XiaoMi-AI文件搜索系统
World File Search System表型
基于机器学习的精神分裂症和主要抑郁症的脑电图表型
尽管精神诊断是基于公开特征（例如行为，情绪和思想）的现象学区别，但具有脑电图（EEG）神经病理学机制（EEG）的确定仍然具有挑战性。在使用脑电图确定的神经生理表型中，精神分裂症（SZ）和主要抑郁症（MDD）始终没有推荐的脑模型。以前的EEG研究集中在病理生理学的区别和症状关系上（1-3）。SZ和MDD的临床变化非常异质（4-6）。除了基于SZ和MDD之间的现象学区别的临床诊断之外，使用机器学习的脑电图定义可以提供促进治疗突破的见解（7-10）。，通过应用线性判别分析（LDA）和支持向量机（SVM）（11）来确保精神疾病中的分类表现。听觉P300（AP300）是SZ和抑郁症患者的代表性神经生理指标（12-15）；但是，一些研究为抑郁症指标提供了不一致的发现（16）。ap300包括N1和P3组件，它们在100毫秒左右的最大电位和最正的电位分别是听觉刺激发作后300毫秒左右的最积极电位。通常观察到中线电极中P3和N1振幅的变化（17，18）。另外，定义时间范围内振幅的宽度也可以表明病理状态（21）。此外，每个组件定义时间范围内的最高峰电势在各个个体之间显示出较大的变化，因为每个成分都包含几种神经生物学属性（19，20）。AP300在听觉响应以及工作记忆和注意力过程中反映了认知过程（22，23）。n1已被定义为目标刺激的早期感觉输入的神经分配（24、25），而N1减少可以反映SZ和情绪障碍中的异常选择性注意（26 - 29）。p3是AP300的主要组成部分，它是由信息处理的晚期积极潜力产生的，例如在普通情况下的输入罕见事件（30，31）。n1和p3降低（32，33）。几项研究还报道了MDD患者的N1和P3的延迟延迟和幅度降低（13、34-36）。在这里，我们比较了健康对照组（HCS）与SZ和MDD患者之间的AP300。为了鉴定SZ和抑郁症的大脑表型，N1和P3成分的变化在三个维度上表达，即通过使用雷达图表，峰值，潜伏期，振幅和皮质来源的峰值。此外，我们使用线性判别分析（LDA）和支持向量机（SVM）分类器应用机器学习技术，以适用于每个两组分类。
哺乳动物发育障碍的单细胞，全孔表型
Xingfan Huang 1：2,21，Henck 3：4,21，，Wing-Lee Chan 8.9，Alexandra Despang 4.9，4.9，冰雹4.8,9，炒4，弗里德睡眠4，库珀·马歇尔，萨斯查·乌尔夫斯8,9，萨斯萨尔8,9，威特勒·拉尔斯4，维特勒·拉尔斯4，wittler lars 4，wittler lars 4，wittler lars yiwen zhu 7，yiwen zhu khu 7，yiwen zhu kire kur 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4. Ingn in. Ingnel in. Ingnel in. 1,13.17，Junyue Cao
表型（G2P）模型用于预测谷物的复杂性状...
随着育种 4.0 的发展，需要新的基因分型和表型工具来帮助育种过程提高基因型的生产力 (Van Eeuwijk 等人，2019 年，Wallace 等人，2018 年)。这包括整合多层基因组学、高通量植物表型 (HTPP) 和大规模环境分型以改善复杂性状预测的趋势 (Crossa 等人，2021 年，Cooper 等人，2014 年)。全基因组预测，称为基因组预测 (GP) 或基因组选择 (GS)，是将这些新工具整合到育种计划中以支持高产和可持续产量品种的主要方法。GS 的主要目标是根据标记信息预测复杂性状，通过为候选者生成基因组估计育种值来提高选择的准确性。因此，GS 可能优于表型选择，因为它可以增加单位时间的遗传增益并缩短育种周期的长度（Crossa 等人，2017 年）。最近，育种者的要求越来越多地转向将 HTPP 数据和环境信息纳入多环境试验分析（Araus 等人，2018 年）。然而，它是
神经发育表型预测：最先进的深度学习模型
医学进一步分析中的一个主要挑战是对神经影像数据的生物标志物的自动检测。通常基于图像注册的传统方法在跨个体的皮质组织的高变异性方面受到限制。深度学习方法已被证明在克服这一困难方面取得了成功，并且其中一些人甚至在某些数据集上都超过了医疗专业人员。在本文中，我们应用了深层神经网络来分析新生儿的皮质表面数据，这些数据来自公开开发的Human Connectome项目（DHCP）。我们的目标是确定神经发育生物标志物，并根据这些生物标志物预测出生时的胎龄。使用对术语当量年龄的早产新生儿的扫描，我们能够研究早产对妊娠晚期皮质生长和成熟的影响。的边界达到最新的预测精度，所提出的模型的参数少于基线，并且其误差在未注册和注册的皮质表面上都较低。
基于微生物组的宿主表型预测的无混杂预测模型
与许多领域一样，存在混杂效应（或偏见）在微生物研究中提出了重大挑战，包括使用微生物组数据来预测宿主表型。如果无法正确解决，混杂的人可能会导致虚假的关联，偏见的预测和误导性的解释。一个无表的示例是药物二甲双胍，通常规定治疗2型糖尿病（T2D），并且已知会影响肠道微生物组。在这项研究中，我们提出了使用微生物组数据进行人类表型预测的无混杂预测模型。这些模型在对抗性的Min-Max优化框架内利用端到端方法来得出与混杂因素不变的特征，同时考虑了混杂因素与预测结果之间的固有相关性。我们使用不同的网络体系结构实现了两个版本的无混杂预测变量：一个基于完全连接的网络（称为FNN CF），另一个基于以前的生物学知识（称为MicroKPNN CF）。我们在与T2D关联的微生物组数据集上评估了我们的模型，其中二甲双胍充当混杂因素。我们的结果表明，与不解释混杂因子并更有效地识别与表型相关的微生物标记的模型相比，无混杂的预测因子具有更高的精度，而不是受二甲双胍影响的标记。在先前的知识指导的方法中显示出较低的预测能力，但它提供了更大的可解释性，从而提供了对基本生物学机制的更多见解。
2。多素（蛋白质和RNA）的空间表型在苯酚融合2.0
5.2使用ViewRNA测定2.0上的ViewRNA分析，对肿瘤3和肿瘤4区域的靶向空间RNA分析。与HNSCC样品的肿瘤3相比，淋巴细胞激活和募集面板的标记在肿瘤4中高度表达[图A和B]。肿瘤4中CXCL9和CXCL13的局部模式表明，细胞因子通过募集CD8 T+细胞促进了抗肿瘤活性。同样，来自免疫激活和反应签名面板的RNA靶标位于肿瘤4中，包括干扰素[图C和D]。STAT1和CD3的定位表明激活了各种细胞过程，例如免疫反应和对靶向癌细胞靶向癌细胞的凋亡4。在肿瘤4中发现的成熟TLS中也发现了这些标记的较高定位[图E和F]。
由 CRISPR-Cas9 系统指导的突变绵羊双肌表型
肌生长抑制素 (MSTN) 是一种众所周知的肌肉生长负调节剂。由 MSTN 自然功能丧失突变引起的双肌羊具有非常强的骨骼肌。在这项研究中，我们的结果表明，通过使用 Cas9 技术特异性靶向外显子 1 位点，成功生成了 MSTN 突变羊。我们研究中的 MSTN 敲除羊的肌肉显著增加，就像双肌表型一样。我们的研究表明，将 Cas9：sgRNA 直接注射到受精卵中可广泛用于在大型家畜中产生基因敲除。值得注意的是，根据我们的研究结果，绵羊可以加入到现在越来越实用的基因组编辑物种名单中。MSTN 突变羊的生成对于当地绵羊品种的遗传改良以及将绵羊用作大型动物医学研究的模型具有重要意义。
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。
肿瘤相关巨噬细胞向 CXCL9 抗肿瘤表型的药理极化
肿瘤相关巨噬细胞 (TAM) 是一类多样化的髓系细胞，在人类癌症中通常数量丰富且具有免疫抑制作用。最近有报道称 CXCL9 Hi TAM 具有抗肿瘤表型，并与免疫检查点反应有关。尽管人们对独特的抗肿瘤 TAM 表型有了新的认识，但仍缺乏针对 TAM 的特异性疗法来利用这一新的生物学认识。本文报道了多种趋化因子配体 9 (CXCL9) 小分子增强剂的发现和表征，以及它们在 TAM 亲和性系统性纳米制剂中的靶向递送。利用这种策略，可以有效地封装和释放多种药物负载，这些药物负载可以在小鼠肿瘤模型的体外和体内有效诱导巨噬细胞中 CXCL9 的表达。这些观察结果为了解定义 TAM 特定状态的分子特征提供了一个窗口，这是一种用于发现新颖的抗癌治疗方法的见解。
基于基因表达的表型预测深神经网络的生物学解释
摘要背景：使用预测基因标志来协助临床决策变得越来越重要。深度学习在基因表达谱的表型预测中具有巨大的潜力。但是，神经网络被视为黑匣子，在没有任何解释的情况下，提供了准确的预测。这些模型变得可解释的要求正在增加，尤其是在医学领域。结果：我们专注于解释由基因表达数据构建的深神经网络模型的预测。影响预测的最重要的神经元和基因被鉴定出来并与生物学知识有关。我们对CAN-CER预测的实验表明：（1）深度学习方法优于大型训练集的经典机器学习方法； （2）我们的方法产生的解释与生物学比最先进的方法更连贯； （3）我们可以对生物学家和医生的预测提供全面的解释。结论：我们提出了一种原始方法，用于从基因表达数据中对表型预测深度学习模型的生物学解释。由于模型可以找到表型和基因表达之间的关系，因此我们可以假设已鉴定的基因与表型之间存在联系。因此，解释可以导致生物学家研究新的生物学假设。