XiaoMi-AI文件搜索系统
World File Search System特征的
有关前列腺癌诊断的同源持久特征的机器学习技术
摘要图像处理设备和技术的快速演变确保了新型图片分析方法的发展。是测量功能拓扑特性的最强大但计算可能的代数技术之一是持续的同源性。这是一个代数不变的，可以在不同的空间分辨率下捕获拓扑细节。持续的同源性使用一组采样点（例如像素）研究了空间的拓扑特征。它可以跟踪由被称为过滤的操作产生的嵌套空间变化引起的拓扑特征的外观和消失，在这种操作中，在我们的情况下，参数量表增加了像素的强度，以检测在各种尺度范围内研究空间的变化。此外，在机器学习的层面上，最近有许多研究和文章目睹了同源性持久性与机器学习算法之间的结合。在另一个层面上，前列腺癌被诊断为描述称为格里森评分的癌症严重程度的评分标准。经典的格里森系统定义了五种组织学生长模式（等级）。在我们的研究中，我们建议研究从新的光学显微镜技术发行的一些腺体上的格里森评分，称为Slim。这种新的光学显微镜技术在光成像中结合了两个经典的思想：Zernike的相比显微镜和Gabor的全息图。在这些图像上计算持续的同源性特征。我们建议将这些图像分类为相应的格里森评分。在同源持久性特征上应用的机器学习技术在这些图像中检测前列腺癌的正确格里森评分非常有效，并且表现出高于95％的精度。
婴儿肠道菌群中的双歧杆菌种类丰富，孟加拉国达卡与母性特征的关联
。cc-by 4.0国际许可证是根据作者/资助者提供的，他已授予MedRxiv的许可证，以永久显示预印本。（未通过同行评审认证）
MEK 与 PI3K/p110b 联合抑制可作为具有肉瘤样特征的恶性间皮瘤的新型靶向疗法
Miriam Marqués、Robin Tranchant、Blanca Risa-Ebrí、María Suárez-Solís、Luis Fernandez 等人。联合使用 MEK 和 PI3K/p110b 抑制作为治疗具有肉瘤样特征的恶性间皮瘤的新型靶向疗法。癌症研究，2020，80（4），第843-856页。 “10.1158/0008-5472.CAN-19-1633”。 �插入-02478612�
对植物化学特征的比较评估，抗菌
Antana Camara L.是一种普遍的侵入性杂草，它是非洲，亚洲和美国的热带地区。这项研究通过使用常规（水性提取）和非惯性（超声辅助乙醇和酶辅助提取）在内的各种方法从其叶子中提取活性成分来研究其潜在的好处。提取物的多酚和植物激素谱的特征是高性能液相色谱。评估提取物的抗增殖活性的抗菌和杀菌性电位。值得注意的是，与其他方法相比，酶辅助提取物具有更好的抗菌活性。此外，提取物表现出不同程度的杀牙性活性，显示出针对Meloidogyne少年的显着疗效。此外，使用种子发芽生物测定法评估提取物的一般生物学活性。有趣的是，超声辅助的乙醇和酶辅助提取物显着刺激了小麦幼苗的生长。相反，与超声辅助乙醇和酶辅助提取物相比，水提取物表现出最高的植物化学物质和抗氧化活性。这表明不同的提取方法可能靶向具有不同生物学作用的不同生物活性化合物。总而言之，这项研究表明，Camara提取物，尤其是通过酶辅助方法获得的提取物，具有有希望的抗菌，杀线虫和抗氧化特性。这可能会为各种应用提供进一步的研究和潜在的自然替代方案。
Zhan，Haifei 可能性的预处理神经后验估计 铬蛋白的生物技术应用 luo，zhaohui 9781789060119_0415.pdf alankarage，di 城市风特征的空间建模 威尔斯，宝琳娜 异戊二烯 - 苯乙烯）（SIS）共聚物定义... Yang，Chao，Ch McNeale，Donna
基于仿真的推理（SBI）方法可以在可能性函数棘手但模型模拟可行的情况下，可以估计后验分布。SBI的流行神经方法是神经后估计（NPE）及其顺序版本（SNPE）。这些方法可以超越统计SBI方法，例如近似贝叶斯计算（ABC），特别是对于相对较少的模型模拟。但是，我们在本文中表明，即使在低维问题上，NPE方法也不能高度准确。在这种情况下，无法在先前的预测空间上准确训练后验，甚至顺序扩展仍然是优化的。为了克服这一点，我们提出了预处理的NPE（PNPE）及其顺序版本（PSNPE），该版本使用ABC的短运行来有效消除参数空间区域，从而在模拟和数据之间产生较大的差异，并允许后仿真器进行更准确的培训。我们提供了全面的经验证据，即神经和统计SBI方法的这种融合可以改善在一系列示例中的性能，包括一个激励示例，涉及应用于实际肿瘤生长数据的基于复杂的基准模型。
临床和无症状克雅氏病患者的淋巴功能与临床特征的关系
结果 我们招募了 35 名 CJD 患者（平均年龄 59.6 ± 10.7 岁，40% 为女性，从发病到淋巴功能障碍评估的时间平均占总病程的 39%）、28 名年龄和性别匹配的 HC，以及一个由 7 名携带者和 7 名非携带者组成的临床前遗传性 CJD 家族。与 HC 相比，CJD 患者的 DTI-ALPS 值较低（p < 0.001）。偏相关分析显示，在调整年龄和性别后，DTI- ALPS 指数与 MRC-PDRS 评分（r = 0.346，p = 0.049）和疾病进展（r = − 0.468，p = 0.006）之间存在显著相关性，但与疾病持续时间或认知严重程度无关。多变量线性分析显示，MRC-PDRS评分越低（β=0.702，p=0.014），DTI-ALPS指数越低。无症状G114V携带者的DTI-ALPS指数与非携带者相比无显著差异。然而，一例临床前CJD病例在发病前3.3年DTI-ALPS指数下降了8.2%。区域代谢标准化摄取值比值与DTI-ALPS指数之间无显著相关性。
预后意义和神经网络衍生的心电图特征的关联
结果：总共包括1 808 584例患者。在派生队列中，3个现象群具有显着不同的死亡率。调整已知的协变量后，现象B与现象A相比，长期死亡率增加了20％（危险比，1.20 [95％CI，1.17-1.23]； P <0.0001; P <0.0001; phanogroup A死亡率，2.2％; femogroup B死亡率，6.1％）。在单变量分析中，我们发现现象B在所有队列中的死亡风险都明显更大（所有5个同类群中的对数秩P <0.01）。全球范围的关联研究表明，现象B的未来房颤率较高（优势比，2.89; p <0.00001），心室心动过速（优势比，2.00; p <0.00001），缺血性心脏病（优势比，1.44; p <0.00001; p <0.00001）; cardiy1 <0.00001）<，cardibath 一项单特征基因组的关联研究产生了4个基因座。 SCN10A，SCN5A和CAV1在心脏传导和心律不齐中具有作用。 ARHGAP24没有明确的心脏作用，可能是一个新颖的目标。一项单特征基因组的关联研究产生了4个基因座。SCN10A，SCN5A和CAV1在心脏传导和心律不齐中具有作用。ARHGAP24没有明确的心脏作用，可能是一个新颖的目标。
b'摘要\xe2\x80\x94准确估计充电状态 (SOC) 对于储能应用中电池管理系统 (BMS) 的有效和相对运行至关重要。本文提出了一种结合卷积神经网络 (CNN)、门控循环单元 (GRU) 和时间卷积网络 (TCN) 的新型混合深度学习模型，该模型结合了 RNN 模型特征和电压、电流和温度等非线性特征的时间依赖性，以与 SOC 建立关系。时间依赖性和监测信号之间的复杂关系源自磷酸铁锂 (LiFePO4) 电池的 DL 方法。所提出的模型利用 CNN 的特征提取能力、GRU 的时间动态建模和 TCN 序列预测强度的长期有效记忆能力来提高 SOC 估计的准确性和鲁棒性。我们使用来自 In\xef\xac\x82ux DB 的 LiFePO4 数据进行了实验，经过处理，并以 80:20 的比例用于模型的训练和验证。此外，我们将我们的模型的性能与 LSTM、CNN-LSTM、GRU、CNN-GRU 和 CNN-GRU-LSTM 的性能进行了比较。实验结果表明，我们提出的 CNN-GRU-TCN 混合模型在 LiFePO4 电池的 SOC 估计方面优于其他模型。'
b'摘要\xe2\x80\x94准确估计充电状态 (SOC) 对于储能应用中电池管理系统 (BMS) 的有效和相对运行至关重要。本文提出了一种结合卷积神经网络 (CNN)、门控循环单元 (GRU) 和时间卷积网络 (TCN) 的新型混合深度学习模型，该模型结合了 RNN 模型特征和电压、电流和温度等非线性特征的时间依赖性，以与 SOC 建立关系。时间依赖性和监测信号之间的复杂关系源自磷酸铁锂 (LiFePO4) 电池的 DL 方法。所提出的模型利用 CNN 的特征提取能力、GRU 的时间动态建模和 TCN 序列预测强度的长期有效记忆能力来提高 SOC 估计的准确性和鲁棒性。我们使用来自 In\xef\xac\x82ux DB 的 LiFePO4 数据进行了实验，经过处理，并以 80:20 的比例用于模型的训练和验证。此外，我们将我们的模型的性能与 LSTM、CNN-LSTM、GRU、CNN-GRU 和 CNN-GRU-LSTM 的性能进行了比较。实验结果表明，我们提出的 CNN-GRU-TCN 混合模型在 LiFePO4 电池的 SOC 估计方面优于其他模型。'
Dino-WM：预先训练的视觉特征的世界模型...
预测给定控制动作的未来结果的能力对于物理推理至关重要。然而，这种预测模型通常称为世界模型，已被证明具有挑战性的学习，通常是通过在线政策学习中为特定于任务的解决方案而开发的。我们认为，世界模型的真正潜力在于他们仅使用被动数据来推理和计划各种问题的能力。具体而言，我们要求世界模型具有以下三个属性：1）在离线，预采用的轨迹上进行训练，2）支持测试时间行为优化，3）促进任务无关紧要的推理。为了意识到这一点，我们提出了Dino World Model（Dino-WM），这是一种建模视觉动力学的新方法，没有重建视觉世界。Dino-WM利用了通过Dinov2预先训练的空间贴片特征，从而使其能够通过预测未来的补丁功能来从离线行为轨迹中学习。此设计允许Dino-WM通过动作序列优化实现邻国目标，从而通过将所需的目标贴片特征视为预测目标来促进任务不合时宜的行为计划。我们评估跨各个领域的Dino-WM，包括迷宫导航，桌面推动和粒子操纵。我们的实验表明，Dino-WM可以在测试时间生成零拍的行为解决方案，而无需依赖专家演示，奖励建模或预学的逆模型。值得注意的是，与先前的最新作品相比，Dinowm具有强大的概括能力，适应了多种任务家族，例如任意配置的迷宫，具有多种物体形状的推动操纵和多粒子场景。
牲畜基因组的结构变异及其与表型特征的关联：综述
基因组结构变异（SV）是指基因组尺度上个体间基因序列的差异，其在基因组中分布广泛，主要表现为插入、缺失、重复、倒位和易位等。SV具有片段长、覆盖范围大的特点，对家畜遗传特性和生产性能有显著影响，在研究品种多样性、生物进化、疾病相关性等过程中发挥着重要作用。对SV的研究有助于加深对染色体功能和遗传特性的认识，对理解遗传性疾病的发生机制具有重要意义。本文对牛、水牛、马、绵羊和山羊基因组中SV的概念、分类、主要形成机制、检测方法及研究进展进行综述，旨在通过基因组研究揭示表型性状差异的遗传基础和适应性遗传机制，为更好地认识和利用草食家畜遗传资源提供理论基础。