XiaoMi-AI文件搜索系统
World File Search System波形
波形蛋白促进化疗后存活的三阴性乳腺癌细胞的侵袭性
摘要：在了解三阴性乳腺癌 (TNBC) 的化疗耐药性方面，已经积累了大量数据。然而，在联合和序贯治疗中存活的癌细胞的变化仍然鲜为人知。为了模拟临床新辅助治疗，我们首先用表柔比星和环磷酰胺治疗 MDA-MB-231 和 SUM159-PT TNBC 细胞系 2 天，然后用紫杉醇再治疗 2 天。恢复 4 天后，在细胞和分子水平上对治疗中存活的持久细胞进行了表征。持久细胞在体外和斑马鱼模型中表现出生长增加和侵袭性更强。持久细胞富含波形蛋白高亚群，使用 siRNA 方法敲低波形蛋白降低了持久细胞的侵袭性和球体形成能力以及 Akt 磷酸化，表明波形蛋白参与了化疗治疗引起的 TNBC 侵袭性增强。有趣的是，原生细胞中异位的波形蛋白过表达增加了细胞侵袭和球体形成以及 Akt 磷酸化。此外，仅波形蛋白过表达使原生细胞对药物产生耐药性，而波形蛋白敲低使它们对药物更敏感。总之，我们的数据表明，波形蛋白可以被视为 TNBC 耐药性和复发状态中新的可靶向参与者。
稳定波形蛋白磷酸化抑制杂种上皮/间质癌的茎状细胞特性和转移
上皮 - 间质转变（EMT）赋予上皮细胞具有间质和类似茎状的属性，促进转移，这是癌症相关死亡率的主要原因。杂交上皮 - 间质（E/M）细胞保留上皮和间质特征，表现出增强的转移潜力和干性。间充质中间丝，波形蛋白在EMT期间被上调，增强了癌细胞的弹性和侵入性。波形蛋白的磷酸化对其结构和功能至关重要。在这里，我们确定在丝氨酸56处稳定波形蛋白磷酸化会诱导多核，特别是在具有干性特性的杂化E/M细胞中，而不是上皮或间质细胞。癌症干细胞尤其容易受到波形蛋白诱导的多核相对于分化细胞的影响，从而导致自我更新和干性的降低。结果，波形蛋白诱导的多核导致对干性特性，肿瘤起始和转移的持续抑制。这些观察结果表明，波形蛋白中的单个可靶向磷酸化事件对于具有杂化E/M特性的癌中的干性和转移至关重要。
4c.BNL - 定制量子任意波形发生器后端软件堆栈的开发_V5 -Radhika.cdr
量子计算正在迅速发展，需要复杂的控制机制来精确操纵量子比特 - 量子位。量子位是量子计算中量子信息的基本单位，精确控制其状态对于实现量子门和执行量子算法至关重要。任意波形发生器 (AWG) 用于产生用户定义的、精确的和定制的 RF 波形来操纵量子位的状态。量子算法是使用量子门序列实现的。AWG 支持创建可定制的脉冲序列，从而实现量子位校准、量子实验和量子电路的实现。为了让用户能够使用量子计算机并实现量子应用程序的开发，需要一个量子软件堆栈。本文介绍了 Qiskit 量子堆栈与 AWG 的集成。
水平的眼球震颤带有速度增强的波形，催眠后白血病术中的波形：病例报告
心脏病和糖尿病因眼睛运动异常而被转诊至神经科。在手术后三个月内，他接受了康德疗法，并因甲状腺弥漫性轴突损伤而受到弥散的轴突损伤，并因交通碰撞引起的宫颈椎间盘破裂。最近，由于心脏AR猝死引起的缺氧 - 缺血性脑损伤，该患者表现出异常的眼球运动。神经系统检查表明，他的眼睛处于营养状态，头部固定向左转，四肢瘫痪。学生的大小正常，并且对光反应。角膜和堵嘴反射也是双侧完整的。视频记录术显示，左侧的眼球震颤和小小的下滑，并在患者的角度（从患者的角度来看）扭转组件。去除光不会导致重大变化（图1a，补充视频
rw-voiceshield：基于原始波形的对抗性攻击一声音conversion
近年来，单发语音转换（VC）取得了重大进步，使能够用一个句子改变说话者特征。但是，随着该技术的成熟并产生了越来越现实的说法，它很容易受到隐私问题的影响。在本文中，我们提出了RW-Voiceshield，以保护声音免于复制。这是通过通过使用基于原始波形的生成模型产生的不可察觉的噪声来有效攻击单发VC模型来实现的。使用最新的单发VC模型进行测试，我们进行了测试，在黑盒和白色盒子方案下进行主观和客观评估。我们的结果表明，VC模型产生的话语与受保护的说话者的话语之间的说话者特征存在显着差异。此外，即使在受保护的话语中引入了对抗性噪声，说话者的独特特征仍然可以识别。索引术语：语音转换，对抗性攻击，扬声器verification，扬声器表示
跳频窄带波形的时隙争用访问
– 节点使用均匀（0，t u ）分布从连续争用窗口中随机抽取起始时间，其中 t u 是窗口的持续时间。– 起始时间被转换到 TDMA 时间结构上，以避免在动态数据时隙之外传输。– 如果在起始时间之前接收到传入传输，则取消争用并在信道可用时重新启动
机器学习动脉波形模型用于预测犬类失血
生理传感器用于监测出血性休克期间的生命体征对于患者护理至关重要。单个掩盖患者实际临床状况的补偿机制，通常导致治疗不足或延迟治疗，这会加剧军事医学中经常面临的远程设置。血压是一种常用的临床测量，用于评估患者的血液动力学状态，但无法迅速反应持续的出血，并且由于血液丧失而无法提供组织氧合的状态（Convertino等，2021）。预测由于出血而导致的人的迎面负债仍然是一个挑战。仍然有未满足的医学需求对预测指标的发展，这些指标可以尽早检测出出血，以更好地复苏，并评估出血的体积持续时间幅度。
使用发作间期癫痫样放电波形和卷积神经网络筛查脑电图中的癫痫发作
人工智能 (AI) 与医疗物联网 (MIoT) 的整合正在迅速推进，通过分析脑电图 (EEG) 中的发作间期癫痫样放电 (IED)，在检测癫痫等疾病方面取得了重大进展。EEG 数据的可用性促进了包括癫痫发作检测在内的创新应用的创建。虽然神经科医生传统上依靠 EEG 数据分析来识别癫痫发作，但手动评估 EEG 脑电波是一个费力而复杂的过程，给专家带来了很大的压力。本文介绍了一种基于 EEG 波形自动检测 IED 的简单卷积神经网络 (CNN) 方法。这种方法通过预测癫痫发作并及时干预，有助于减轻癫痫患者的负担。它还减轻了神经科医生和经验不足的专家的工作量，从而加快了诊断过程。所提出的方法是通过利用一系列描绘每个传感器上 EEG 信号幅度的图像来实现的。研究将参与者分为两组：（A）健康个体和（B）癫痫患者。结果显示，与人类专家诊断相比，准确率高达 96.4%，展示了该方法在脑电图数据中检测癫痫发作的有效性和实用性。
transgrid_stable电压波形支撑条件的格式支撑规格
Term Definition AAS Automatic Access Standard AEMC Australian Energy Market Commission AEMO Australian Energy Market Operator BESS Battery Energy Storage System BOP Balance of plant CUO Continuous Uninterrupted Operation DMAT Dynamic Model Acceptance Test FFR Fast Frequency Response FRT Fault Ride Through HiL Hardware in Loop LVRT Low Voltage Ride Through IBR Inverter-based resource GFL Grid Following GFM Grid Forming GFMI Grid Forming Inverter GPS Generator Performance Standard MMIB Multi Machine Infinite Buss NER National Electricity Rules NREL National Renewable Energy Laboratory NSW New South Wales OEM Original Equipment Manufacturer PFR Primary Frequency Response PLL Phase locked loop POC Point of connection POD Power Oscillation Damper Proponent A prospective supplier of SVWSS PSCAD Power Systems Computer Aided Design PSS Power System Stabiliser PV Photovoltaic RL Resistive and Inductive RMS Root Mean Squared ROCOF Rate of change of frequency ROCOV Rate of change of voltage RUG Releasable User Guide SCR Short Circuit Ratio SMIB Single Machine Infinite Bus SOC State of Charge SRAS System Restart Ancillary Service SSS System Strength Service SVWSS Stable Voltage Waveform Support Service SSSP System Strength Service Provider (Transgrid) TOV Temporary Overvoltage Voluntary Specification AEMO's Voluntary Grid-forming Inverter Specification - 2023年5月[1]
正规化用于通过得分蒸馏的生成扩散模型的全波形反演，Saudi Aramco
正则化是全波形倒置（FWI）的重要方面，正规化提出的现实事先可以帮助降低逆问题的非线性和不良性。最近，生成扩散模型在学习数据分配方面表现出了出色的性能，使其成为反问题的理想事务。我们建议利用特定的扩散模型，即denoising扩散概率模型（DDPM），以制定FWI的重态化。分数蒸馏技术被设置为绕过神经网络的Ja-Cobian的计算，从而导致正规化项的强大而有效的实现。使用Marmousi模型的初始示例证明了所提出的方法的有效性。