XiaoMi-AI文件搜索系统
World File Search System推断
flone：完全洛伦兹网络嵌入以推断新颖2
图1。DDT网络中层次结构的插图。以DTINET 116中的药物节点DB00050为例，它可以直接与两个靶点节点P30968和P22888结合，它也可以通过110个基于药物疾病的疾病节点和118
使用数据约束的循环神经网络模型推断全脑交互
行为源自多个在解剖学和功能上不同的大脑区域的协调活动 1,2 。现代实验工具 3–5 使我们能够前所未有地接触大量神经群，甚至是横跨全脑许多相互作用区域的神经群 2 。然而，要理解如此大规模的数据集，不仅需要稳健、可扩展的计算模型来提取区域间通信的有意义特征，还需要原则性理论来解释这些特征。在这里，我们介绍了基于电流的分解 (CURBD)，这是一种使用数据约束的循环神经网络模型 6 推断全脑相互作用的方法，该模型一旦经过训练，就会自主产生与实验获得的神经数据一致的动态。CURBD 利用从这些模型推断出的功能相互作用来同时揭示多个大脑区域之间的定向电流。我们首先表明，CURBD 可以在具有已知连接和动态的模拟真实网络中准确地隔离区域间电流。然后，我们将 CURBD 应用于从广泛的神经数据集（斑马鱼幼虫 7 、小鼠 8 、猕猴 9 和人类 10 ）获得的多区域神经记录，以证明 CURBD 在解开全脑相互作用和行为背后的区域间通信原理方面的广泛适用性。
使用可穿戴传感器和心理特征进行认知负荷推断的数据集
主观差异 1 +0.742 (0.47-0.88) +0.520 (0.14-0.77) +0.035 (-0.38-0.44) -0.009 (-0.42-0.4) +0.062 (-0.36-0.46) 级别 +0.742 (0.47-0.88) 1 +0.595 (0.24-0.81) -0.032 (-0.44-0.39) -0.045 (-0.45-0.37) +0.072 (-0.35-0.47) TLX_effort +0.818 (0.61-0.92) +0.648 (0.32-0.84) +0.375 (-0.04-0.68) +0.077 (-0.35-0.47) +0.035 (-0.38-0.44) -0.008 (-0.42-0.41) TLX_心理需求 +0.750 (0.49-0.89) +0.513 (0.13-0.76) +0.319 (-0.11-0.65) +0.075 (-0.35-0.47) +0.062 (-0.36-0.46) -0.006 (-0.42-0.41) TLX_时间需求 +0.669 (0.35-0.85) +0.671 (0.36-0.85) +0.459 (0.06-0.73) +0.053 (-0.37-0.46) +0.038 (-0.38-0.44) +0.105 (-0.32-0.5) TLX_实物需求 +0.266 (-0.16-0.61) +0.181 (-0.25-0.55) -0.042 (-0.45-0.38) -0.539 (-0.78-(-0.16)) -0.456 (-0.73–0.05) -0.304 (-0.64-0.12) TLX_性能 -0.383 (-0.69-0.04) -0.353 (-0.67-0.07) -0.261 (-0.61-0.17) -0.132 (-0.52-0.30) -0.018 (-0.43-0.4) +0.014 (-0.4-0.42) TLX_frustration +0.413 (0.00-0.70) +0.385 (-0.03-0.69) +0.144 (-0.29-0.52) -0.474 (-0.74-(-0.08)) -0.402 (-0.7-0.01) -0.149 (-0.53-0.28)
有关儿童肥胖和牙本质异常的因果推断：孟德尔随机研究
摘要背景：牙面异常，包括斑纹，可能导致功能障碍和社会心理挑战。尽管生长和发展过程中的遗传学和环境因素扮演着关键的作用，但儿童肥胖的影响尚不清楚。这项研究旨在研究使用孟德尔随机化（MR）的儿童期高体重与牙本质异常之间的因果关系。方法：使用全基因组关联研究数据应用了两样本的MR方法，这是一种在遗传流行病学中用于推断暴露与结果之间因果关系和结果的一种技术，该技术使用每个遗传关联研究的摘要数据。这种方法利用基因的随机分配来克服观察性研究中的混杂和反向因果关系问题，通过使用遗传变异作为仪器变量。儿童肥胖和体重指数（BMI）是暴露和牙本质异常。在严格的过滤后，14个儿童肥胖和16个与BMI相关的单核苷酸多态性被选为使用反相反的加权，MR-EGGER，MR-EGGER，加权中位数，加权模式和Mendelian随机性随机化模式和Mendelian随机性的多效性残留率和脱位率（MR-PRESSO）方法分析的仪器变量。用于鉴定潜在的多效性，MR-EGGER截距测试和MR-Presso全球测试。此外，进行了一项删除灵敏度分析，以评估发现的鲁棒性。Cochrane的Q检验，漏斗图，EGGER截距测试和MR-Presso全球测试没有异质性或水平多效性。结果：儿童肥胖（P = 0.005，赔率无线电（OR）= 0.918 [0.865，0.974]）和较高的BMI（P = 3.72×10-6，OR = 0.736 [0.646，0.838]）与潜在的CASAL的牙本质相关关系降低，与潜在的CASAL相关性降低。保留的分析确认了结果稳定性。结论：这项研究提供了遗传证据，表明儿童肥胖和BMI可能与牙齿/下巴畸形（如牙合牙合）的发生率较低有关。虽然鉴于儿童肥胖的总体健康风险，但似乎存在逆关系，但该链接需要谨慎的解释和进一步的研究。
从全基因组关联数据推断人类大脑形态的一般尺寸
图 1 典型脑网络定义。为了将人类脑形态测量的遗传结构支撑到脑的典型网络组织上，我们考虑了九个重叠的脑网络。被认为位于这些网络内的区域体积通过 83 个灰质体积（N = 36,778）的全基因组关联数据表示，该图表明不同体积被分配到哪些网络。网络定义采用 Madole 等人（2021 年）的定义，但并非无可争议。我们使用这些基于理论的网络定义来应用我们新颖的降维技术基因组 PCA，以获得明确标记的网络下的遗传 PC。使用这些遗传 PC1，我们测试了不同的网络甚至整个大脑是否与认知衰老有遗传关联。
从复活的蛋白质推断 CRISPR 相关核酸内切酶的进化
* 1 CIC nanoGUNE BRTA，西班牙圣塞瓦斯蒂安。 2 西班牙马德里拉蒙卡哈尔大学医院遗传学服务中心、IRYCIS 和罕见疾病生物医学研究中心 (CIBERER) 3 西班牙马德里国家生物技术中心 (CNB-CSIC) 分子和细胞生物学系和罕见疾病生物医学网络研究中心 (CIBERER-ISCIII)。 4 INGEMM，拉巴斯大学医院，CIBERER-ISCIII，马德里，西班牙。 5 晶体学研究实验室，IACT（CSIC-UGR），阿米拉，格拉纳达，西班牙 6 布鲁塞尔大学间生物信息学研究所，ULB-VUB，布鲁塞尔 1050，比利时 7 布鲁塞尔结构生物学，布鲁塞尔自由大学，布鲁塞尔 1050，比利时 8 结构生物学研究中心，VIB，布鲁塞尔 1050，比利时。 9 美国马萨诸塞州波士顿 02114 马萨诸塞州总医院基因组医学中心和病理学系 10 美国马萨诸塞州波士顿 02115 哈佛医学院病理学系 11 西班牙巴塞罗那 Integra Therapeutics SL。 12 西班牙巴塞罗那庞贝法布拉大学医学与生命科学系。
带有过程时间模型的单细胞基因组数据的轨迹推断
单细胞转录组学实验提供了跨细胞态杂基细胞群体的基因表达快照。这些快照已被用于推断轨迹和动态信息，即使没有基因表达相似性订购细胞的密集，时间序列数据。然而，尽管单细胞快照有时提供了对动态过程的有价值的见解，但当前的订购细胞的方法受到缺乏内在物理含义的“假频率”的描述性概念的限制。而不是伪赛，我们通过原则建模方法提出了“过程时间”的推断，以制定轨迹和推断对应于经受生物物理过程的细胞对应的潜在变量。我们对这种方法的实施称为Chronocell，提供了建立在细胞状态过渡的轨迹的生物物理表述。计时模型是可识别的，使参数推断有意义。更重要的是，当细胞状态位于连续体上并聚类时，当细胞聚集到离散状态时，计时核可以在轨迹推理之间插值。通过使用从类似群集到连续的各种数据集，我们表明计时赛使我们能够评估数据集的适用性，并在过程时间内揭示了与生物过程时间一致的过程。我们还将降解速率的参数估计值与来自代谢标记数据集的参数估计值进行了比较，从而展示了计时性的生物物理实用性。然而，基于模拟的性能表征，我们发现过程时间推断可能具有挑战性，突出了数据集质量的重要性和仔细的模型评估。
scmomentum：细胞类型特异性调节网络和能量景观的推断
图1 SCMOMENTUM在模拟数据集中捕获了特定于集群的属性和分支点。（a）SCMOMENTUM上游的分析管道。（b）细胞速度图；细胞根据每个簇进行彩色。（c）能源景观；细胞的颜色与（b）相同；每个景观表的灰度代表网格的能量。（d）PCA在灰度中显示的相应能量电网顶部的细胞速度投影。（e）基于群集距离保存的方法的基准。这里的每个点表示一对簇之间的距离； R平方值根据右下角的彩色图例显示了每种方法的表达和网络距离的架相关性。在p值截止为0.05时，所有相关性均显着。
随机模型可以从时间序列数据中更好地推断微生物组相互作用
AU：请确认所有标题级别均正确表示：我们如何才能弄清楚不同微生物在微生物群落中是如何相互作用的？为了结合理论模型和实验数据，我们经常将系统平均动力学的确定性模型与平均数据拟合。然而，在平均过程中，数据中的大量信息会丢失——而确定性模型可能无法很好地表示随机现实。在这里，我们基于实验和模型都是随机的想法开发了一种微生物群落推理方法。从随机模型开始，我们不仅推导出平均值的动力学方程，还推导出微生物丰度更高统计矩的动力学方程。我们使用这些方程来推断最能描述生物实验数据的相互作用参数的分布——从而提高可识别性和精度。推断出的分布使我们能够做出预测，同时也能区分相当确定的参数和现有实验数据无法提供足够信息的参数。与相关方法相比，我们推导出也适用于微生物相对丰度的表达式，使我们能够使用传统的宏基因组数据，并解释了随着时间的推移无法追踪单个宿主而只能追踪复制宿主的情况。