XiaoMi-AI文件搜索系统
World File Search System收缩性
研究文章的多组分和光谱 - 效应相关性的定量分析shaoyao-gancao汤的反痉挛活性
Shaoyao-Gancao汤（SGD）是一种著名的经典中药（TCM），具有反杂质，抗fammatoration和镇痛作用。制备已被广泛用于治疗诊所中的痉挛疾病。迄今为止，SGD的材料基础尚不清楚，并且尚未报道其反痉挛活性的光谱缺失相关性。在这项研究中，使用高性能液相色谱法（HPLC）来建立FNGERPRINT并确定SGD的多个成分。te峰。同时，使用热图和盒子尺寸分析对多个组件进行了量化和分析。热热，通过体外平滑肌收缩测定法提取了反痉挛效应的数据。灰色关系分析与部分最小平方回归相结合，用于研究SGD的频谱不良相关性。最后，使用分离的组织实验验证了潜在的杂溶成分。te hplc fngerprint，并确定了20个共同的峰。15批SGD的相似性均高于0.965。te HPLC方法是准确且可靠的。白ave蛋白，Paeoniforin，Liquiritin和glycyrrhizic Acid的含量高于SGD中的其他成分。te Spectrum - Fect相关结果表明X 4，X 11和X 16与胞溶活性高度相关。01）。te Heatmap和盒子大小还表明X 3（白化蛋白），X 4（Paeoniforin），X 5（Liquiritin），X 11（LiquiriTigenin）和X 16（Glycyrrhizic Acid）可以用作进一步建立质量标准的质量指标。验证测试表明，paeoniforin（11.7-29.25μg/ml）和液脂蛋白（17.19-28.65μg/ml）可以显着减少最大收缩性（p <0。TESE化合物对乙酰胆碱（ACH）诱发的收缩的抑制反应施加了浓度依赖性的痉挛性效应。tus，sgd具有signifcant的反质源，这是由其多个成分的协同活性产生的。TESE FNDING可用于SGD的药效学研究，并且在确定质量标记和质量控制方面具有很大的意义。
使用初级保健电子健康记录预测短期房颤风险
抽象的客观房颤（AF）按年龄筛查的产量低，并错过了年轻人。我们旨在在全国范围内常规收集的初级保健数据中开发一种算法，以预测6个月内发生AF的风险（未来对房颤的新创新（Find-AF）（Find-AF））。方法，我们使用了来自≥30岁的个人的初级保健电子健康记录数据，但在英国临床实践研究数据链接数据集在1998年1月2日至2018年11月30日之间，随机分为培训（80％）和测试（20％）数据集。我们使用年龄，性别，种族和合并症培训了一个随机的森林分类器。Prediction performance was evaluated in the testing dataset with internal bootstrap validation with 200 samples, and compared against the CHA 2 DS 2 -VASc (Congestive heart failure, Hypertension, Age >75 (2 points), Stroke/ transient ischaemic attack/thromboembolism (2 points), Vascular disease, Age 65–74, Sex category) and C 2 HEST (Coronary artery disease/Chronic obstructive肺部疾病（每种1分），高血压，老年人（≥75，2分），收缩性心力衰竭，甲状腺疾病（甲状腺功能亢进症））得分。COX比例危害模型具有竞争性死亡风险的危险模型适合于较高和较低的发现风险之间的长期AF。2 081 139个人群中的结果，7386在6个月内开发了AF。Find-Af可以应用于所有记录。与较低的预测风险相比，较高的预测风险队列的AF发生率高20倍，AF的长期危害较高（HR 8.75，95％CI 8.44至9.06）。In the testing dataset (n=416 228), discrimination performance was strongest for FIND-AF (area under the receiver operating characteristic curve 0.824, 95% CI 0.814 to 0.834) compared with CHA 2 DS 2 - VASc (0.784, 0.773 to 0.794) and C 2 HEST (0.757, 0.744 to 0.770), and robust by sex and族裔。结论Find-AF，一种机器学习算法，可按常规收集的初级保健数据进行大规模适用，并确定了较高的短期AF风险的人。
国际心脏病学杂志
目的：使用斑点跟踪超声心动图（STE）通过压力型环的心肌工作（MW）估计，已证明可以评估左心室（LV）收缩超过LV全球纵向菌株（GLS）的负载依赖性限制的限制。这已被证明在血液动力学变异设置中有用，例如心力衰竭和瓣膜心脏病。然而，从未研究过我们研究的目的，跨二尖瓣反流（MR）的MW和应变参数的变化及其对症状的影响。方法和结果：前瞻性地招募了轻度，中度和重度MR的连续患者。排除标准是：慢性心房颤动，瓣膜心脏假体，先前的心脏手术。每次形成使用Ste和MW测量的临床评估，血液样本测试，ECG和超声心动图。患者分组分组。作为研究终点，探索了症状的差异和症状的预测因子（作为NYHA类≥2）。 总体而言，有180名患者参加（60个温和，60个中度，60个严重MR）。 根据MR严重程度， LV GL和全球峰心房lon gitudinal菌株（PAL）降低。 全球建设性工作（GCW）和全球浪费工作（GWW）显着提高，而中度和重度MR的患者的全球工作效率（GWE）降低了。 在超声心动图参数中，全局PAL成为NYHA类的最佳预测指标（P <0.001；曲线下的面积，AUC = 0.7）。作为研究终点，探索了症状的差异和症状的预测因子（作为NYHA类≥2）。总体而言，有180名患者参加（60个温和，60个中度，60个严重MR）。LV GL和全球峰心房lon gitudinal菌株（PAL）降低。全球建设性工作（GCW）和全球浪费工作（GWW）显着提高，而中度和重度MR的患者的全球工作效率（GWE）降低了。在超声心动图参数中，全局PAL成为NYHA类的最佳预测指标（P <0.001；曲线下的面积，AUC = 0.7）。结论：MW参数准确地描述了MR的病理生理学，而LV的初步尝试增加了收缩性以补偿与疾病进步平行的体积超负荷，尽管效果低，而全球PAL与MR症状的负担最相关。
纳米技术中使用 Python 进行机器学习的趋势
摘要 纳米生物技术已成为材料科学和生物医学研究的主要影响领域。根据这一趋势，纳米科学和技术的融合已成为当代医学和医疗保健领域的得力助手。机器学习 (ML) 是一种快速发展的医学专业，它集成了计算机编程和统计分析来解决医学问题。机器学习的支持者称赞该技术能够处理医学中广泛存在的大型、复杂和分散的数据集，并希望 ML 能够大大促进全球医疗保健在生物医学研究、定制治疗和计算机辅助诊断方面的发展。机器学习的研究考虑了如今由 Python 支持的算法和学习类型。Python 已成为用户最业余的编程语言之一，可以经受住他们的学习和分析。本文的目的是反思医学中受益于此类学习技术的问题，并通过 Python 解释基本的机器学习思想。本文涵盖使用 Python 机器学习方法推动商业和医疗保健领域发展的所有实用领域。 关键词：纳米生物技术；机器学习；Python；医疗保健 收到日期 2022.02.19 修订日期 2022.03.11 接受日期 2022.04.02 简介 ML 是一门研究计算机从数据中学习的学科。它诞生于统计学和计算机科学的交叉领域，其目标是从数据中理解关系。数学和计算机科学的融合受到从包含数十亿或数万亿个数据点的海量数据集中生成统计模型的计算挑战的推动。计算机辅助学习有两种类型：监督学习和无监督学习。[1,2]。监督学习的目的是预测已知的输出或目标。手写识别（例如识别药物目标）是机器学习竞赛中常见的监督学习问题。对物体图片进行分类（例如，这是抗原还是抗体？）和文档分类（例如，这是关于心力衰竭的临床研究还是财务报告？）是另外两个监督学习挑战。值得注意的是，这些都是受过训练的人可以做得很好的职业，这就是为什么计算机通常试图模仿人类的表现。监督学习涉及分类和预测，这需要选择子组来最好地表征给定的数据实例。另一方面，无监督学习没有可预见的输出。用户正在寻找数据中自然存在的模式或组。这是一项更难衡量的任务，而这些通过无监督学习学到的群体的实用性，通常取决于它们在后续的监督学习任务中的表现。考虑如何将无监督学习如何用于心脏病以实现这一目标，以心肌炎等多种疾病为例。从一大群看起来相同但患有不明原因的急性收缩性心力衰竭的人开始。之后，可以对他们进行心肌活检，并通过免疫染色确定每个样本的细胞组成。例如，将计数 T 淋巴细胞、中性粒细胞、巨噬细胞、嗜酸性粒细胞和其他细胞。然后，人们可以寻找细胞组成中的重复模式，这可能导致发现某种机制并开发新药 [3,4]。类似的策略（这次侧重于遗传学）导致了对嗜酸性哮喘亚型 7 的发现，这种哮喘对针对嗜酸性粒细胞分泌的细胞因子白细胞介素 13 的新药物有特异性反应。
Davide Riccobelli - 米兰理工大学
1. M. Magri 和 D. Riccobelli。初始应力固体的建模：不可压缩极限下的能量密度结构。SIAM 应用数学杂志，84(6):2342–2364，2024 年 2. D. Riccobelli、P. Ciarletta、G. Vitale、C. Maurini 和 L. Truskinovsky。脆性断裂背后的弹性不稳定性。物理评论快报，132:248202，2024 年 3. NA Barnafi、F. Regazzoni 和 D. Riccobelli。弹性体中松弛配置的重建：心脏建模的数学公式和数值方法。应用力学和工程中的计算机方法，423:116845，2024 4. D. Riccobelli、HH Al-Terke、P. Laaksonen、P. Metrangolo、A. Paananen、RHA Ras、P. Ciarletta 和 D. Vella。扁平和起皱的封装液滴：重力和蒸发引起的形状变形。物理评论快报，130(21):218202，2023 5. Y. Su、D. Riccobelli、Y. Chen、W. Chen 和 P. Ciarletta。电活性介电弹性体气球的可调变形。英国皇家学会学报 A，479(2276):20230358，2023 6. P. Ciarletta、G. Pozzi 和 D. Riccobelli。具有初始应力的弹性板的 F¨oppl–von K´arm´an 方程。英国皇家学会开放科学，9(5):220421，2022 7. D. Andrini、V. Balbi、G. Bevilacqua、G. Lucci、G. Pozzi 和 D. Riccobelli。轴突皮质收缩性的数学建模。脑多物理，3:100060，2022 8. D. Riccobelli。主动弹性驱动受损轴突中周期性串珠的形成。物理评论 E，104(2):024417，2021 9. D. Riccobelli、G. Noselli 和 A. DeSimone。围绕刚性约束盘绕的杆：螺旋和变位。皇家学会学报 A，477(2246):20200817，2021 10. D. Riccobelli 和 G. Bevilacqua。表面张力控制脑器官中脑回形成的开始。固体力学和物理学杂志，134:103745，2020 11. D. Riccobelli、G. Noselli、M. Arroyo 和 A. DeSimone。互锁和可滑动杆的轴对称薄板力学。固体力学和物理学杂志，141:103969，2020 12. D. Riccobelli 和 D. Ambrosi。肌肉的激活作为应力-应变曲线的映射。极端力学快报，28:37–42，2019 13. D. Riccobelli、A. Agosti 和 P. Ciarletta。论初始应力材料的弹性极小值的存在。皇家学会哲学学报 A，377(2144):20180074，2019 14. G. Giantesio、A. Musesti 和 D. Riccobelli。横向各向同性超弹性材料中主动应变和主动应力的比较。弹性杂志，137(1):63–82，2019 15. D. Riccobelli 和 P. Ciarletta。具有残余应力的软不可压缩球体的形状转变。固体数学和力学，23(12):1507–1524，2018 16. D. Riccobelli 和 P. Ciarletta。曲折肿瘤血管的形态弹性模型。国际非线性力学杂志，107:1–9，2018 17. D. Riccobelli 和 P. Ciarletta。软弹性层中的瑞利-泰勒不稳定性。皇家学会哲学学报 A，375(2093):20160421，2017 18. D. Ambrosi、S. Pezzuto、D. Riccobelli、T. Stylianopoulos 和 P. Ciarletta。实体肿瘤是多孔弹性固体，在生长过程中具有化学机械反馈作用。弹性杂志，129(1-2):107–124，2017
一种适用于 iPSC 疾病建模的高效 CRISPR-Cas9 DNA 编辑方法
1 Gallagher, M. D. 和 Chen‐Plotkin, A. S. 后 GWAS 时代：从关联到功能。Am J Hum Genet 102 , 717-730, doi:10.1016/j.ajhg.2018.04.002 (2018)。2 Hoffmann, A.、Ziller, M. 和 Spengler, D. 关注基于 ESC/iPSC 的精神疾病建模中的因果关系。Cells 9 , doi:10.3390/cells9020366 (2020)。3 Kampmann, M. 基于 CRISPR 的神经系统疾病功能基因组学。Nat Rev Neurol 16 , 465-480, doi:10.1038/s41582-020-0373-z (2020)。 4 Matos, M. R.、Ho, S. M.、Schrode, N. 和 Brennand, K. J. CRISPR 工程与基于 hiPSC 的精神基因组学模型的整合。Mol Cell Neurosci 107 , 103532，doi:10.1016/j.mcn.2020.103532 (2020)。5 Soldner, F. 等人。在两个早发性帕金森病点突变处产生完全不同的同源多能干细胞。Cell 146 , 318-331，doi:10.1016/j.cell.2011.06.019 (2011)。6 Gresch, O. 等人。将基因转移到原代细胞的新型非病毒方法。方法 33 ，151-163，doi:10.1016/j.ymeth.2003.11.009 (2004)。7 Ihry, R. J. 等人。p53 抑制人类多能干细胞中的 CRISPR-Cas9 工程。Nat Med 24 ，939-946，doi:10.1038/s41591-018-0050-6 (2018)。8 Das, D.、Feuer, K.、Wahbeh, M. 和 Avramopoulos, D. 使用干细胞建立精神障碍生物学模型。Curr Psychiatry Rep 22 ，24，doi:10.1007/s11920-020-01148-1 (2020)。 9 Zhang, X. H., Tee, L. Y., Wang, X. G., Huang, Q. S. 和 Yang, S. H. CRISPR/Cas9 介导的基因组工程中的脱靶效应。Mol Ther Nucleic Acids 4，e264，doi:10.1038/mtna.2015.37 (2015)。10 Stewart, M. P.、Langer, R. 和 Jensen, K. F. 通过膜破坏进行细胞内递送：机制、策略和概念。Chem Rev 118，7409-7531，doi:10.1021/acs.chemrev.7b00678 (2018)。11 Ohgushi, M. 等人。导致人类多能干细胞解离诱导凋亡的分子途径和细胞状态。 Cell Stem Cell 7 , 225-239, doi:10.1016/j.stem.2010.06.018 (2010)。12 Chen, G., Hou, Z., Gulbranson, D. R. 和 Thomson, J. A. 肌动蛋白-肌球蛋白收缩性是导致分离的人类胚胎干细胞活力降低的原因。Cell Stem Cell 7 , 240-248, doi:10.1016/j.stem.2010.06.017 (2010)。13 Okamoto, S., Amaishi, Y., Maki, I., Enoki, T. 和 Mineno, J. 使用优化的 ssODN 和 Cas9-RNP 进行高效的基因组编辑，实现单碱基替换。 Sci Rep 9 , 4811, doi:10.1038/s41598-019-41121-4 (2019)。14 Vakulskas, C. A. 等人。以核糖核蛋白复合物形式递送的高保真 Cas9 突变体可在人类造血干细胞和祖细胞中实现有效的基因编辑。Nat Med 24 , 1216-1224, doi:10.1038/s41591-018-0137-0 (2018)。15 Geng, B. C. 等人。一种用于人类诱导多能干细胞的简单、快速、高效的 CRISPR/Cas9 基因组编辑方法。 Acta Pharmacol Sin 41 , 1427-1432，doi:10.1038/s41401-020- 0452-0 (2020)。16 Singh, A. M. 一种单细胞克隆人类多能干细胞的有效协议。Front Cell Dev Biol 7 , 11, doi:10.3389/fcell.2019.00011 (2019)。17 Yumlu, S. 等人。使用 CRISPR/Cas9 对人类诱导多能干细胞进行基因编辑和克隆分离。方法 121‐122 , 29‐44, doi:10.1016/j.ymeth.2017.05.009 (2017)。18 Cobo, F. 等人。电子显微镜显示小鼠胚胎成纤维细胞中存在病毒，但在人类胚胎成纤维细胞或用于 hESC 维护的人类间充质细胞中不存在病毒：在干细胞库中实施微生物质量保证计划。克隆干细胞 10, 65-74，doi:10.1089/clo.2007.0020 (2008)。