊断，治疗和随访的医生指南。3-141（Springer-Verlag，2014年）。 3 Holecek，M。为什么饥饿和糖尿病中分支链氨基酸会增加？ 营养12（2020）。 https://doi.org:10.3390/nu12103087 4 White，P。J.等。 胰岛素作用，2型糖尿病和分支链氨基酸：一条双向街道。 mol Metab，101261（2021）。 https://doi.org:10.1016/j.molmet.2021.101261 5 Palacin，M。＆Broer，S。在医师的诊断，治疗和随访的医师指南中（B.Thorn，M。Duran，M。Duran，K.M.M.M. Gibson和C. Dionisi-Vici）85-99（Springer-Verlag，2014年）。 6 Seow，H。F.等。 hartnup疾病是由编码中性氨基酸转运蛋白SLC6A19的基因突变引起的。 nat Genet 36，1003-1007（2004）。 https://doi.org:10.1038/ng1406 7 Belanger，A。M.等。 抑制中性氨基酸转运以治疗苯酮尿症。 JCI Insight 3（2018）。 https://doi.org:10.1172/jci.insight.121762 8 Belanger，A。J.等。 在鸟氨酸经钙化酶缺乏的小鼠模型中，过量的氮和通过损失SLC6A19的存活增加。 遗传代谢疾病杂志N/A（2022）。 https://doi.org:https://doi.org/10.1002/jimd.12568 9 Jiang，Y。等。3-141（Springer-Verlag，2014年）。3 Holecek，M。为什么饥饿和糖尿病中分支链氨基酸会增加？营养12（2020）。https://doi.org:10.3390/nu12103087 4 White，P。J.等。 胰岛素作用，2型糖尿病和分支链氨基酸：一条双向街道。 mol Metab，101261（2021）。 https://doi.org:10.1016/j.molmet.2021.101261 5 Palacin，M。＆Broer，S。在医师的诊断，治疗和随访的医师指南中（B.Thorn，M。Duran，M。Duran，K.M.M.M. Gibson和C. Dionisi-Vici）85-99（Springer-Verlag，2014年）。 6 Seow，H。F.等。 hartnup疾病是由编码中性氨基酸转运蛋白SLC6A19的基因突变引起的。 nat Genet 36，1003-1007（2004）。 https://doi.org:10.1038/ng1406 7 Belanger，A。M.等。 抑制中性氨基酸转运以治疗苯酮尿症。 JCI Insight 3（2018）。 https://doi.org:10.1172/jci.insight.121762 8 Belanger，A。J.等。 在鸟氨酸经钙化酶缺乏的小鼠模型中，过量的氮和通过损失SLC6A19的存活增加。 遗传代谢疾病杂志N/A（2022）。 https://doi.org:https://doi.org/10.1002/jimd.12568 9 Jiang，Y。等。https://doi.org:10.3390/nu12103087 4 White，P。J.等。胰岛素作用，2型糖尿病和分支链氨基酸：一条双向街道。mol Metab，101261（2021）。https://doi.org:10.1016/j.molmet.2021.101261 5 Palacin，M。＆Broer，S。在医师的诊断，治疗和随访的医师指南中（B.Thorn，M。Duran，M。Duran，K.M.M.M.Gibson和C. Dionisi-Vici）85-99（Springer-Verlag，2014年）。6 Seow，H。F.等。 hartnup疾病是由编码中性氨基酸转运蛋白SLC6A19的基因突变引起的。 nat Genet 36，1003-1007（2004）。 https://doi.org:10.1038/ng1406 7 Belanger，A。M.等。 抑制中性氨基酸转运以治疗苯酮尿症。 JCI Insight 3（2018）。 https://doi.org:10.1172/jci.insight.121762 8 Belanger，A。J.等。 在鸟氨酸经钙化酶缺乏的小鼠模型中，过量的氮和通过损失SLC6A19的存活增加。 遗传代谢疾病杂志N/A（2022）。 https://doi.org:https://doi.org/10.1002/jimd.12568 9 Jiang，Y。等。6 Seow，H。F.等。hartnup疾病是由编码中性氨基酸转运蛋白SLC6A19的基因突变引起的。nat Genet 36，1003-1007（2004）。https://doi.org:10.1038/ng1406 7 Belanger，A。M.等。 抑制中性氨基酸转运以治疗苯酮尿症。 JCI Insight 3（2018）。 https://doi.org:10.1172/jci.insight.121762 8 Belanger，A。J.等。 在鸟氨酸经钙化酶缺乏的小鼠模型中，过量的氮和通过损失SLC6A19的存活增加。 遗传代谢疾病杂志N/A（2022）。 https://doi.org:https://doi.org/10.1002/jimd.12568 9 Jiang，Y。等。https://doi.org:10.1038/ng1406 7 Belanger，A。M.等。抑制中性氨基酸转运以治疗苯酮尿症。JCI Insight 3（2018）。https://doi.org:10.1172/jci.insight.121762 8 Belanger，A。J.等。 在鸟氨酸经钙化酶缺乏的小鼠模型中，过量的氮和通过损失SLC6A19的存活增加。 遗传代谢疾病杂志N/A（2022）。 https://doi.org:https://doi.org/10.1002/jimd.12568 9 Jiang，Y。等。https://doi.org:10.1172/jci.insight.121762 8 Belanger，A。J.等。在鸟氨酸经钙化酶缺乏的小鼠模型中，过量的氮和通过损失SLC6A19的存活增加。遗传代谢疾病杂志N/A（2022）。https://doi.org:https://doi.org/10.1002/jimd.12568 9 Jiang，Y。等。https://doi.org:https://doi.org/10.1002/jimd.12568 9 Jiang，Y。等。缺乏中性氨基酸转运蛋白B（0）AT1（SLC6A19）的小鼠的FGF21和GLP-1水平升高并改善了血糖控制。MOL METAB 4，406-417（2015）。 https://doi.org:10.1016/j.molmet.2015.02.003 10 Yadav，A。等。 新型化学支架抑制中性氨基酸转运蛋白B（0）AT1（SLC6A19），这是治疗代谢疾病的潜在靶标。 前药11，140（2020）。 https://doi.org:10.3389/fphar.2020.00140MOL METAB 4，406-417（2015）。https://doi.org:10.1016/j.molmet.2015.02.003 10 Yadav，A。等。 新型化学支架抑制中性氨基酸转运蛋白B（0）AT1（SLC6A19），这是治疗代谢疾病的潜在靶标。 前药11，140（2020）。 https://doi.org:10.3389/fphar.2020.00140https://doi.org:10.1016/j.molmet.2015.02.003 10 Yadav，A。等。新型化学支架抑制中性氨基酸转运蛋白B（0）AT1（SLC6A19），这是治疗代谢疾病的潜在靶标。前药11，140（2020）。https://doi.org:10.3389/fphar.2020.00140https://doi.org:10.3389/fphar.2020.00140
时空相似性措施基于多任务学习，用于使用MRI数据预测阿尔茨海默氏病进展
摘要 - 识别和利用各种生物标志物跟踪阿尔茨海默氏病（AD）的进展已受到许多最近的关注，并使帮助临床医生迅速做出了迅速的决定。传统的进程模型着重于从MRI/PET图像（例如区域平均皮质厚度和区域量）中提取感兴趣区域（ROI）中的形态生物标志物（ROI）。它们是有效的，但忽略了随着时间的流逝，大脑ROI之间的关系会导致协同的恶化。用于探索这些生物标志物之间的协同恶化关系，在本文中，我们提出了一种新型时空相似性度量的多任务学习方法，可有效预测AD的进展并敏感地捕获生物标志物之间的关键关系。特别是，我们首先定义了一个时间量度，用于估计生物标志物变化随时间变化的幅度和速度，这表明趋势变化（时间）。将这一趋势转换为矢量，然后我们比较了统一的矢量空间（空间）中生物标志物之间的这种变异性。实验结果表明，与直接基于ROI的特征学习相比，我们提出的方法在预测疾病进展方面更有效。我们的方法还使执行纵向稳定性选择以确定生物标志物之间不断变化的关系，这些关系在疾病进展中起着关键作用。我们证明，皮质体积或表面积之间的协同恶化的生物标志物对认知预测具有显着影响。索引术语 - Alzheimer疾病，脑生物标志物相关性，余弦相似性，多任务学习
为气候数据预测的Gstarima开发（1,1,1）模型订单
时空模型结合了空间和时间元素。一个示例是广义时空自回旋（GSTAR）模型，该模型改善了时空自回旋（Star）模型。GSTAR模型假定每个位置具有异质性特征，并且数据是静止的。在这项研究中，移动平均成分是通过在特定时间与可变值之间的关系计算得出的，并且假定数据不是固定的，因此使用的模型是广义时空自动式积分的移动平均值（GSTARIMA）模型。通过时空自相关功能（STACF）和时空部分自相关功能（STPACF）确定Gstarima的模型顺序，以确保准确的预测。先前的研究仅讨论了Gstarima（1,1,1）模型，因此在这项研究中，Gstarima（3,1,1）模型将作为Gstarima（1,1,1）模型的开发形式来解决，并应用于气候数据。本研究中使用的气候数据来自NASA功率和具有较大数据大小的降雨量变量，需要使用数据分析生命周期方法来分析大数据。生命周期包括六个阶段：发现，数据准备，模型计划，模型构建，交流结果和操作。基于Python软件的数据过程结果，Gstarima（3,1,1）模型的MAPE值为9％，用于样本数据，样本中数据为11％。相比之下，Gstarima（1,1,1）模型的MAPE值为11％，样本数据中的数据为12％。因此，Gstarima（3,1,1）模型提供了更准确的预测结果。因此，选择正确的模型顺序对于准确的预测至关重要。
利用流动数据预测经济活动
我们利用来自移动应用程序的 GPS 移动数据开发了高频指数来衡量服务业的销售额和制造业的生产活动。首先，我们着眼于使用移动数据估算服务业客户数量的可能性，开发了指标来捕捉游乐园、购物中心和食品服务的经济活动。我们表明，使用 GPS 移动数据可以实时、高精度地预测服务业的经济活动——这是传统统计数据在很大程度上无法实现的。此外，通过使用聚类方法，我们可以构建一个具有更好即时预测性能的指标。其次，在制造业，我们使用来自经济普查的工厂级数据以及利用白天比率等每小时和每日移动模式来确定大型工厂的位置。然后，我们根据指定区域的人口构建了即时预测生产的指标。我们发现，我们可以对一些劳动密集型行业（包括运输设备和生产机械行业）进行高精度的即时预测。这些结果表明，移动数据是即时预测宏观经济活动的有用工具。
机器学习利用入院时的数据预测创伤性脑损伤后的三种结果：一项开发和验证的多中心研究
摘要 准确识别可从有希望的治疗方法中受益的患者非常困难，这使得证明创伤性脑损伤 (TBI) 新疗法的有效性变得具有挑战性。尽管机器学习越来越多地应用于这项任务，但现有的二元结果预测模型不足以对 TBI 患者进行有效分层。本研究的目的是开发一个准确的三类结果预测模型，以便对患者进行适当的分层。为此，使用自 2018 年 1 月以来日本六家医院收治的 1200 名钝性 TBI 患者（每家机构 200 例连续病例）的回顾性平衡数据进行模型训练和验证。我们纳入了在急诊科获得的 21 个预测因子，包括年龄、性别、六项临床发现、四个实验室参数、八个计算机断层扫描结果和一项紧急开颅手术。我们开发了两种机器学习模型（XGBoost 和密集神经网络）和逻辑回归模型，以根据出院时的格拉斯哥预后量表扩展版 (GOSE) 预测三类结果。使用 n = 1000 的训练数据集开发预测模型，并使用引导法在验证数据集（n = 80）和测试数据集（n = 120）上进行两轮验证，评估其预测性能。在总共 1200 名患者中，患者年龄中位数为 71 岁，199 名（16.7%）患有严重 TBI，104 名患者（8.7%）接受了紧急开颅手术。住院时间中位数为 13.0 天。三级结果为 709 例患者（59.1%）恢复良好/中度残疾，416 例患者（34.7%）严重残疾/植物状态，75 例患者（6.2%）死亡。XGBoost 模型在最终验证中表现良好，灵敏度为 69.5%，准确率为 82.5%，受试者工作特征曲线下面积为 0.901。在受试者工作特征曲线分析方面，XGBoost 略胜于基于神经网络和逻辑回归的模型。特别是，XGBoost
KSTAR：一种根据磷酸化蛋白质组学数据预测患者特异性激酶活性的算法
激酶抑制剂作为靶向疗法在改善癌症治疗效果方面发挥了重要作用。然而，仍然存在相当大的挑战，例如耐药性、无反应、患者分层、多药理学和确定联合疗法，在这些情况下，了解肿瘤激酶活性谱可能会带来变革。在这里，我们开发了一种基于图形和统计数据的算法，称为 KSTAR，将细胞和组织的磷酸化蛋白质组学测量值转换为激酶活性评分，该评分可推广并可用于临床流程，无需量化磷酸化位点。在这项工作中，我们证明 KSTAR 可靠地捕获不同组织和刺激环境中预期的激酶活性差异，允许直接比较来自独立实验的样本，并且在各种数据集大小中都具有稳健性。最后，我们将 KSTAR 应用于临床乳腺癌磷酸化蛋白质组学数据，发现从 KSTAR 推断激酶活性有可能补充乳腺癌患者 HER2 状态的当前临床诊断。
卷积神经网络利用 MR 波谱成像数据预测脑肿瘤等级和阿尔茨海默病
脑部疾病通常通过磁共振成像（MRI）来诊断，以识别解剖偏差，在某些情况下，通过磁共振波谱（MRS）来评估代谢异常[1，2]。磁共振波谱成像（MRSI）以覆盖大脑的二维或三维网格中体素的光谱形式提供代谢信息。MRS 可帮助确定脑部疾病的类型和严重程度，在局部或异质性病变的情况下，可将体素分为健康、非健康或疾病严重程度，例如脑肿瘤[3-12]。在通过 MRI 诊断脑部疾病时，正确的图像分割对于可视化解剖结构和识别病理区域非常重要。相反，在通过 MRSI 进行诊断时，重点更多地放在特征选择算法上，以识别代谢异常[13，14]。在大多数 MRSI 研究中，MRI 用于解剖指导，但事实已证明，将其与 MRI 信息相结合可提高诊断水平[4、10、13、15–18]。卷积神经网络（CNN）[19] 在医学图像分割方面取得了成功[20–23]。CNN 是一种人工神经网络[24]，是目前图像分类的最新技术[25–27]。它们通过卷积充当特征提取器。输入与一个或多个核进行卷积，并使用新的表示来预测输入属于哪个类。因此，经过训练后，核会生成原始输入的表示，该表示更适合区分分配给不同类别的样本。最近，CNN 已应用于 MRS(I) 数据，以估算代谢物的组织浓度 [ 28 – 30 ]、提高 MRSI 的空间分辨率 [ 31 ] 以及评估 MRSI 光谱质量和过滤伪影 [ 32 , 33 ]，但它们尚未用于通过 MRSI 对疾病进行分类。使用 MRSI 数据开发分类模型的一个挑战是可用的案例数量有限。MRSI 数据通常很稀缺，阻碍了使用具有许多参数需要学习的深度神经网络架构。因此，在本文中，我们研究了使用只有一个隐藏层的浅层 CNN 对 MRSI 疾病进行分类。尽管光谱和图像是不同的数据类型，但它们都以特征局部性为特征：图像在空间上是局部性，而光谱在光谱上是局部性 [ 34 ]。特征局部性意味着相邻特征的值高度相关。这些相邻特征是光谱的相邻频率和图像的附近像素。在本文中，我们基于 [ 35 ] 提出了一种 CNN 方法，利用这种特征局部性对脑体素进行分类。为了实现这一点，我们设计了一种类型融合方法，其中光谱和图像数据被联合用于训练具有单个隐藏卷积层的 CNN，该层考虑了光谱的光谱局部性和图像的空间局部性。此外，我们在损失函数中添加了一个正则化项，以惩罚权重值的较大变化，从而避免过度拟合。具体来说，我们考虑了一个具有两个输入分支的 CNN，每个分支都有一个隐藏的卷积层，以便同时处理脑体素的光谱和图像特征。每个分支都由一个隐藏的卷积层组成。这两个分支的输出是
使用心理健康护理中高度去识别的数据预测患者等待时间：增强型机器学习方法
背景：等待时间会影响患者的满意度、治疗效果以及患者接受的护理效率。心理健康领域的等待时间预测是一项复杂的任务，它受到预测门诊患者所需治疗次数的难度、高失约率以及使用团体治疗的可能性的影响。如果输入数据的效用较低，等待时间分析的任务就会变得更具挑战性，这种情况发生在通过删除直接和准标识符对数据进行高度去识别化时。目标：本研究的第一个目标是开发机器学习模型，利用实时数据预测精神病门诊患者从转诊到第一次预约的等待时间。第二个目标是利用系统知识在输入数据高度去识别化的情况下提高这些预测模型的性能。第三个目标是确定导致长时间等待的因素，第四个目标是建立这些模型，使它们实用且易于实施（因此对护理提供者有吸引力）。方法：我们分析了加拿大安大略海岸精神卫生科学中心 8 家门诊诊所的回顾性高度去识别化管理数据，使用 6 种机器学习方法来预测新门诊患者的首次预约等待时间。我们使用系统知识来缓解数据低效用的问题。数据包括 4187 名患者，他们通过 30,342 次预约接受了治疗。结果：不同类型的精神卫生诊所的平均等待时间差异很大。超过一半的诊所的平均等待时间超过 3 个月。诊所预约的次数和失约率差异很大。尽管存在这些差异，但随机森林方法为 8 家诊所中的 4 家提供了最小均方根误差值，为其他 4 家诊所提供了第二小均方根误差。利用系统知识提高了高度去识别化数据的效用，并提高了模型的预测能力。结论：随机森林方法通过系统知识得到增强，为新门诊患者提供了可靠的等待时间预测，尽管高度去识别的输入数据的效用很低，而且不同诊所和患者类型的等待时间差异很大。优先系统被确定为导致等待时间过长的一个因素，并建议使用快速通道系统作为潜在解决方案。
在 7T 人类神经影像数据预测中对各种人工视觉模型进行大规模基准测试
机器视觉和认知神经成像技术的快速同步发展为（重新）评估人类视觉系统人工模型的现状提供了无与伦比的机会。在这里，我们对 85 种现代深度神经网络模型（例如 CLIP、BarlowTwins、Mask-RCNN）进行了大规模基准分析，以强大的统计能力表征架构和训练任务的差异如何影响对人类视觉系统 16 个不同区域的 fMRI 活动的预测。我们发现：第一，即使是鲜明的架构差异（例如 Transformers 和 MLP-mixer 中没有卷积）对大脑数据的紧急拟合也影响很小；第二，任务的差异有明显的影响——分类和自监督模型显示出相对更强的大脑预测能力；第三，特征重新加权可显着提高大脑预测能力，而不会过度拟合——产生模型到大脑的回归权重，这些权重在数千张新图像中对大脑反应的预测能力达到相同的水平。广义上，这项工作展示了现代深度神经网络模型的特征空间与人类视觉系统固有的表征结构之间出现的对应关系的概况。