XiaoMi-AI文件搜索系统
World File Search System标准误差
内部和渗透性碳酸盐中的不同微生物群落支持甲烷和新型PMMO多样性的长期厌氧氧化
图1来自DEL MAR和SMM800的甲烷渗氧化甲烷的厌氧甲烷氧化活性。原位AOM指标和CH 3 D速率测量值表征低到高AOM活性碳酸盐。a）渗透碳酸盐收集站点Del Mar（浅绿色标记）和圣莫尼卡Mound 800（SMM800，深绿色标记）位于相距129公里。从Google Maps获得的地图。b）生物地球化学渗透碳酸盐设置。c）c）del mar露头，R1和R2的原位图像起源于顶部，R3和R4，从较近的沉积物。d）R9，来自附近的Del Mar区域，硫化垫有氧化垫。e）烟囱和f）原塑料是两个类似化学的结构，是从圣莫尼卡丘800的不同侧收集的。烟囱恢复后用甲烷积极冒泡。对于比例尺，图像中的红色激光点相距29厘米。g）基于：CH 3 D + SO 4 2-HCO 3- + HS- + HDO，在与单氧化甲烷的缺氧孵育中测量的厌氧甲烷激活率（NMOL D CM -3 D -1）。我们在五个时间点上测量了水的ΔD，除非另有说明，否则从线性增加的速率计算了速率。错误条显示了从线性回归计算出的K的标准误差。分别将带有不同颜色的R9，R9.1和R9.2的两个子样本孵育为AOM速率。无法重建用于费率的R9件的方向。在最后一个时间点（T4）硫化物进行测量，并在R9.1，Chimlet顶部，中间，底部和原子质表面中检测到。在检测下，冲浪。*在T4上仅检测到背景高于背景的氘，表明R2和R3。，B.D。的非线性增加。表面，int。内部，BTM。底部
组异质性
尽管有几种备受瞩目的最先进的方法可用，但分析批量RNA-Seq数据仍在面临重大挑战。最近的研究的证据表明，流行的差异表达（DE）工具（例如EDGER和DESEQ2）容易受到惊人的错误发现率（FDR）的影响。这些研究表明，在这些模型中观察到的FDR通货膨胀可能归因于诸如违反参数假设的问题或无法有效处理数据中的异常值。在这里，我们认为群体异质性也可以促进这一提升的FDR，这一现象在很大程度上被研究界忽略了。我们介绍了一种新型的统计模型Robseq，该模型旨在在差异分析中有效的每种功能建模，当时是当群均均一的假设未得到满足时。Robseq利用了稳健的统计文献中建立的统计机制，包括M估计量来稳健地估计基因表达水平变化和Huber-Cameron方差估计器来计算异性设置中的鲁棒标准误差。此外，出于推理目的，它还结合了Welch T统计量的自由度调整，有效地解决了RNA-Seq差异表达中FDR通胀的问题。通过详细的模拟和全面的基准测试，我们表明Robseq成功地将错误的发现和I型错误率保持在名义级别，同时与众所周知的DE方法相比保留了高统计能力。对种群级RNA-seq数据的分析进一步表明，Robseq能够鉴定出与复杂人类疾病有关的具有生物学上重要的信号和途径，这些信号和途径涉及复杂的人类疾病，否则这些信号和途径否则无法通过已发表的方法揭示。Robseq的实现可在https://github.com/schatterjee30/robseq上公开提供。
牛奶中与妊娠相关糖蛋白估计的奶牛怀孕损失的遗传参数
这项研究检查了在育种中使用预养生相关的糖蛋白（PAG）的可行性，以维持妊娠维持妊娠，并评估了妊娠损失特征的遗传差异。在1,119个瑞典群的每月测试日挤奶中收集了41,889名瑞典红（SR）和82,187牛奶的374,206个PAG样品。妊娠状态是根据PAG水平定义的，并通过人工授精（AI），产犊和从D 1后汇总到Calving的数据确认。妊娠损失特征被定义为胚胎丧失（AI后28 d至41 d），胎儿损失（AI后42 d直至产犊）和总妊娠损失。最小二乘平均值（±标准误差，％）和使用混合线性模型估算的遗传参数。遗传力估计分别为0.02、0.02和0.03，胚胎丧失，胎儿丧失和总妊娠丧失分别为0.02、0.02和0.03。妊娠损失的母牛的PAG浓度低于成功保持怀孕并产生血管的母牛。PAG记录仅限于每月测试日挤奶，导致估计较低的胚胎损失（分别为SR和SH为17.5±0.4和18.7±0.4）和较高的胎儿损失（分别为32.8±0.5和35.1±0.5和35.1±0.5，SR和SH）。妊娠损失可能较早发生，但仍未发现直到下一个测试日挤奶，当时它被记录为胎儿损失而不是胚胎损失。估计胚胎和胎儿妊娠丧失性状与经典生育特征之间的遗传相关性通常很高。需要进一步的研究来阐明这些结果如何从PAG数据中鉴定出新的遗传性状可以是高度特异性的，因为PAG仅由胎盘分泌。因此，PAG可能是选择的有用指标，可从基因上改善妊娠维持并减少牛奶产量中的生殖损失。
格罗宁根大学患者对人工晶体的偏好......
背景：误诊、乱收费、排队、诊所等待时间长等是全球医疗行业长期存在的现象。这些因素可能导致患者对临床医生误诊的焦虑。然而，随着大数据在生物医学和医疗保健界的使用日益增长，人工智能 (Al) 诊断技术的性能正在提高，可以帮助避免医疗实践错误，包括在当前 COVID-19 的情况下。目的：本研究旨在在中国 COVID-19 疫情的背景下，从人工智能诊断与临床医生的不同角度可视化和衡量患者的异质偏好。我们还旨在说明离散选择实验 (DCE) 潜在类别的不同决策因素，以及人工智能技术在 SARS-CoV-2 大流行期间及未来判断和管理中的应用前景。方法：DCE 方法是本文应用的主要分析方法。我们假设了诊断方法、门诊等候时间、诊断时间、准确率、诊断后随访、诊断费用等不同维度的属性，并形成问卷。利用 DCE 问卷收集的数据，应用 Sawtooth 软件对数据集构建了广义多项逻辑 (GMNL) 模型、混合逻辑模型和潜在类别模型。此外，我们计算了变量的系数、标准误差、P 值和优势比 (OR)，并形成效用报告以呈现属性的重要性和加权百分比。结果：无论临床医生的描述如何，共有 55.8% 的受访者 (767 人中的 428 人) 选择了 AI 诊断。在 GMNL 模型中，我们发现人们最喜欢 100% 的准确率 (OR 4.548, 95% CI 4.048-5.110, P <.001)。对于潜在类别模型，最容易接受的模型由 3 个潜在类别的受访者组成。影响最大、百分比权重最高的属性是诊断的准确性（总体为 39.29%）和费用（总体为 21.69%），尤其是对诊断“准确性”属性的偏好，该属性在各个类别中保持不变。对于第 1 类和第 3 类，人们更喜欢 AI + 临床医生的方法（第 1 类：OR 1.247，95% CI 1.036-1.463，P <.001；第 3 类：OR 1.958，95% CI
调查在线游戏化对心电图的影响和护理学生中的自我指导学习
简介：正确了解和解释心电图并基于它的注意是挽救患者生命的最重要方法之一。因此，本研究旨在研究在线游戏化对护理学生解释心电图和自我指导学习能力的影响。方法：本研究是在2023年在ILAM City的第五个学期对44名护理学生（每组参与者的22名参与者）进行的，该研究使用便利抽样方法通过四个排列平衡块随机化以控制和干预组进行。在四个星期内的四个会议中，干预组的参与者接受了心电图解释作为故事情节平台上的培训，并在Socrative软件中玩游戏。对照组以同一位讲师的教育形式获得了相同的内容。ECG解释学习测试，自我指导的学习，迷你精神状态检查和人口统计问卷是在干预之前填写的（预测试）。然后，心电图解释学习测试和自定向学习问卷是在干预结束后两周完成的（测试后），并使用shapiro-wilk，独立的t-test，配对的test，chi-square，chi-square和多个线性回归测试在spspss v.16中分析了0.05的标准误差。结果：参与者年龄的平均值和标准偏差为21.35±1.02，59％的样本是男性。建议将此方法用于教授医院更有用和重要的课程。在干预之前，两组之间未观察到显着差异，但是在干预后，干预组中ECG解释评分的平均值和标准偏差显着增加（14.1±2.94）与对照组相比（8.8±1.36）（P = 0.007）。此外，与对照组（125±4.3）相比，干预组中的自我指导学习（168±10.42）显示出统计学上的显着差异（p = 0.003）。结论：使用在线游戏化作为护理学生的新教育方法，可以提高解释心电图和自我指导学习的能力。
出版详情：Liu, T., Tsang, W., Huang, F., Lau, OY, Chen, Y., Sheng, J., Guo, Y., Akinwunmi, B., Zhang, C. JP., & Ming, W.-K. (2021). 中国 SARS-CoV-2 大流行期间患者对人工智能应用与临床医生在疾病诊断中的偏好：离散选择实验。《医学互联网研究杂志》，23(2)，文章 e22841。https://doi.org/10.2196/22841
背景：误诊、乱收费、排队、诊所等待时间长等是全球医疗行业长期存在的现象。这些因素可能导致患者对临床医生误诊的焦虑。然而，随着大数据在生物医学和医疗保健界的使用日益增长，人工智能 (Al) 诊断技术的性能正在提高，可以帮助避免医疗实践错误，包括在当前 COVID-19 的情况下。目的：本研究旨在在中国 COVID-19 疫情的背景下，从人工智能诊断与临床医生的不同角度可视化和衡量患者的异质偏好。我们还旨在说明离散选择实验 (DCE) 潜在类别的不同决策因素，以及人工智能技术在 SARS-CoV-2 大流行期间及未来判断和管理中的应用前景。方法：DCE 方法是本文应用的主要分析方法。我们假设了诊断方法、门诊等候时间、诊断时间、准确率、诊断后随访、诊断费用等不同维度的属性，并形成问卷。利用 DCE 问卷收集的数据，应用 Sawtooth 软件对数据集构建了广义多项逻辑 (GMNL) 模型、混合逻辑模型和潜在类别模型。此外，我们计算了变量的系数、标准误差、P 值和优势比 (OR)，并形成效用报告以呈现属性的重要性和加权百分比。结果：无论临床医生的描述如何，共有 55.8% 的受访者 (767 人中的 428 人) 选择了 AI 诊断。在 GMNL 模型中，我们发现人们最喜欢 100% 的准确率 (OR 4.548, 95% CI 4.048-5.110, P <.001)。对于潜在类别模型，最容易接受的模型由 3 个潜在类别的受访者组成。影响最大、百分比权重最高的属性是诊断的准确性（总体为 39.29%）和费用（总体为 21.69%），尤其是对诊断“准确性”属性的偏好，该属性在各个类别中保持不变。对于第 1 类和第 3 类，人们更喜欢 AI + 临床医生的方法（第 1 类：OR 1.247，95% CI 1.036-1.463，P <.001；第 3 类：OR 1.958，95% CI
2020 年犯罪受害情况——补充统计表
家庭暴力 e 514 , 350 559 , 820 ‡ 636 , 540 † 521 , 870 454 , 330 0.19% 0.21% † 0.23% † 0.19% 0.16% 亲密伴侣暴力 f 273 , 900 308 , 560 368 , 980 † 310 , 320 253 , 170 0.10 0.11 0.13 † 0.11 0.09 陌生人暴力 1 , 276 , 710 1 , 370 , 020 1 , 411 , 500 ‡ 1 , 393 , 650 1 , 243 , 930 0.47 0.50 0.51 † 0.50 0.45 造成伤害的暴力犯罪 663 , 920 722 , 560 841 , 280 † 735 , 430 667 , 230 0.24 0.27 0.31 † 0.27 0.24 持有武器的暴力犯罪 767 , 320 776 , 770 ‡ 838 , 630 † 788 , 920 † 651 , 000 0.28 ‡ 0.29 † 0.30 † 0.28 † 0.23 注意：由于一个人可能经历多种类型的犯罪，因此详细信息加起来可能不等于总数。暴力犯罪类别包括强奸或性侵犯、抢劫、严重袭击和简单袭击，包括这些犯罪的威胁、未遂和已完成的发生。家庭暴力和造成伤害的暴力犯罪等暴力犯罪类别与其他暴力犯罪类别或其他特征并不互相排斥。标准误差见附录表 2，人口见附录表 10。*比较年份。†与比较年份的差异在 95% 的置信水平下显著。‡与比较年份的差异在 90% 的置信水平下显著。a 一年中至少经历过一次暴力侵害的 12 岁或以上人数。b 一年中至少经历过一次暴力侵害的 12 岁或以上人群的百分比。c 不包括凶杀，因为全国犯罪受害调查基于对受害者的访谈。d 包括强奸或性侵犯、抢劫和严重袭击。 e 包括由亲密伴侣或家庭成员实施的暴力受害行为子集。f 包括由现任或前任配偶、男朋友或女朋友实施的暴力受害行为子集。资料来源：司法统计局，全国犯罪受害调查，2016-2020 年。
FGF10-CRISPR镶嵌突变体证明了基因剂量...
CRISPR/CAS9介导的基因编辑通常会产生创始人的产生（F0）小鼠，这些小鼠在靶向基因中表现出体细胞镶嵌。众所周知，成纤维细胞生长因子10（FGF10） - 否则小鼠表现出有害和无肺表型，而中间肢体表型（可变有缺陷的四肢）在FGF10 -CrispR F0小鼠中观察到。然而，尚未研究FGF10-马赛克突变体中的肺表型与肢体类型和基因型有关。在这项研究中，我们检查了FGF10靶向的F0小鼠中的可变肺Phe -notypes，以确定肺表型是否与功能性FGF10基因型的百分比相关。首先，根据先前的报告，在胚胎第16.5天（E16.5）上的FGF10 -Crispr F0胚胎分为三种类型：I型，无肢； II型，肢体缺陷；和III型，正常的四肢。软骨和骨染色表明，在腰带（I型），肾小管或Zeugopo-Dial区域（II型）中观察到肢体截断。对FGF10的深度测序 - Mutant基因组表明，I型I型的代码子的平均比例为8.3±6.2％，II型的25.3±2.7％，III类型为54.3±9.5％（在E16.5的平均值）突变体的平均值（平均平均值）突变体的平均标准误差。组织学研究表明，I型胚胎几乎没有所有肺裂片。在II型胚胎中通常没有其他裂片发育不良的肺叶。在III型胚胎中形成的所有肺叶。I型和II胚胎中末端小管的数量显着较低，但在III型胚胎中没有变化。这些识别2型肺泡2型上皮（AECII）细胞，已知在FGF10-Heletozygous突变体中降低，使用抗表面活性剂蛋白C（SPC）抗体进行免疫接种：在E18.5肺中，进行了AECII肺的数量，AECII与功能FFF相依赖于E18.5肺部。
时钟神经元的每日超微结构重塑
图1。S-LNV端子的分割和3D模型。A，实验协议的示意图。在PDF阳性神经元中表达的RFP RFP使S-LNV终端的荧光鉴定以进行进一步处理。 mito :: apex2和dab被用来染色SBEM的LNV的线粒体。 b，标记的线粒体（白色箭头）用于识别S-LNVS末端。 c，手动分割后S-LNV端子的3D模型在每个时间点显示它们在一起（左）或单独（右）。 d，来自ZT2、14和22卷的代表性神经突出了定义为主要（洋红色），次级（绿色）或第三纪（紫色）神经突和bouton（黄色）的段。 主要神经突定义为从迷人的轴突束延伸的最长投影，次生神经突是由主要的神经突导致的。。RFP使S-LNV终端的荧光鉴定以进行进一步处理。mito :: apex2和dab被用来染色SBEM的LNV的线粒体。b，标记的线粒体（白色箭头）用于识别S-LNVS末端。c，手动分割后S-LNV端子的3D模型在每个时间点显示它们在一起（左）或单独（右）。d，来自ZT2、14和22卷的代表性神经突出了定义为主要（洋红色），次级（绿色）或第三纪（紫色）神经突和bouton（黄色）的段。主要神经突定义为从迷人的轴突束延伸的最长投影，次生神经突是由主要的神经突导致的。包括末端静脉曲张在内的短突出被标记为胸子。在任何给定时间点都没有观察到单个神经突之间的显着差异。e，每个顺序的神经突的总数在顶部指示。该图根据神经突长度根据其顺序（如D中定义）表示定量。f，每个时间点的终端/神经元的体积。在所有图中，误差线指示平均值（SEM）的标准误差。星号表示统计学上的显着差异： * p <0.05，** p <0.01，*** p <0.001。未显示非显着差异。可以在补充表3中找到细节。
阿尔茨海默氏病的纵向轨迹CSF生物标志物和认知健康受试者的血压
注意：使用Kruskal-Wallis ANOVA比较连续变量的组（ANOVA对年龄进行除外）。数据表示为平均值±标准偏差，除非另有说明。对于CSF生物标志物，我们使用ANCOVA调整年龄，并将数据作为平均值±标准误差。 T-TAU和P-TAU 181的 P值来自排名的Ancova。 第五次访问时限制数据，对中位时间进行了评估。 缩写：Apoe，载脂蛋白E； BMI，体重指数； DBP，舒张压； HDL，高密度脂蛋白； LDL，低密度脂蛋白； NL，认知正常； NTN，正常性； SBP，收缩压； Quicki，定量胰岛素灵敏度检查指数。 显着的P值以粗体。 可用于196名受试者的数据（129个正常人，36名患有受控高血压[HTN]的受试者，而31例HTN不受控制）。 b数据可用于200名受试者（131个正常人，35名受控HTN的受试者和34名不受控制的HTN的受试者）。 c数据可用于156名受试者（104个正常人，25个受控HTN的受试者，而27名不受控制的HTN受试者）。 d数据可用于195名受试者（127个正常人，34名受控HTN的受试者和34名不受控制的HTN的受试者）。 e可用于190名受试者（122个正常人的人，34名受控HTN受试者和34名受其不受控制的HTN的受试者）。 f数据可用于186名受试者（120个正常人，34名受控HTN的受试者和32名具有不受控制的HTN的受试者）。 *在<0.05校正时与正常的组不同（Bonferroni）。对于CSF生物标志物，我们使用ANCOVA调整年龄，并将数据作为平均值±标准误差。T-TAU和P-TAU 181的 P值来自排名的Ancova。 第五次访问时限制数据，对中位时间进行了评估。 缩写：Apoe，载脂蛋白E； BMI，体重指数； DBP，舒张压； HDL，高密度脂蛋白； LDL，低密度脂蛋白； NL，认知正常； NTN，正常性； SBP，收缩压； Quicki，定量胰岛素灵敏度检查指数。 显着的P值以粗体。 可用于196名受试者的数据（129个正常人，36名患有受控高血压[HTN]的受试者，而31例HTN不受控制）。 b数据可用于200名受试者（131个正常人，35名受控HTN的受试者和34名不受控制的HTN的受试者）。 c数据可用于156名受试者（104个正常人，25个受控HTN的受试者，而27名不受控制的HTN受试者）。 d数据可用于195名受试者（127个正常人，34名受控HTN的受试者和34名不受控制的HTN的受试者）。 e可用于190名受试者（122个正常人的人，34名受控HTN受试者和34名受其不受控制的HTN的受试者）。 f数据可用于186名受试者（120个正常人，34名受控HTN的受试者和32名具有不受控制的HTN的受试者）。 *在<0.05校正时与正常的组不同（Bonferroni）。P值来自排名的Ancova。第五次访问时限制数据，对中位时间进行了评估。缩写：Apoe，载脂蛋白E； BMI，体重指数； DBP，舒张压； HDL，高密度脂蛋白； LDL，低密度脂蛋白； NL，认知正常； NTN，正常性； SBP，收缩压； Quicki，定量胰岛素灵敏度检查指数。显着的P值以粗体。可用于196名受试者的数据（129个正常人，36名患有受控高血压[HTN]的受试者，而31例HTN不受控制）。b数据可用于200名受试者（131个正常人，35名受控HTN的受试者和34名不受控制的HTN的受试者）。c数据可用于156名受试者（104个正常人，25个受控HTN的受试者，而27名不受控制的HTN受试者）。d数据可用于195名受试者（127个正常人，34名受控HTN的受试者和34名不受控制的HTN的受试者）。e可用于190名受试者（122个正常人的人，34名受控HTN受试者和34名受其不受控制的HTN的受试者）。f数据可用于186名受试者（120个正常人，34名受控HTN的受试者和32名具有不受控制的HTN的受试者）。*在<0.05校正时与正常的组不同（Bonferroni）。g数据可用于201名受试者（131个正常人，36名受控HTN的受试者和34名不受控制的HTN的受试者）。h数据可用于203名受试者（134个正常人，36名受控HTN的受试者，而33个受试者不受控制的HTN）。I可用于201名受试者的数据（131个正常人，36名受控HTN的受试者和34名不受控制的HTN的受试者）。†与受控高血压<0.05校正时不同。