XiaoMi-AI文件搜索系统
World File Search System转移的
通过非临界培养基中能量转移的逆设计朝向纳米光学光学分离
在本文中，我们将逆设计的伴随方法推广到非逆局介质。作为测试案例，我们使用级别集方法使用三维拓扑优化，以优化单向能量转移，以换取尖端源和观察点。为了实现此目的，我们引入了一套工具，chie pl y我们称之为“法拉第 - 偶相”方法，该方法允许在存在磁光介质的情况下进行有效的形状优化。我们基于非常通用的方程式进行优化，该方程是我们在非偏型培养基中得出能量转移的，并通过概括性的born序列链接到分析的分析序列，将其链接到张量的次数介绍性。本文代表了朝着实用的纳米光学隔离的垫脚石，通常被视为综合光子学的“圣杯”。
原创研究非小细胞肺癌患者实体和囊性脑转移的治疗和预后
背景：脑转移是缩短肺癌患者寿命的重要因素，而囊性BM患者的报道很少。本文，我们比较了非小细胞肺癌（NSCLC）患者实体BM和囊性BM不同治疗方案的疗效和预后。方法：对355例经病理证实的IV期NSCLC患者进行回顾性研究，所有患者均有BM。我们分析了这些患者的临床特征以及靶向药物和化疗方案的疗效。结果：共有255例实体BM患者（队列1）和33例囊性BM患者（队列2）具有可评估的疗效。我们对队列2中的这33例患者进行了评估。中位无进展生存期（PFS）和总生存期（OS）分别为8.4个月和23.0个月。靶向方案与化疗治疗的PFS（12.6个月vs 6.3个月，P=0.001）和OS（47.9个月vs 17.0个月，P=0.007）差异均有统计学意义。多因素分析显示，治疗方案（化疗）是PFS的不良预后因素（P < 0.05）。有基因突变的NSCLC患者可能更容易发生囊性BM。接受靶向治疗和化疗的患者预后存在差异。不同队列之间的颅内PFS有显著差异（队列1vs队列2：15.4个月vs 9.9个月，P=0.015），且未接受靶向治疗的患者的优势更为明显（11.7个月vs 6.5个月，P=0.003）。但队列2接受靶向治疗患者的OS明显长于队列1（23.4个月vs 47.9个月，P=0.013）。结论：NSCLC患者，尤其是发生囊性脑转移的患者，应尽可能进行基因检测，以找到更合适的药物治疗。关键词：囊性脑转移，酪氨酸激酶抑制剂，化疗，放射治疗，肺癌
使用深度学习的非小细胞肺癌中脑转移的完全自动化MR检测和分割
背景：非小细胞肺癌（NSCLC）是扩散到大脑的最常见肿瘤实体，多达50％的患者发展出脑转移（BMS）。在MRI上检测BMS是具有挑战性的，其固有的诊断风险固有的风险。目的：在临床常规MRI上训练和评估NSCLC中BMS的全自动检测和3D分割的深度学习模型（DLM）。研究类型：回顾性。人口：预处理MRI 315 BMS的98例NSCLC患者分为培训（66例患者，248 BMS）和独立测试（17例患者，67 BMS）和对照（15例患者，0 BMS）同伙。场强/序列：t 1-/t 2加权，T 1加权对比度增强（T 1 CE；梯度回波和自旋回波序列），以及来自各个供应商和研究中心的1.0、1.5和3.0 t的天赋。评估：使用5倍交叉验证对训练队列进行了3D卷积神经网络（DEEPMEDIC），并在独立的测试和控制集中进行了评估。通过神经外科医生和t 1 CE的放射科医生对BMS的三维体素分割，用作参考标准。统计检验：每次扫描的敏感性（回忆）和假阳性（FP）发现，骰子相似性系数（DSC）比较手动分割之间的空间重叠，Pearson的相关性（R）的相关性（R）以评估量化量级的量级测量和WIRCO之间的关系，并评估量级的量级量表，并进行了量级测量。 BMS。p值<0.05在统计学上被认为是显着的。与参考标准相比，自动化结果：在测试集中，DLM检测到67 BMS中的57个（平均体积：0.99 4.24 cm 3），导致灵敏度为85.1％，而每次扫描的FP发现为1.5。错过的BMS比检测到的BMS（0.96 2.4 cm 3）的体积明显小（0.05 0.04 cm 3）。
考虑内部电阻和容量再生现象的可转移的长期锂离子电池老化轨迹预测模型
准确预测锂离子电池（LIB）的剩余使用寿命（RUL）对于改善电池管理系统设计和确保设备安全至关重要。然而，由于多步预测中的多步中的错误积累，实现衰老轨迹的准确长期预测是具有挑战性的。这项研究表明，考虑与衰老过程有关的未来内部阻力（R）以及在衰老期间发生的能力再生现象（CRP）可以帮助减少误差的积累。具体来说，我们提出了一种混合方法，该方法结合了未来的R和CRP，以预测LIB的衰老轨迹和统治。实验结果证明：（1）对于相同的充电/放电策略和电池类型，提出的方法可以准确预测衰老轨迹，并仅使用前20个周期的数据（约占完整数据的5％）； （2）对于不同的充电/放电策略和电池类型，通过转移学习，提出的方法可以使用前40个周期的数据来预测老化轨迹和RUL。这些结果表明，在长期预测中提出的模型既准确又是鲁棒，可以估算各种数据集的老化轨迹和RUL。
定量机械模型揭示了胎盘IgG转移的关键决定因素，并告知产前免疫策略
移植抗体转移对于塑造新生儿免疫至关重要。最近，已经采用产前母体免疫来增加病原体特异性免疫球蛋白G（IgG）转移到胎儿。多个因素与抗体转移有关，但是这些关键调节剂如何共同起作用以引起选择性转移，这与母亲的工程疫苗有关，以使母亲最佳免疫新生儿。在这里，我们提出了第一个定量机械模型，以发现胎盘抗体转移的决定因素并为个性化的免疫方法提供信息。我们确定了由内皮细胞表达的plapentalfcγRIIB是受体介导的转移的限制因素，在促进亚类IgG1，IgG3和IgG4的优先运输方面起着关键作用，但不是IgG2。综合计算建模和体外实验表明，合成性胞素细胞和内皮细胞中的IgG亚类丰度，FC受体（FCR）结合亲和力以及FCR丰度有助于导致囊间竞争以及潜在的和潜在的体内和内部抗体抗体抗体转移的转移。，我们通过使用破伤风，白喉和细胞细胞百日咳（TDAP）疫苗将母体疫苗接种的计算模型与该pla-Cental转移模型相结合，开发了一种硅产前疫苗测试床。模型仿真揭示了精密产前免疫机会，这些机会可以解释患者预期的妊娠长度，胎盘尺寸和FCR的预测，并通过调节疫苗时间，剂量和佐剂来解释。这种计算方法提出了有关人类母体抗体转移和潜在途径的动力学的新观点，以优化促进新生儿免疫力的产前疫苗接种。
研究主题为“植物药物：针对癌症干细胞和转移的潜在新型治疗干预措施”的社论
癌症是全球第二大常见致命疾病。远处器官的转移性生长是癌症死亡率增加的主要原因（Steinbichler 等人，2020 年）。癌症干细胞 (CSC) 在转移级联的每个步骤中都发挥着至关重要的作用，从癌细胞侵入血管、在血流中存活、附着和外渗到在宿主器官中定植以及随后形成宏观和微观转移（Gupta 等人，2021 年）。CSC 是肿瘤中的一小群细胞，具有自我更新和分化能力，有助于肿瘤生长、复发和转移扩散。尚未开发出针对癌症干细胞来预防转移的成功疗法。目前可用的癌症治疗方法包括手术切除、放疗和化疗，不足以靶向 CSC（Yang 等人，2020 年）。因此，我们需要更多地关注 CSC 作为癌症转移的主要原因，并汇编最新的研究以设计针对 CSC 的未来研究。我们的研究主题旨在探索当前和未来的 CSC 靶向癌症治疗策略，以对患者有希望的方式预防癌症转移。本社论旨在简要概述该领域的当前研究状况，并强调有希望的方面和挑战。本研究主题包含五篇文章，包括两篇原创研究文章、两篇评论和一篇系统评论。癌症干细胞通过多种信号通路促进转移，如 Wnt、Notch、Hh、NF- κ B、JAK-STAT 和 TGF β /SMAD，这些通路可增强癌细胞的干性并导致转移（Yang et al.，2020）。将癌症干细胞作为癌性肿瘤中的群体进行靶向治疗具有挑战性。因此，开发针对癌症干细胞的疗法可以通过禁用这些信号通路开辟治疗转移性癌症的新方法。植物来源的生物活性化合物作为潜在的新型治疗药物受到广泛关注
用于预测早期胃癌淋巴结转移的机器学习模型不符合内窥镜可耐加固性标准
摘要背景我们开发了一种机器学习（ML）模型，以预测早期胃癌（EGC）患者淋巴结转移（LNM）的风险，这些患者不符合现有的日本内窥镜可固定性标准，并将其性能与最常见的临床风险扫描系统（Ecura System）相比。方法，我们使用了来自21家经过内窥镜亚粘膜溶解（ESD）和/或在2010年至2021年之间的21家机构的EGC患者的数据。所有切除的EGC在组织学上均未满足当前的日本内窥镜可耐加固性标准。在所有患者中，有3,506名构成了开发基于神经网络的ML模型的训练队列，而536个构成了验证队列。由接收器操作特征曲线（AUC）下的面积测量的ML模型的性能与验证队列中的ECURA系统的性能进行了比较。结果LNM率分别为14％（503/3,506）和7％（39/536），分别为培训和验证队列。ML模型在验证队列中鉴定出患有AUC为0.83（95％置信区间，0.76–0.89）的LNM患者，而ECURA系统鉴定出具有0.77的LNM的患者，其AUC为0.77（95％置信区间，0.70-0.85）（0.70-0.85）（p = 0.006）（p = 0.006，DELONG TEST）。结论我们的ML模型的性能优于ECURA系统，用于预测不符合日本内窥镜可固定性标准的EGC患者的LNM风险。迷你抽象，我们开发了一种基于神经网络的机器学习模型，该模型可预测早期胃癌患者淋巴结转移的风险，这些患者不符合内窥镜可缓解性标准。
分子耕作 - 管理食品作物的重要性，设计为生产转移的食物过敏原和非食物物质
开发人员正在寻找新的方法来生产蛋白质和其他物质用于食品，药物和工业用途，从而产生了基因工程食品作物，以生产感兴趣的物质（即分子种植）。开发人员应意识到食品安全问题，合法性和潜在的责任以及消费者信心的丧失，如果这些农作物中的食物或其他植物材料无意中进入食品供应并妥协安全性，可能会产生。在产品开发的最早阶段，开发人员应考虑是否可以始终如一地管理其作物并通过处置而产生的植物材料，以确保他们不会以非法的方式进入食物或饲料供应。开发人员在考虑其管理计划时应参与FDA的食品计划。虽然分子耕作有望大规模地生产特定蛋白质和其他物质，但对于开发人员来说，重要的是考虑保护食品供应免受分子种植的农作物所需的努力，尤其是当分子种植选择的作物是传统上用于人类或动物食品的作物时。
机器学习模型能否使用基于扩散加权成像的放射组学改善脑转移的早期检测？
当癌细胞从原发癌部位通过血液扩散并在脑内形成新肿瘤时，就会形成颅内转移，从而导致严重的疾病负担和患者发病率。转移性并发症是约 90% 癌症相关发病率的罪魁祸首 (1)，多达 40% 的癌症患者在其一生中会经历至少一次颅内转移 (2)，其中大多数转移源自肺癌、乳腺癌或黑色素瘤。常规治疗方案包括手术切除、全脑放射治疗、立体定向放射外科 (SRS)、全身治疗或这些方法的组合 (3,4)。在使用 SRS 治疗之前，需要高分辨率磁共振成像 (MRI) 来正确定位转移，以实现局部控制，同时保护周围的健康脑组织。脑转移成像的标准方案是使用钆增强 T1 (Gd-T1) 加权 MRI。脑转移形成伴随着癌细胞侵入组织实质。血管生成和肿瘤生长导致脑内微结构变化。因此，随着转移的发展，水分子的扩散会随时间而变化。扩散加权成像 (DWI) 是一种 MRI 技术，利用体内水分子的动力学来产生对比度 (5)，从而可以对这些微结构变化进行成像，而这些变化在传统的 Gd-T1 上可能无法检测到。此外，由 DWI 生成的表观扩散系数 (ADC) 图提供了定量图像集，允许对在不同时间拍摄的多个 DWI 会话的数据进行定量比较。迄今为止，大多数关于脑转移的 DWI 研究都集中在仅分析一次成像会话或治疗前的一组图像集以及治疗后的一组或几组图像集。我们的机构每年治疗超过 200 名 SRS 患者，其中约 20% 的患者需要重新治疗转移性
iRGD-脂质体增强反义寡核苷酸药物对原发性前列腺癌和骨转移的肿瘤递送和治疗效果
（未经同行评审认证）是作者/资助者。保留所有权利。未经许可不得重复使用。此预印本的版权所有者此版本于 2021 年 1 月 9 日发布。；https://doi.org/10.1101/2021.01.08.426005 doi：bioRxiv preprint