。CC-BY-NC-ND 4.0 国际许可证 它是永久可用的。 是作者/资助者,已授予 medRxiv 许可以显示预印本(未经同行评审认证)预印本 此版本的版权所有者于 2025 年 1 月 29 日发布。;https://doi.org/10.1101/2025.01.29.25321305 doi:medRxiv 预印本
以下17 USC 105,也可以根据CC0许可使用。预印本(未通过同行评审认证)是作者/资助者。本文是美国政府的工作。不受此版本的版权持有人的版权,该版本于2025年2月27日发布。 https://doi.org/10.1101/2025.02.24.639807 doi:Biorxiv Preprint
我已经阅读了博士学位论文的最终版本,并证明它符合博士学位的相关要求。心理健康咨询学位。_____________________________________ _______________________ Committee Chair's Signature Date _____________________________________ _______________________ Committee Member's Signature Date _____________________________________ _______________________ Committee Member's Signature Date
循环肿瘤DNA(CTDNA)分析对于中枢神经系统(CNS)和非CNS实体瘤的儿童进行实时“液体活检”的潜力仍有旨在完全阐明。我们进行了一项研究,以研究CTDNA测序在参加机构临床基因组学试验的儿科患者中的可行性和潜在临床实用性。在研究期间,共有240名患者进行了肿瘤DNA分析。血浆样品,然后从一部分患者的纵向收集。成功的无细胞DNA提取和定量发生在这些初始样品中的217个(99.5%)中的216个。鉴定出二十四名患者,其肿瘤具有30种独特的变体,这些变体可能在商业上可用的CTDNA面板上可检测到。在这30个突变中,有20个突变(67%)通过至少一个血浆样品中的ctDNA中的下一代测序成功地检测到。与患有CNS肿瘤的患者相比,非CNS实体瘤患者(7/9,78%)的CTDNA突变检测率更高(9/15,60%)。与非转移性疾病相比,在转移性疾病(9/10,90%)的患者中,在转移性疾病患者中也观察到更高的CTDNA突变检测率(7/14,50%),尽管在没有放射线遗迹证据的情况下,在少数患者中检测到肿瘤特异性变异。这项研究说明了将纵向CTDNA分析纳入儿童中枢神经系统或非CNS实体瘤的复发或难治性患者的管理的可行性。
Filipa Raposo Pereira A, B, ∗, Nathalie George A, Gianfranco Dalla Barba C, Bruno Dubois A, B, D, Valentina La Cort B, E, F and the Insight-Preat Study Group A Institute of the Brain-Paris Brain Institute-ICM, Inserm, U 1127, CNRS, UMR 7225 ' Aphp, Cenir, Center Meg-Eeg, Sorbonne University, Pitié-Salpêtrière Hospital, Paris, France B Department of Neurology, Institute of Memory and Alzheimer's Disease (IM2A), Piti´e-Salpˆetri`eere University Hospital, Public Assistance-Hospitals de Paris (AP-HP), Paris, France C. University Degli Studi di Trieste, Trieste, Italy D Department of Neurology, Center神经退行性疾病(COEN),ICM,CIC神经科学,公共援助 - 巴黎医院(AP-HP)(AP-HP),Piti´e-Salpˆere,Sorbonne University,Paris,Paris,Cognition,认知(UR 7536),心理学研究所,巴黎大学,巴黎大学,Boulogne-Boulogne-Bologne-billancourt,France France france deitut deitut deitut deitut parise crocessiate
小麦是一种广泛种植的草,是一种谷物,是全球主食。构成了小麦的许多种类;最广泛的生长是小麦(T. aestivum)。小麦的营养价值极为重要,因为它在少数农作物物种中占据了重要地位,作为主食食物来源。小麦的重要性主要是由于其种子可以被磨碎成面粉,泥粉种类等,而面粉,米果酸酯等形成了面包和其他面包店的基本成分以及意大利面,因此它为世界上大多数人群提供了营养的主要来源。如果满足估计的世界人口增长的粮食需求,则预测对谷物的需求将大大增加。,但对这些社区还有另一个潜在的好处,这是确保这种主食作物在营养上是基本的,并有助于消除困扰他们的数百万个与营养相关的缺乏疾病。应该强调的是,在过去,没有一个例子,植物是为了改善其营养含量的。如果发生这种情况,则纯粹是偶然的,而不是设计[5-7]。小麦谷物是椭圆形的,尽管不同的小麦的谷物范围为
1计算健康中心,计算生物学研究所,德国慕尼黑,慕尼黑2 Bio21药理学分子科学与生物技术研究所,墨尔本大学,澳大利亚墨尔本大学 +相应的作者:Reinhard.holl@uni-ulm.de&Michael.menden@unimelb.edu.au摘要摘要2型糖尿病(T2D)的及时预后(T2D)是至关重要的。AI驱动的大语言模型(LLMS)提供了提取临床见解的潜力,但由于纵向医疗记录的稀疏,高维的性质,面临挑战。这项研究表明,通过使用掩模缺失的数据预处理数据,在预审预告片的LLM中添加嵌入层,并对两个组件进行微调。使用DPV注册表数据集(449,185 T2D患者)在预测HBA1C和LDL水平方面的表现优于基本基线,分别提高了0.749和0.754的Pearson相关性,分别提高了0.253和0.259和0.259。该模型还证明了HBA1C在554.3天内的长期预测(95%CI:[547.0,561.5]),MSE比基于近距离观察的方法提高了9%。综合梯度分析确定了重要的临床特征和访问,揭示了潜在的生物标志物进行早期干预。各种深度学习体系结构,包括前馈神经网络,总体而言,结果表明,使用稀疏的医疗时间序列利用LLM在T2D预后的预测能力的可能性,有助于临床预后和生物标志物发现,最终提高精密医学。引言2型糖尿病(T2D)是一种慢性代谢性疾病,可导致血糖升高1升高,与微血管疾病,包括心血管疾病,神经性病,肾病和视网膜病有关,与微血管疾病,包括心血管疾病和大血管并发症有关,导致了显着的疾病疾病和死亡率和死亡率2。T2D的全球流行率上升强调了对有效管理策略的迫切需求。T2D并发症的早期预后对于及时干预,改善患者预后和降低医疗保健费用至关重要。纵向医疗记录是在T2D中推进精密医学的重要资源。这些记录在时间3期间提供了全面的患者数据,包括人口统计学,病史,测试结果,药物和生活方式因素,使其对早期预后非常宝贵。诸如Framingham心脏研究和DCCT之类的研究表明,此类数据在预测心血管风险4和糖尿病并发症5。这些数据集可以识别模式,以实现更准确和个性化的预后评估,但它们的大量和复杂性构成了重大的分析挑战。机器和深度学习通过对复杂的纵向医学数据的分析来彻底改变了医学预后。
Rong Fan 1#* , M.D., Siru Zhao 1# , M.D., Junqi Niu 2 , M.D., Hong Ma 3 , M.D., Qing Xie 4 , M.D.,
败血症是一种威胁生命的疾病,原因是对感染的免疫反应失调,这会导致一系列器官功能障碍[1,2]。尽管败血症近年来受到了越来越多的关注,但它仍然是全世界的一个主要公共卫生问题,并且具有高度的生活和死亡率[3]。败血症诱导的心肌损伤(SIMI)是败血症的常见并发症,是败血症患者的重要死亡原因[4,5]。但是,对SIMI的研究仍然有限,其临床治疗也缺乏专家的共识。因此,有必要探索SIMI的有效治疗方法。shenfu注射(SFI)是治疗败血症具有良好治疗作用的有效药物。它是从富兹(Aconiti helfaris radix praeparata)和Hongshen(Ginsen Radix et Rhizoma rubra)中提取的,并来自传统的中国药物(TCM)处方药。许多临床和实验研究表明,SFI可以有效地改善败血症的血液动力学[6],调节免疫功能[7-9]并改善临床预后[6,7,9]。此外,SFI可以抑制心肌细胞的凋亡,减少炎症反应并防止SIMI [10-12]。基于50项研究(3394名参与者)的元分析表明,与其他TCM注射相比,SFI在减少脓毒症患者的炎症和改善死亡率方面表现出色[13]。与常规医疗相比,SFI与常规医疗相结合可以增强免疫功能并改善败血性休克的预后[14,15]。此外,使用198只小鼠的动物实验研究表明,SFI在SIMI中的疗效与地塞米松的功效相似[16]。尽管许多证据支持SFI对SIMI具有良好的治疗作用,但由于TCM的多组分,多目标,多目标和多条纹特征,SFI的特定治疗机制仍不清楚,这限制了其临床应用和开发。因此,我们使用网络药理学探索SFI治疗SIMI的活性化合物和治疗机制。网络药理学结合了传统的药理学,计算机技术和其他学科,这些药理学,计算机技术和其他学科可以显示“药物化合物 - 靶向疾病”网络,进一步证明了药物与疾病之间的相互作用[17]。这项研究使用网络药理学来探索SIMI中SFI的治疗机制,并通过分子对接和实验对其进行了验证。