XiaoMi-AI文件搜索系统
World File Search System时间点
在多个时间点快照量子动力学
测量引起的状态扰动是获取多个时间点的量子统计数据的主要挑战。我们提出了一种从中间时间点的量子系统中提取动态信息的方法，即快照量子动力学。为了做到这一点，我们引入了一个多时间准概率分布 (QPD)，它可以正确地恢复各个时间的概率分布，并构建了一个系统协议来从测量数据中重建多时间 QPD。我们的方法还可以用于提取各种时间顺序的相关函数。我们使用双物种捕获离子系统对所提出的协议进行了原理验证实验演示。我们分别使用 171Yb+ 和 138Ba+ 离子作为系统和辅助离子来执行多时间测量，包括重复初始化和检测辅助状态，而无需直接测量系统状态。重建了两次和三次 QPD，其中忠实地监测了系统的动态。我们还观察到多次 QPD 中的负性和复值，这清楚地表明了量子相干性对动态的贡献。我们的方案可以应用于一般量子过程的任何多次测量，以探索量子动力学的性质。
电子系统中故障预测的基于自发的时间点过程模型：提高准确性和解释性
现有的用于预测电子设备故障率的模型通常会显示出差异，与实际测量相比，稳定时期的预测值较高，在流失期间的值较低。尽管它们经常用于模拟时间序列过程中的强度函数，但复发性神经网络（RNN）却难以捕获事件序列之间的长距离依赖性。此外，强度函数的固定参数形式可以限制模型的概括。为了解决这些缺点，提出了一种新颖的方法，利用注意机制在不依赖强度函数的情况下生成时间点过程。为了量化模型和现实分布之间的差异，模型使用Wasserstein距离来创建损失函数。此外，为了提高可解释性和概括性，使用一种自动机制来评估过去事件对当前发生的影响。比较测试表明，这种方法的表现超过了可能的可能性模型，而没有先前了解强度功能和类似RNN的生成模型，从而将相对错误率降低了3.59％，并将错误预测准确性提高了3.91％。
重复性轻度创伤性脑损伤影响急性和慢性时间点的炎症和兴奋毒性 mRNA 表达
轻度创伤性脑损伤 (mTBI) 的累积效应可导致慢性神经损伤，但这种损害背后的分子机制需要进一步研究。使用复制人类 mTBI 的生物力学和头部加速度力的封闭式头部重量坠落模型来探索单次和重复撞击后的急性和慢性结果。成年雄性 C57BL/6J 小鼠被随机分配到四个撞击组之一（对照组；一次、五次和 15 次撞击），这些撞击持续 23 天。在最后一次 mTBI 发生后的 48 小时和 3 个月评估结果。海马空间学习和记忆评估显示，与对照组相比，15 次撞击组在急性期的表现受损，并且在慢性测量时仍然存在。使用定量 RT-PCR 对皮质和海马的脑组织样本进行 mRNA 分析。评估了八个基因，即 MAPT、GFAP、AIF1、GRIA1、CCL11、TARDBP、TNF 和 NEFL，并根据位置和随访持续时间观察其表达变化。皮质和海马表现出对损伤的脆弱性，显示关键的兴奋毒性和炎症基因上调。血清样本显示各组之间的蛋白质磷酸化 tau 和 GFAP 没有差异。这些数据表明，这些影响的累积效应足以诱发 mTBI 病理生理学和临床特征。本研究调查的基因为进一步研究 mTBI 相关神经病理学提供了机会，并可能为开发有助于减轻 mTBI 影响的疗法提供目标。
什么可以区分
新兴的神经影像学研究研究了大脑的变化，目的是收集足够的数据点以检查在关键发育时期的变化轨迹。然而，当前的研究通常受到现在可用的时间点的限制。我们证明应认真对待这些限制，并且具有两个时间点的研究应集中在特定问题（例如，群体级别或干预效果）上，而个人差异和调查对这些差异的原因和后果的复杂问题应延期，直到可以将其他时间点纳入变化模型。我们生成了基础纵向数据和拟合模型，并在1000个样本中使用2、3、4和5个时间点。即使在几乎没有时间点的情况下也可以平均恢复固定效果，但两个时间点模型的个体差异的恢复尤其较差，在r = 0.41的情况下与真实的个体参数相关 - 这意味着这些分数仅按预期的是差异的16.8％，模型具有更多的时间点，更准确地恢复了生长参数；然而，三个时间点模型的参数恢复仍然很低，左右左右相关。我们认为，在纵向分析中对时间点的早期子集进行初步分析，应集中于这些平均值或组级别的效果，并且应在最大化可用时间点的样本中解决个体差异问题。我们以对研究人员使用早期时间点模型的建议进行结论，包括预注册的想法，对2个时间点结果的仔细解释以及将纵向分析视为动态，在此期间发现附加信息随着其他信息的可用而更新。
![arxiv：2009.13217v1 [eess.iv] 28 Sep 2020](/simg/g:\will\search\icon\source\7\734de7b028dffa29c8fe279add931cc635a2e2a1.webp)
arxiv：2009.13217v1 [eess.iv] 28 Sep 2020
摘要。学习如何预测大脑连接（即图）开发和衰老对于绘制脑部dysconnectitivity dissorder和跨境景观的构图至关重要。的确，预测随着时间的推移出现并从单个时间点开始出现的纵向（即时间依赖性）脑功能障碍性，可以帮助在很早的阶段设计个性化治疗方法。尽管有很大的能力，但在文献中，大脑图的进化模型在很大程度上被忽略了。在这里，我们提出了EvographNet，这是第一个端到端的几何深度学习图 - 生成的对抗网络（GGAN），用于预测单个时间点的时间依赖性脑图演变。我们的Evo-Graphernet体系结构级联一组与时间有关的GGAN，每个GGAN在特定时间点上传达其预测的脑形图，以在后续时间点训练级联的下一个GGAN。因此，我们通过将每个发电机的输出作为其后继器的输入来获得每个预测的时间点，这使我们能够以末端的方式仅使用一个时间点预测给定数量的时间点。在每个时间点上，为了更好地使预测的脑图的分布与地面图形的分布相结合，我们进一步整合了辅助kullback-leibler差异损失函数。在两个连续观测之间限制时间依赖性，我们施加了L 1损失，以最大程度地减少两个序列化脑图之间的稀疏距离。我们的示波器 - 网络代码可在http://github.com/basiralab/evographnet上找到。一系列针对我们的evographnet变体和消融版本的基准，表明我们可以使用单个基线时间点实现最低的脑图探测预测误差。
近距离光学天空理论
图3募集过程中的电动机单位放电率（a，20％MVIC； B，40％MVIC），高原（C，20％MVIC； D，40％MVIC）和降临降解（E，20％MVIC; F，40％MVIC）。回合1以蓝色表示，并以红色为曲目的电动机单元。无界的彩色圆圈代表每个回合的单个MU放电率。有限的彩色圆圈指示每个参与者的个人手段。水平线显示了每个时间点的总估计边缘平均值（EMMEANS），并且晶须代表每个时间点相关的95％置信区间。*** p <0.05，在各个时间点中比基线更大； ** p <0.05，在各个时间点上大于回合2的回合； * p <0.05，在各个时间点之间。MVIC，最大自愿等距收缩。
反复练习的反复发作的运动单位行为的变化
图3募集过程中的电动机单位放电率（a，20％MVIC； B，40％MVIC），高原（C，20％MVIC； D，40％MVIC）和降临降解（E，20％MVIC; F，40％MVIC）。回合1以蓝色表示，并以红色为曲目的电动机单元。无界的彩色圆圈代表每个回合的单个MU放电率。有限的彩色圆圈指示每个参与者的个人手段。水平线显示了每个时间点的总估计边缘平均值（EMMEANS），并且晶须代表每个时间点相关的95％置信区间。*** p <0.05，在各个时间点中比基线更大； ** p <0.05，在各个时间点上大于回合2的回合； * p <0.05，在各个时间点之间。MVIC，最大自愿等距收缩。
妊娠糖尿病与长期死亡的长期风险以及心血管结局和风险因素的关联：英国生物银行的回顾性队列分析
注意：附录表S1中详细介绍了这些数据所指的每个数据的时间点，因为某些数据仅在注册时收集，而其他数据则在不同时间点进行了重复评估，我们合并了（例如，在评估时间点之间取平均值），或者有时我们只需要使用最新评估时间点的数据。如果至少在一个时间点报道了血糖，血压和降低胆固醇药物的使用。缩写：一个级别，高级级别；作为高级子公司级别； BMI，体重指数； CSE，中等教育证书； CVD，心血管疾病； GCSE，中等教育一般证书； GDM，妊娠糖尿病； HNC，高等国家证书； HND，更高的国家文凭； IQR，四分位数范围； NVQ，国家职业资格； o级别，普通水平； Q1/Q2/Q3，五分之一； SD，标准偏差。两个样本t检验。B Pearson的卡方测试。
scNode：时间单细胞转录组数据预测的生成模型
在不同时间点上单细胞基因表达的测量可以研究细胞降低。然而，由于与单细胞实验相关的资源限制和技术挑战，研究人员只能在离散和稀疏采样的时间点上介绍基因表达。此缺失的时间点信息阻碍了下游细胞发育分析。我们提出了SCNode，这是一个端到端的深度学习模型，可以在未观察到的时间点上在硅单细胞基因表达中进行预测。scnode将变异自动编码器（VAE）与神经常规微分方程（ODE）集成在一起，以使用连续和非线性潜在空间预测基因表达。重要的是，我们结合了一个动态正规化项，以学习一个潜在空间，该空间在预测未观察到的时间点上的单细胞基因表达时具有稳健的分布变化。我们对三个现实世界scrna-seq数据集的评估表明，SCNODE比最新方法具有更高的预测性能。我们进一步证明，SCNODE的预测有助于在缺失的时间点范式下的细胞轨迹推断和学习的潜在空间在沿发育细胞路径的相关基因的硅扰动分析中有用。数据和代码可在https://github.com/rsinghlab/scnode上公开获得。
在高运动青年队列中进行数据救援，以实现稳健且可重复的大脑行为关系
图 1。描述运动排序和装袋程序的示意图。Shen 268 分割方案用于提取所有参与者的 fMRI 时间序列。执行清理时，如果其 rmsFD > 0.20 毫米，则在 fMRI 时间序列中识别出运动损坏的时间点 (T)。审查该时间点后，还会删除其前一个 (T – 1) 和两个后续 (T + 1, T + 2) 时间点。然后根据时间点的 rmsFD 值对其进行排序，并使用顶部 minTP 运动污染最少的时间点来计算功能连接（运动排序功能连接矩阵）。对于每个参与者，使用运动排序时间序列计算功能连接矩阵。使用清理后的时间序列执行装袋，方法是选择与预定义阈值（由 minTP 表示）匹配的受运动破坏最少的时间点（按其 rmsFD 值排序），并从 500 次迭代中的运动受限时间点中引导给定大小 TP 的样本（有替换地）并计算功能连接。对于每个参与者，平均装袋功能连接矩阵是通过对得到的 500 个功能连接矩阵（装袋功能连接矩阵）取平均值来计算的。