XiaoMi-AI文件搜索系统
World File Search System相似性
分析定性和定量研究之间的相似性和差异
定性研究和定量研究是科学研究的两种主要研究方法，这些研究方法在哲学起源，理论基础，逻辑过程和研究方法方面截然不同[1]。定量研究是一种研究方法，其中以定量术语表达问题和现象以获得研究结论，而定性研究是一种研究方法，其中事件中的相关含义是通过理解现象和分析行为和观点而获得的。同时，一些学者认为，这两种研究方法不能完全分开，但是它们是互连和统一的。本文的第一段将从定性和定量研究的定义开始，第二和第三段将以多种方式讨论定性和定量研究的优势和缺点，最后一段将分析合并定量和定性研究以及两者混合的有效性。
遗传相似性与遗传祖先作为人类遗传学样本描述符
样本标签研究人员选择适用于下游分析的人类基因组数据形状以及其他人如何解释结果。一些样本标签，例如种族或种族，以模棱两可和不一致的方式应用（Panofsky和Bliss，2017年； Popejoy等人。，2020年； BYEON等人。，2021）。今天，样本描述符通常还包括对样品基因组数据分析的标签。研究人员使用的一个常见的遗传样本描述是“遗传血统群体”：例如，将生活在美国的个体标记为具有“欧洲遗传血统”或“非洲遗传血统”。由于这些标签是基于统计方法，因此它们似乎比根据社会分组分配的标签要少。但是，使用流行基因组学方法来分配人群描述符，其自身相交的挑战。的确，遗传血统标签显然是混乱的根源，范围和遗传标签之间的滑倒与社会标签之间的底漆（参见Mathieson和Scally，2020年； Lewis等； Lewis等，2022年，最近呼吁对我们的遗传血统的含义更加准确。从这个角度来看，我认为人类遗传学的领域应远离使用遗传血统作为样本描述符。这样的术语是不精确的且潜在的误导性，并且对于大多数应用，研究人员都使用它们来指示与某些预定的样本集的遗传相似性或相关性。许多在大多数应用中，人类遗传学家实际上与控制遗传相似性，地理和环境的比较有关，而不是祖先人群的某些模糊概念。
分子相似性在药物发现、靶标预测和化学空间可视化中的应用
摘要：相似的药物分子通常具有相似的特性和活性。因此，量化分子相似性对于药物发现和优化至关重要。在这里，我回顾了我所在跨学科网络 NCCR TransCure 内开发的使用分子相似性测量的计算方法，该网络研究离子通道和膜转运蛋白的生理学、结构生物学和药理学。我们设计了一种 3D 分子形状和药效团比较算法，通过骨架跳跃优化弱和非选择性抑制剂，并发现了离子通道 TRPV6 和 TRPM4、内源性大麻素膜转运以及二价金属转运蛋白 DMT1 和 ZIP8 的强效和选择性抑制剂。我们通过将不同分子指纹的分子相似性搜索与 ChEMBL 数据库中的靶标注释化合物相结合来预测脱靶效应。最后，我们创建了反映分子相似性的交互式化学空间图，以方便筛选化合物的选择和筛选结果的分析。这些不同的工具可在线获取，网址为 https://gdb.unibe.ch/tools/。
分子相似性在药物发现、靶标预测和化学空间可视化中的应用
摘要：相似的药物分子通常具有相似的特性和活性。因此，量化分子相似性对于药物发现和优化至关重要。在这里，我回顾了我所在跨学科网络 NCCR TransCure 内开发的使用分子相似性测量的计算方法，该网络研究离子通道和膜转运蛋白的生理学、结构生物学和药理学。我们设计了一种 3D 分子形状和药效团比较算法，通过骨架跳跃优化弱和非选择性抑制剂，并发现了离子通道 TRPV6 和 TRPM4、内源性大麻素膜转运以及二价金属转运蛋白 DMT1 和 ZIP8 的强效和选择性抑制剂。我们通过将不同分子指纹的分子相似性搜索与 ChEMBL 数据库中的靶标注释化合物相结合来预测脱靶效应。最后，我们创建了反映分子相似性的交互式化学空间图，以方便筛选化合物的选择和筛选结果的分析。这些不同的工具可在线获取，网址为 https://gdb.unibe.ch/tools/。
接受熟悉：感知与人工智能代理的相似性对
gdevreede@usf.edu 摘要 随着人工智能技术的兴起和在组织内的整合，我们对这项技术对个人的影响的理解仍然有限。尽管信息系统使用文献为组织提供了重要的指导，以提高员工使用新技术的意愿，但考虑到人类和人工智能代理之间不断发展的社会互动，先前信息系统使用研究的功利主义观点限制了其应用。我们通过实施社会观点来理解人工智能代理对个人感知和行为的影响，为信息系统使用文献做出了贡献。通过关注人工智能代理的主要设计维度，我们提出了一个利用社会心理学理论来解释这些设计维度对个人影响的框架。具体来说，我们基于相似性吸引理论提出了一个人工智能相似性-连续性模型，旨在解释与人工智能代理的相似性如何影响个人的 IT 身份和继续使用它的意图。通过在线头脑风暴实验，我们发现与人工智能代理的相似性确实对 IT 身份和继续与人工智能代理合作的意图产生了积极影响。
临床可行的脑形态相似性网络构建
形态相似性网络 (MSN) 将皮质组织估计为一组具有生物学意义的宏观和微观结构层面解剖特征之间的相似性，这些相似性来自多个结构 MRI (sMRI) 序列。这些网络具有临床相关性，可预测智商的 40% 差异。但是，生成这些网络所需的序列 (T1w、T2w、DWI) 是较长的采集，在某些人群中不太可行。因此，使用 T1w sMRI 中的特征估计 MSN 对临床和发育神经科学具有吸引力。我们研究了减少特征的方法是否接近原始 MSN 模型，作为研究大脑结构的潜在工具。在一个大型、同质的健康年轻人数据集（来自人类连接组计划，HCP）中，我们扩展了之前对减少特征 MSN 的研究，不仅比较了 T1w 衍生的网络，还比较了使用较少 MR 序列生成的其他 MSN，以及它们的完整采集对应物。我们生成的 MSN 在边缘级别与使用多模态成像生成的 MSN 高度相似；但是，网络的节点拓扑不同。这些网络对广义认知能力的预测有效性有限。总体而言，当多模态成像不可用或不合适时，T1w 限制的 MSN 构建是可行的，可以提供 MSN 的适当估计，并且可以成为在未来研究中检查结果的有用方法。
青春期过渡期间心理化和现场社交互动之间的神经相似性
图 1 社交互动 fMRI 任务示意图 (a)。参与者会得到半秒钟的提示，表明他们是要回答互动伙伴 (peer) 提出的问题，还是回答计算机提出的关于故事人物 (character) 的问题。提示持续 3.5 秒，需要使用关于目标的心理状态信息 (mental)，或非心理、物理信息 (nonmental)。这产生了一个完全的受试者内、2 (同伴/角色) 2 (心理/非心理) 设计 (b)。PM，同伴心理；PNM，同伴非心理；CM，角色心理，CNM，角色非心理。模型 1 = 互动涉及心理化 (c)，模型 2 = 互动模型 (d)，模型 3 = 心理化模型 (e)
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。
利用语义相似性解释人工智能对疾病进展的预测
摘要 神经退行性疾病的复杂性促使人们开发人工智能方法来预测损伤和疾病进展的风险。然而，尽管这些方法取得了成功，但它们大多是黑箱性质，阻碍了它们在疾病管理中的应用。可解释的人工智能有望通过对模型及其预测进行解释来弥合这一差距，从而促进用户的理解和信任。在生物医学领域，鉴于其复杂性，可解释的人工智能方法可以从将模型与领域知识的表示（本体）联系起来中受益匪浅。本体提供了更多可解释的特征，因为它们在语义上丰富且情境化，因此最终用户可以更好地理解；它们还对现有知识进行建模，从而支持探究给定的人工智能模型结果如何与现有科学知识相吻合。我们提出了一种可解释性方法，利用丰富的生物医学本体全景来构建基于语义相似性的解释，将患者数据和人工智能预测情境化。这些解释反映了人类的基本解释机制——相似性——同时解决了数据复杂性、异质性和规模的挑战。
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。