XiaoMi-AI文件搜索系统
World File Search System显著
α-突触核蛋白内含子 1 的 DNA 甲基化显著...
摘要：帕金森病 (PD) 是一种常见的运动障碍，估计到 80 岁为止，有 4% 的人会患有此病。葡萄糖脑苷脂酶 1 (GBA1) 基因突变是 PD 最常见的遗传风险因素，至少 7-10% 的非德系 PD 个体携带 GBA1 突变 (PD-GBA1)。尽管与特发性 PD 相似，但 PD-GBA1 的临床表现包括发病年龄略低、神经精神症状发生率更高，并且认知障碍往往更早、更普遍且更严重。PD-GBA1 的病理生理机制尚不完全清楚，但与特发性 PD 一样，α-突触核蛋白积累被认为起着关键作用。有人假设这种 α-突触核蛋白的过度表达是由表观遗传修饰引起的。在本文中，我们分析了特发性 PD、PD- GBA1 和老年非 PD 对照者三个不同脑区（额叶皮质、壳核和黑质）中内含子 1 和 α -突触核蛋白 ( SNCA ) 基因启动子内的 17 个 CpG 位点的 DNA 甲基化水平。在这三个脑区中，我们发现特发性 PD 和 PD- GBA1 的内含子 1 的 8 个 CpG 区域内的 DNA 甲基化呈下降趋势。DNA 甲基化降低的趋势在 PD- GBA1 中更为明显，额叶皮质的下降更为显著。这表明 PD- GBA1 和特发性 PD 具有不同的表观遗传特征，并强调了区分特发性 PD 和 PD- GBA1 病例的重要性。这项工作还提供了初步证据，表明 PD 中可能存在不同的遗传亚型，每种亚型都有其自身的病理机制。这可能对 PD 的诊断和治疗方式具有重要意义。
CERENERGY® 项目在很短的时间内取得了显著的成果......
海德堡，2023 年 1 月 26 日。过去四个月对于 Altech 集团来说是多事之秋。我们于2022年9月与世界领先的德国电池研究所弗劳恩霍夫签署了将CERENERGY®钠氧化铝固态电池（SAS）商业化的合资协议后，立即开始实施。下一步是任命 Leadec Automation & Engineering GmbH (Leadec) 为位于 Schwarze Pumpe 的 100 兆瓦 CERENERGY® SAS 60 KWh 电池组制造厂的最终可行性研究的牵头工程办公室。凭借这一突破性、环保且高效的开发成果，Altech 集团旨在为工业固定式存储解决方案领域树立新标准，并为可再生能源和电网存储市场注入新动力。
____________________________ 这仅仅是一份意向通知 (NOI)。能源部可能会发布一份如本文所述的 FOA，也可能发布一份与本文所述有显著差异的 FOA。
• 旨在用于从太阳、水、风、地热或水热资源、增强型地热系统或其他可再生资源中生产能源的财产； • 燃料电池、微型涡轮机或能源存储系统及组件； • 电网现代化设备或组件； • 设计用于碳捕获、运输、去除、使用或封存/储存的财产； • 设计用于精炼、电解或混合任何可再生或低碳低排放的燃料、化学品或产品的设备； • 设计用于生产节能技术的财产（包括用于住宅、商业和工业应用）； • 轻型、中型或重型电动或燃料电池汽车、电动或燃料电池机车、电动或燃料电池船舶或电动或燃料电池飞机；上述汽车、机车、船舶或飞机的技术、组件和材料；以及与上述汽车、机车、船舶或飞机相关的充电或加油基础设施； • 总重量不低于 14,000 磅的混合动力汽车；以及用于这些车辆的技术、部件和材料；以及 • 旨在减少温室气体排放的其他先进能源资产。4 预期的 FOA 将包括生产或回收上述任何法定类别资产的项目，项目的选择部分基于它们是否有能力加强关键的国内供应链，从而到 2035 年实现零排放电力部门并在不迟于 2050 年实现全经济净零排放。例如，在美国能源部 2022 年 2 月的报告“保障美国的清洁能源供应链”中，能源部确定了优先需要取向电工钢、连续换位导体、铜线、铜绕组、大型电力变压器 (LPT) 套管、储油柜、储油柜内胆和大型电力变压器来支持电网现代化；多晶硅、压延玻璃、铝、锭、晶圆、电池、支架、模块、逆变器和系统来支持太阳能光伏；钕和镝合金、钕磁铁、半导体、大型铸件、锻造环和
通过基于有效几何深度网络的生成对抗网络从脑电信号中实现视觉显著性和图像重建
摘要：了解大脑感知外界输入数据的功能是神经科学的一大目标。神经解码有助于我们模拟大脑活动和视觉刺激之间的联系。通过这种建模可以实现从大脑活动重建图像。最近的研究表明，视觉显著性是图像刺激的重要组成部分，它给大脑活动留下了深刻的印象。本文提出了一个深度模型，通过视觉显著性从脑电图 (EEG) 记录中重建图像刺激。为此，我们训练了基于几何深度网络的生成对抗网络 (GDN-GAN)，将 EEG 信号映射到每个图像对应的视觉显著性图。所提出的 GDN-GAN 的第一部分由切比雪夫图卷积层组成。所提出的网络的 GDN 部分的输入是基于功能连接的 EEG 通道图形表示。 GDN 的输出被施加到所提出的网络的 GAN 部分以重建图像显著性。所提出的 GDN-GAN 使用 Google Colaboratory Pro 平台进行训练。显著性指标验证了所提出的显著性重建网络的可行性和效率。训练后的网络的权重用作初始权重来重建灰度图像刺激。所提出的网络实现了从 EEG 信号进行图像重建。
表观遗传特征显著影响植物中 CRISPR–Cas9 的功效
CRISPR–Cas9 介导的基因组编辑已广泛应用于真核系统的基础和应用生物学研究。虽然许多研究认为 CRISPR 靶位的 DNA 序列是 CRISPR 诱变效率和突变谱的主要决定因素，但越来越多的证据揭示了染色质环境的重要作用。尽管如此，大多数先前的研究都受到缺乏足够的表观遗传资源和/或仅在短时间窗口内暂时表达 CRISPR–Cas9 的限制。在本研究中，我们利用拟南芥 (Arabidopsis thaliana) 中丰富的高分辨率表观基因组资源，使用稳定的转基因植物来解决染色质特征对 CRISPR–Cas9 诱变的影响。我们的结果表明，DNA 甲基化和染色质特征可能导致诱变效率发生高达 250 倍的显著变化。低诱变效率主要与抑制性异染色质特征有关。这种抑制效应似乎在细胞分裂过程中持续存在，但可以通过大幅减少 CRISPR 靶位的 DNA 甲基化来缓解。此外，特定的染色质特征（例如 H3K4me1、H3.3 和 H3.1）似乎与非同源末端连接修复途径介导的 CRISPR-Cas9 突变谱的显著变化有关。我们的研究结果提供了强有力的证据，表明特定的染色质特征可能对 CRISPR-Cas9 诱变效率和 DNA 双链断裂修复结果产生重大而持久的影响。
极低频磁场显著增强了甲氨蝶呤的细胞毒性，并可以通过瞬时诱导的质膜损伤减少癌细胞系的迁移
超低频磁场 (ELF-MF) 通过诱导瞬时质膜孔/损伤显著增强细胞对甲氨蝶呤的吸收。与未接受 ELF-MF 处理的对照组相比，通过电磁诱导膜孔增强的甲氨蝶呤“剂量负荷”导致与正常对照组相似的结果，同时体外使用明显较小的治疗剂量。与 ELF-MF 一起使用时，大约 10% 的典型治疗剂量产生了类似的结果。ELF-MF 增加体外 PC12、THP-1 和 HeLa 增殖（对照组的 120%）。粘附细胞分析表明，与对照组相比，向诱导划痕损伤的迁移明显减少（24 小时内 20 毫米）。我们的结果表明 ELF-MF 在肿瘤治疗中发挥着重要作用，这开辟了一些新的和令人兴奋的可能性，包括使用较小治疗剂量的化疗药物和破坏肿瘤转移。© 2022 作者。由 Elsevier Inc. 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
将药物-药物相似性添加到药物-靶标相互作用预测方法中是否会显著提高其效率？
摘要 预测药物-靶标相互作用 (DTI) 已成为一个重要的生物信息学问题，因为它是药物重新定位的关键和初步阶段之一。因此，科学家们正在尝试开发更准确的计算方法来预测药物-靶标相互作用。这些方法通常基于机器学习或推荐系统，并使用生物和化学信息来提高预测的准确性。在这些方法的背景下，有一个假设，即具有相似化学结构的药物具有相似的靶标。因此，药物之间的相似性作为化学信息被添加到计算方法中以改进预测结果。这里出现的问题是这种说法是否真的正确？如果是这样，应该使用什么方法来计算药物-药物化学结构的相似性？我们是否会从我们使用的任何 DTI 预测方法中获得同样的改进？在这里，我们研究了通过将药物-药物化学结构相似性添加到问题中可以实现的改进量。为此，我们考虑了不同类型的真实化学相似性、随机药物相似性、四个黄金标准数据集和四种最先进的方法。我们的结果表明，数据的类型和大小、用于预测相互作用的方法以及用于计算药物间化学相似性的算法都很重要，不能轻易地说增加药物相似性可以显著改善结果。因此，我们的结果可以为想要改进机器学习方法的科学家提供一份清单。
将药物-药物相似性添加到药物-靶标相互作用预测方法中是否会显著提高其效率？
大多数药物在临床试验的早期阶段就失败了，而且一种药物要想在市场上取得成功需要花费大量的时间和成本 [1, 2]。这些因素促使科学家们努力寻找更好、更便宜的方法来寻找合适的药物。解决这些问题最有效、最有趣的解决方案之一是药物重新定位 (也称为药物再利用)。药物重新定位确实可以加快研究速度，因为它省去了药物设计的早期阶段，但它也有缺点。例如，使用药物重新定位来确定用于治疗新疾病的药物剂量是这一观点面临的最重要挑战之一，因为该药物已经被考虑用于治疗另一种疾病，并且剂量特定。然而，这种观点已经找到了自己的地位，我们今天必须考虑它。
b'我们考虑由小型、自主设备组成的网络，这些设备通过无线通信相互通信。在为此类网络设计算法时，最小化能耗是一个重要的考虑因素，因为电池寿命是一种至关重要的有限资源。在发送和侦听消息都会消耗能量的模型中，我们考虑在任意未知拓扑的无线电网络中寻找节点最大匹配的问题。我们提出了一种分布式随机算法，该算法以高概率产生最大匹配。每个节点的最大能量成本为 O (log n )(log \xe2\x88\x86) ，时间复杂度为 O (\xe2\x88\x86log n )。这里 n 是节点数量的任意上限，\xe2\x88\x86是最大度数的任意上限； n 和 \xe2\x88\x86 是我们算法的参数，我们假设它们对所有处理器都是先验已知的。我们注意到，存在一些图族，对于这些图族，我们对能量成本和时间复杂度的界限同时达到多项对数因子的最优，因此任何显著的\xef\xac\x81 改进都需要对网络拓扑做出额外的假设。我们还考虑了相关问题，即为网络中的每个节点分配一个邻居，以便在最终节点发生故障时备份其数据。在这里，一个关键目标是最小化最大负载，定义为分配给单个节点的节点数。我们提出了一种有效的分散式低能耗算法，该算法确定一个邻居分配，其最大负载最多比最优值大一个多项对数 (n) 因子。'
b'我们考虑由小型、自主设备组成的网络，这些设备通过无线通信相互通信。在为此类网络设计算法时，最小化能耗是一个重要的考虑因素，因为电池寿命是一种至关重要的有限资源。在发送和侦听消息都会消耗能量的模型中，我们考虑在任意未知拓扑的无线电网络中寻找节点最大匹配的问题。我们提出了一种分布式随机算法，该算法以高概率产生最大匹配。每个节点的最大能量成本为 O (log n )(log \xe2\x88\x86) ，时间复杂度为 O (\xe2\x88\x86log n )。这里 n 是节点数量的任意上限，\xe2\x88\x86是最大度数的任意上限； n 和 \xe2\x88\x86 是我们算法的参数，我们假设它们对所有处理器都是先验已知的。我们注意到，存在一些图族，对于这些图族，我们对能量成本和时间复杂度的界限同时达到多项对数因子的最优，因此任何显著的\xef\xac\x81 改进都需要对网络拓扑做出额外的假设。我们还考虑了相关问题，即为网络中的每个节点分配一个邻居，以便在最终节点发生故障时备份其数据。在这里，一个关键目标是最小化最大负载，定义为分配给单个节点的节点数。我们提出了一种有效的分散式低能耗算法，该算法确定一个邻居分配，其最大负载最多比最优值大一个多项对数 (n) 因子。'
摘要：本文致力于人工智能在教育中的应用，并强调可持续发展背景下的机遇和问题。分析了人工智能技术在教育过程中的引入现状。教育过程中最常用的人工智能技术概括为以下几类：认知服务；虚拟、混合和增强现实；物联网和外围计算；元认知支架。根据对受益者的影响，在教育过程中使用人工智能的优势概括为：学生、教师、学生家长、教育机构负责人、地方政府。事实证明，通过使用人工智能技术和基于从应用这些技术中获得的分析数据创建个人培训计划，学习过程可以显著有效。研究发现，在教育中使用人工智能的主要优势是教育过程的个性化和个性化。指出了教育机构和地方政府负责人从在教育过程中使用人工智能技术所获得的好处，以确保可持续发展，包括决策的透明度和问责制，r
摘要：本文致力于人工智能在教育中的应用，并强调可持续发展背景下的机遇和问题。分析了人工智能技术在教育过程中的引入现状。在教育过程中最常用的人工智能技术概括为以下几类：认知服务；虚拟、混合和增强现实；物联网和外围计算；元认知支架。根据对受益者的影响，在教育过程中使用人工智能的优势概括为：学生、教师、学生家长、教育机构负责人、地方政府。事实证明，通过使用人工智能技术和基于从应用这些技术中获得的分析数据创建个人培训计划，学习过程可以非常有效。发现在教育中使用人工智能的主要优势是教育过程的个性化和个性化。指出了教育机构和地方政府负责人从在教育过程中使用人工智能技术以确保可持续发展中获得的好处，包括决策的透明度和问责制、合理和高效地利用资源。揭示了在教育过程中由人工智能处理的学生数据的保密性和非个人化问题；建议区分教育机构对个人和机密数据的访问、存储和使用的责任。概述了进一步科学研究的前景——教育过程的进一步个性化和个体化。关键词：教育信息化、教育中的人工智能、可持续发展、教育个性化、教育个性化、信息和通信能力。引用方式：Yuskovych-Zhukovska, V., Poplavska, T., Diachenko, O., Mishenina, T., Topolnyk, Y., & Gurevych, R. (2022)。人工智能在教育中的应用。可持续发展的问题和机遇。大脑。人工智能和神经科学的广泛研究，13 (1Sup1)，339-356。https://doi.org/10.18662/brain/13.1Sup1/322