XiaoMi-AI文件搜索系统
World File Search System灵长类
大脑刺激与持续的振荡竞争，以控制灵长类动物大脑中的尖峰时序
经颅交流电流刺激（TAC）通常用于增强脑节律，以期改善行为性能。不幸的是，这些干预措施通常会产生高度可变的结果。在这里，我们通过在警报非人类灵长类动物中记录单个神经元来确定这种变异性的关键来源。我们发现，TACS似乎与大脑的内源性振荡竞争以控制尖峰时序，而不是增强节奏活动。具体而言，当刺激的强度相对于内源性振荡较弱时，TACS实际上会降低尖峰的节奏性。但是，当刺激相对较强时，TACS对尖峰活动施加了自身的节奏。因此，TAC的作用明确地取决于神经夹带的强度，内源性振荡在行为状态和大脑区域之间差异很大。未经仔细考虑这些因素，试图将外部节奏施加到特定的大脑区域，通常可能与预期效应相反。
在非人类灵长类动物再感染模型中先前存在的自然免疫的保护作用
先天性巨细胞病毒（CCMV）是新生儿中神经系统缺陷的主要感染原因，在妊娠头三个月的原发性CMV感染的情况下特别严重。全球大多数CCMV病例发生在CMV阳性妇女的非主要感染后；然而，预先存在的天然CMV型免疫能够防止怀孕期间的CMV再感染或重新激活的程度。我们先前在恒河猕猴中报道了CCMV的新型非人类灵长类动物模型，在CD4 + T lym- phocyte缺乏的颗粒状CMV（RHCMV） - 初级rhcmv Infec-tion后，CD4 + T lym- phycyte脑含量的颗粒（RHCMV）中可见100％的胎盘传播和83％的胎儿损失。为了研究孕妇免疫力的保护作用，我们在CD4+ T淋巴细胞淋巴细胞淋巴细胞的RHCMV - 呼吸阳性大坝中进行了重新感染研究，该大坝在第一 /第二个三个月早期妊娠的RHCMV菌株180.92（n = 2）（n = 2），或RHCMV UCD52和fl ucd52 and sss souv ucmv ucmv ucmv gcmv ucmv gcmv ucmv gcmv gcmv gcmv ucmv grhcmv grhcmv grhcmv grhcmv grhcmv grhcmv grhcmv grhcmv grhcmv gcmv用SIV GAG插入的野生型RhCMV克隆作为免疫标记，分别给药（n = 3）。在循环单核细胞中的早期瞬时增加，然后在重新感染的坝中观察到先前存在的RHCMV特异性CD8+ T淋巴细胞和抗体反应，但未在对照CD4+ T淋巴细胞塞入的大坝中观察到抗体反应。SIV GAG特异性CD8+ T LYM-植物反应的出现与FL-RHCMVΔRH13.1/SIV GAG病毒固定的再感染接种。仅在五个重新感染的大坝之一中检测到胎盘传播，并且没有不良的胎儿后遗症。病毒全基因组，短阅读的深层测序分析证实了两种再感染RHCMV菌株在胎盘中的传播，〜30％对应于FL-RHCMVΔRH13.1/SIV GAG，而〜70％的RHCMV UCD52 〜70％，与cmv ccmv的混合人类CMV感染一致。我们的数据显示了非主要原理后胎盘传播和胎儿损失的缺失
Brain2GAN：灵长类大脑中视觉感知的特征解缠神经编码和解码
图 6：基于生成的编码性能。对于每个单独的微电极单元，我们基于三个不同的特征表示拟合三个编码模型：z -、w - 和 CLIP 潜在表示。因此，我们拟合了 3 × 960 个独立编码器，从而得到 3 × 960 个预测神经响应，因为 V1、V4 和 IT 分别有七个、四个和四个微电极阵列（每个 64 个单元）（即 V1 中 7 × 64 = 448，V4 中 4 × 64 = 256，IT 中 4 × 64 = 256）。散点图在 X 轴上显示一个编码模型的预测-目标相关性 (r)，在 Y 轴上显示另一个编码模型，以研究两者之间的关系。每个点代表一个建模微电极单元在两个编码模型方面的性能（因此，每个图 960 个点）。负相关值设置为零。对角线表示两种模型的性能相同。Bonferonni 校正的 α = 5 . 21e − 5 的临界 r 值分别为人脸 ( df = 100 ) 和自然图像 ( df = 200 ) 的 r = 0 . 3895 和 r = 0 . 2807，用阴影区域表示。很明显，w 潜在值优于 z 潜在值和 CLIP 潜在值，因为大多数点位于 w 轴方向（对角线上方）。星号表示基于阴影区域外的数据点的每个感兴趣区域的平均相关系数。
非人类灵长类动物的深脑区域中远程控制的药物释放
GPT系列的成功证明，GPT可以从序列中提取一般信息，从而使所有下游任务受益。这促使我们使用预训练的模型来探索DNA序列中的隐藏信息。但是，DNA序列分析中的数据和任务需求是复杂性和多样性，因为DNA相关数据包括不同类型的信息，例如序列，表达水平等，而目前尚无专门为这些特征设计的模型。在此，我们提出了DNAGPT，这是一种从9种的超过100亿个碱基对进行预训练的广义基础模型，可以对任何DNA序列分析任务进行微调。我们的模型可以同时处理或输出DNA序列和数字。此外，我们独特的令牌设计使用户可以根据自己的任务要求设计提示，从而适用于任何类型的任务。我们已经评估了我们的分类，回归和生成任务的模型。我们证明了DNAGPT受益于预训练，因此可以为任何下游任务带来绩效提高。我们的模型不仅是基因组分析领域的新尝试，而且为在生物学中应用基础模型提供了新的方向。
风味：大脑处理
图 8.1 显示了灵长类动物大脑中的味觉和相关嗅觉、体感和视觉通路的示意图，图 8.2 显示了它们在大脑中的位置。灵长类动物的神经生理学研究为理解人类的味觉、嗅觉和风味处理和神经成像提供了基础，因为对单个神经元的调节的研究提供了关于这些刺激如何在不同大脑区域中编码的基本信息，使用稀疏分布的表示，其中每个神经元的调节方式都不同于其他神经元（Kadohisa 等人，2005 年；Rolls，2008a、2015a、2016a、2021a；Rolls 等人，2010a；Rolls 和 Treves，2011 年）。对非人类灵长类动物的研究尤其相关（ Rolls, 2014a , 2015b , 2016b , 2021a ），因为灵长类动物的味觉通路通过丘脑到达味觉皮层，而啮齿动物的脑桥味觉区与皮层下有直接连接（ Small and Scott, 2009 ; Rolls, 2016b , 2021a ）；在啮齿动物中，饱腹感的影响位于孤束核的外周（ Rolls and Scott, 2003 ; Scott and Small, 2009 ; Rolls, 2016b ）；啮齿类动物没有灵长类动物的主要部分，包括人类的眶额皮质，颗粒状部分（Wise，2008；Rolls，2014a、2019b、2021a）（见图 8.3）。这使得啮齿类动物无法成为人类和其他灵长类动物大脑中味觉、嗅觉和风味处理的糟糕模型（Rolls，2016c、2021a）。
综合元素揭示了迅速发展的调节序列驱动灵长类动物大脑进化
6 LIANGZHU实验室，郑明大学医学中心，杭州，中国广东，7云南元南灵长生物医学研究所，灵长类动物转化医学研究所，昆明科学与科技大学，昆明，昆明，尤恩南，尤恩南，尤恩南，中国8号动物进化和遗传学的Yunnan，Yunnan 8 Models and Human Disease Mechanisms of Chinese Academy of Sciences & Yunnan Province, Kunming Institute of Zoology, Chinese Academy of Sciences, Kunming, Yunnan, China 10 National Resource Center for Non-Human Primates, Kunming Primate Research Center, and National Research Facility for Phenotypic & Genetic Analysis of Model Animals (Primate Facility), Kunming Institute of Zoology, Chinese Academy of Sciences, Kunming,中国云南11 KIZ-CUHK生物库和共同疾病的分子研究联合实验室，昆明动物学研究所，中国科学院，昆明，尤恩南，尤恩，中国12号医学遗传学研究所，医学院，医学院，加拿大大学，加拿大大学，威尔士，威尔士13号，英国人，西北大学，Xi'同样对这项工作。6 LIANGZHU实验室，郑明大学医学中心，杭州，中国广东，7云南元南灵长生物医学研究所，灵长类动物转化医学研究所，昆明科学与科技大学，昆明，昆明，尤恩南，尤恩南，尤恩南，中国8号动物进化和遗传学的Yunnan，Yunnan 8 Models and Human Disease Mechanisms of Chinese Academy of Sciences & Yunnan Province, Kunming Institute of Zoology, Chinese Academy of Sciences, Kunming, Yunnan, China 10 National Resource Center for Non-Human Primates, Kunming Primate Research Center, and National Research Facility for Phenotypic & Genetic Analysis of Model Animals (Primate Facility), Kunming Institute of Zoology, Chinese Academy of Sciences, Kunming,中国云南11 KIZ-CUHK生物库和共同疾病的分子研究联合实验室，昆明动物学研究所，中国科学院，昆明，尤恩南，尤恩，中国12号医学遗传学研究所，医学院，医学院，加拿大大学，加拿大大学，威尔士，威尔士13号，英国人，西北大学，Xi'同样对这项工作。
评估非人类灵长类动物的新型AAV CAPSID具有广泛的中枢神经系统和外围生物分布
与腺相关病毒（AAV）已成为神经基因治疗的首选递送载体，因为它们的安全性良好，并且在有丝分裂后细胞中转基因表达的寿命。然而，由于自然发生的AAV无法广泛传递人脑，因此基于AAV的基因疗法的临床翻译受到限制。我们在这里报告了一种新型病毒AAV.GMU1的开发，与CNS-Tropic AAVRH10相比，非人类灵长类动物中枢神经系统（CNS）的转基因表达改善。
比较机器学习方法对小鼠、大鼠和非人类灵长类动物脑内小胶质细胞的量化
小胶质细胞是脑特异性巨噬细胞，可对脑中的破坏性事件做出快速反应。小胶质细胞活化会导致特定的变化，包括增殖、形态变化、迁移到损伤部位以及基因表达谱的变化。炎症状态的变化与许多神经退行性疾病有关，例如帕金森病和阿尔茨海默病。因此，研究和量化小胶质细胞对于更好地了解它们在疾病进展中的作用以及评估此类疾病的新治疗方法的细胞相容性至关重要。在以下研究中，我们实施了一种基于机器学习的方法来快速自动量化小胶质细胞；将该工具与手动量化（基本事实）以及替代免费软件（例如基于阈值的 ImageJ 和基于机器学习的 Ilastik）进行了比较。我们首先在从大鼠和非人类灵长类动物获得的免疫组织化学标记小胶质细胞的脑组织上训练算法。随后，我们在帕金森病的临床前啮齿动物模型中验证了训练算法的准确性，并证明了算法在从小鼠获得的组织以及三个合作实验室提供的图像上的稳健性。我们的结果表明，机器学习算法可以精确地检测和量化所有三种哺乳动物物种中的小胶质细胞，与手动计数后观察到的细胞相当。使用此工具，我们能够检测和量化半球之间的微小变化，这表明该算法的强大和可靠性。这样的工具对于研究疾病中的小胶质细胞反应非常有用
佐剂融合蛋白疫苗可诱导小鼠和非人类灵长类动物的耐chocerca volvulus
1 Sidney Kimmel医学院微生物和免疫学系，托马斯·杰斐逊大学，费城，宾夕法尼亚州费城，19107年，美国2分子寄生虫学实验室，林赛·金博尔研究所，纽约血液中心，纽约血液中心，纽约，纽约，10065帕克，阿德莱德公园，澳大利亚5042，澳大利亚5 Alpha Genesis Inc.，Yemassee，SC 29945，美国6 IDEXX BIOANALYTICS，西萨克拉曼多，CA 95605，美国7，美国7分司，药理学和实验治疗系，Sidney Kimmel医学院美国97030，贝勒医学院国家热带医学院儿科开发中心，美国9号，美国9号感染研究所，兽医与生态科学研究所，利物浦利物浦L3 5rf，英国利物浦大学 *通信 *通信）; David.abraham@jefferson.edu（D.A。）†这些作者为这项工作做出了同样的贡献。
u-net用于大脑提取的模型：对人类进行训练，以转移到非人类灵长类动物
*相应的作者：sandywang.rest@gmail.com（X。Wang），ting.xu@childmind.org（T。Xu）。信用撰稿人贡献声明Xindi Wang：概念化，方法，软件，正式分析，写作 - 原始草案，写作 - 评论和编辑。Xin-Hui Li：正式分析，研究，可视化。Jae Wook Cho：正式分析，研究，可视化。Brian E. Russ：写作 - 评论和编辑。Nanditha Rajamani：调查。 Alisa Omelchenko：调查。 Lei AI：调查。 Annachiara Korchmaros：调查。 Stephen Sawiak：资源。 R. Austin Benn：资源。 Pamela Garcia-Saldivar：调查。 郑王：资源。 Ned H. Kalin：资源。 Charles E. Schroeder：资源，写作 - 评论和编辑。 R. Cameron Craddock：写作 - 评论和编辑。 Andrew S. Fox：资源，写作 - 评论和编辑。 Alan C. Evans：写作 - 评论和编辑。 亚当·梅辛格（Adam Messinger）：资源，写作 - 审核和编辑，资金获取。 Michael P. Milham：写作 - 审查和编辑，资金获取。 ting Xu：概念化，方法论，正式分析，写作 - 原始草稿，写作 - 评论和编辑，资金获取。Nanditha Rajamani：调查。Alisa Omelchenko：调查。Lei AI：调查。 Annachiara Korchmaros：调查。 Stephen Sawiak：资源。 R. Austin Benn：资源。 Pamela Garcia-Saldivar：调查。 郑王：资源。 Ned H. Kalin：资源。 Charles E. Schroeder：资源，写作 - 评论和编辑。 R. Cameron Craddock：写作 - 评论和编辑。 Andrew S. Fox：资源，写作 - 评论和编辑。 Alan C. Evans：写作 - 评论和编辑。 亚当·梅辛格（Adam Messinger）：资源，写作 - 审核和编辑，资金获取。 Michael P. Milham：写作 - 审查和编辑，资金获取。 ting Xu：概念化，方法论，正式分析，写作 - 原始草稿，写作 - 评论和编辑，资金获取。Lei AI：调查。Annachiara Korchmaros：调查。 Stephen Sawiak：资源。 R. Austin Benn：资源。 Pamela Garcia-Saldivar：调查。 郑王：资源。 Ned H. Kalin：资源。 Charles E. Schroeder：资源，写作 - 评论和编辑。 R. Cameron Craddock：写作 - 评论和编辑。 Andrew S. Fox：资源，写作 - 评论和编辑。 Alan C. Evans：写作 - 评论和编辑。 亚当·梅辛格（Adam Messinger）：资源，写作 - 审核和编辑，资金获取。 Michael P. Milham：写作 - 审查和编辑，资金获取。 ting Xu：概念化，方法论，正式分析，写作 - 原始草稿，写作 - 评论和编辑，资金获取。Annachiara Korchmaros：调查。Stephen Sawiak：资源。R. Austin Benn：资源。Pamela Garcia-Saldivar：调查。郑王：资源。Ned H. Kalin：资源。 Charles E. Schroeder：资源，写作 - 评论和编辑。 R. Cameron Craddock：写作 - 评论和编辑。 Andrew S. Fox：资源，写作 - 评论和编辑。 Alan C. Evans：写作 - 评论和编辑。 亚当·梅辛格（Adam Messinger）：资源，写作 - 审核和编辑，资金获取。 Michael P. Milham：写作 - 审查和编辑，资金获取。 ting Xu：概念化，方法论，正式分析，写作 - 原始草稿，写作 - 评论和编辑，资金获取。Ned H. Kalin：资源。Charles E. Schroeder：资源，写作 - 评论和编辑。R. Cameron Craddock：写作 - 评论和编辑。Andrew S. Fox：资源，写作 - 评论和编辑。 Alan C. Evans：写作 - 评论和编辑。 亚当·梅辛格（Adam Messinger）：资源，写作 - 审核和编辑，资金获取。 Michael P. Milham：写作 - 审查和编辑，资金获取。 ting Xu：概念化，方法论，正式分析，写作 - 原始草稿，写作 - 评论和编辑，资金获取。Andrew S. Fox：资源，写作 - 评论和编辑。Alan C. Evans：写作 - 评论和编辑。亚当·梅辛格（Adam Messinger）：资源，写作 - 审核和编辑，资金获取。Michael P. Milham：写作 - 审查和编辑，资金获取。 ting Xu：概念化，方法论，正式分析，写作 - 原始草稿，写作 - 评论和编辑，资金获取。Michael P. Milham：写作 - 审查和编辑，资金获取。ting Xu：概念化，方法论，正式分析，写作 - 原始草稿，写作 - 评论和编辑，资金获取。