XiaoMi-AI文件搜索系统
World File Search System适应的
RSPO3介导的代谢肝分离化调节小鼠的全身葡萄糖代谢和体重 特定染色体的非整倍性对缺乏纺锤体检查点蛋白BUB3 的细胞有益 dolosigranulum pigrum：有希望的鼻益生菌候选 对气候变化适应的性别关系和东非家庭的气候变化的决策：定性系统评价 哺乳动物病毒的细胞受体 使用机器学习阐明精神疾病与累犯之间的关系：一项回顾性研究 用量子计算机优化mRNA密码子
肝脏的独特建筑由肝叶组成，将代谢的肝特征分为两个不同的区域，即围围和周围区域，其空间特征广泛定义为代谢齐射。r-spondin3（rspo3），一种促进Wnt信号通路的生物活性蛋白，调节尤其是在肝中心静脉周围的代谢特征。然而，由RSPO3/WNT信号通路调节的肝代谢分区的功能影响，对全身代谢稳态的理解仍然很差。在这项研究中，我们通过使用鼠模型分析了肝脏中RSPO3的局部功能以及肝RSPO3在人体其他器官上的远程作用。RSPO3表达分析表明，RSPO3表达模式在鼠肝脏中被空间控制，使其位于腹膜区域并在进食后收敛，这些过程的动力学在肥胖症中受到干扰。我们发现，病毒介导的肥胖肝组织中RSPO3的诱导可改善胰岛素抵抗，并通过恢复减弱的器官胰岛素敏感性，减少脂肪组织增大并逆转过度刺激的适应性热量烯二还是SIS来防止体重增加。肝迷走神经的修饰抑制了源自肝RSPO3诱导的这些远程作用，向脂肪组织和骨骼肌降低，这表明信号是通过由传入的迷走神经和富有效应的症状神经来传递的。此外，非神经元间的通信上调上调肌肉脂质利用是部分原因是肥胖症中脂肪肝发育和骨骼肌质量降低的改善。相反，通过CRE-LoXP介导的重组系统抑制肝RSPO3由于葡萄糖不耐症和胰岛素抵抗而加剧糖尿病，从而促进脂肪肝发育并降低骨骼肌质量，从而导致肥胖。总的来说，我们的研究结果表明，肝RSPO3的调节有助于通过新鉴定的器官间通信机制维持全身性葡萄糖代谢和身体组成。
2025; 15（4）：1439-1455。 doi：10.7150/thno.102569研究论文多个交联，自我修复和形状适应的水凝胶，带有疼痛 - 雷利
1。Shaanxi省的放射学和分子成像部关键实验室，坦杜医院，空军医科大学，西安，710038，中国Shaanxi。2。材料科学与工程学院，西安科学技术大学，西安，710054，中国。 3。 Shaanxi脑疾病的主要实验室，基础和转化医学研究所，西安医科大学，西安，710021，中国。 4。 PLA空军的飞行员选择局，北京，中国100195。 5。 材料机械行为的国家关键实验室和边境科学技术研究所，西安·吉旺大学，西安，710049，中国。 6。 Shaanxi省的主要实验室，颅面精密医学研究，口腔学院，西安北大学，西安，Xi'an，710049，中国。材料科学与工程学院，西安科学技术大学，西安，710054，中国。3。Shaanxi脑疾病的主要实验室，基础和转化医学研究所，西安医科大学，西安，710021，中国。4。PLA空军的飞行员选择局，北京，中国100195。 5。 材料机械行为的国家关键实验室和边境科学技术研究所，西安·吉旺大学，西安，710049，中国。 6。 Shaanxi省的主要实验室，颅面精密医学研究，口腔学院，西安北大学，西安，Xi'an，710049，中国。PLA空军的飞行员选择局，北京，中国100195。5。材料机械行为的国家关键实验室和边境科学技术研究所，西安·吉旺大学，西安，710049，中国。6。Shaanxi省的主要实验室，颅面精密医学研究，口腔学院，西安北大学，西安，Xi'an，710049，中国。
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。
RDAforest：识别多基因适应的环境驱动因素。1
。CC-BY-NC-ND 4.0 国际许可下可用（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2025 年 1 月 8 日发布。；https://doi.org/10.1101/2024.10.21.619525 doi：bioRxiv 预印本
用于 SPD 流形上域自适应的深度最优传输
摘要 — 机器学习界对解决对称正定 (SPD) 流形上的域自适应问题表现出越来越浓厚的兴趣。这种兴趣主要源于脑信号生成的神经成像数据的复杂性，这些数据通常会在记录会话期间表现出数据分布的变化。这些神经成像数据以信号协方差矩阵表示，具有对称性和正定性的数学性质。然而，应用传统的域自适应方法具有挑战性，因为这些数学性质在对协方差矩阵进行运算时可能会被破坏。在本研究中，我们介绍了一种基于几何深度学习的新型方法，该方法利用 SPD 流形上的最佳传输来管理源域和目标域之间边缘分布和条件分布的差异。我们在三个跨会话脑机接口场景中评估了该方法的有效性，并提供了可视化结果以获得进一步的见解。该研究的 GitHub 存储库可通过 https://github.com/GeometricBCI/Deep-Optimal-Transport-for-Domain-Adaptation-on-SPD-Manifolds 访问。
自然农业：一种气候变化适应的战略工具
本文研究了自然农业作为缓解气候变化和适应气候变化的战术工具的潜力。自然农业实践通过关注生态平衡，土壤健康，生物多样性和节水，为传统化学耕作方法提供了可持续的替代方法。自然农业通过减少使用合成肥料和农业化学物质来增强碳固执，并大大降低温室气体（GHG）的排放。诸如农作物旋转，覆盖和使用无化学化学农业的投入等技术降低了农业的碳足迹，同时改善了土壤肥力和水的保留，从而增强了对气候变化的弹性。本文总结了三十个学术研究的发现，这些研究证明了自然农业对增加农作物产量的好处，改善土壤有机物和提高粮食安全。在社会和文化上，自然农业通过降低不平等，振兴传统方法并赋予小农户权力来改善社会公平。根据营养分析，具有自然农业实践的生产，具有更高水平的维生素，矿物质和抗氧化剂，从而改善了公共卫生。此外，自然农业通过减少食物中的农药残留物来提高食品安全。研究表明，自然农业方法对洪水和干旱等气候冲击更具弹性，从而促进了弱势地区的粮食生产。本文认为，自然农业，尤其是在小型农业系统中，应该是全球气候适应计划的关键组成部分。自然农业通过鼓励生物多样性，减少土壤侵蚀并促进生态系统恢复来解决对气候变化，粮食安全和环境可持续性的相互联系的全面方法。
“粮食安全：国际贸易是气候变化适应的关键组成部分” Janssens Charlotte 1,2*，HavlíkPetr2，KrisztinTamás2，Bak
marco solmi a，b，c，d，＃， *， *， *， *， *， *， *，，，＃，＃，＃，＃，i，Michele Fornaro K，Lynne Kolton Schneider L，S。Rohani-Montez L，S. Rohani-Montez L，Leanne Fairley L，Leanne Fairley L，Leanne Fairley L，Smith，Smith，Smith，smith the Bitter the Bitch the Bitch the Bitch the Bitter the Bitch philip Gorwood，o，o，o，o，o，o，taip p，taip pi，par， Cortex Joseph Firth ad, Paolo Fusar-Poli, af, ah, ah , ah , ah , ah , Ai Koyanaga , am, Henrik Larsson an Kelli Lehto ao , Peter Lindgren ap , aq , Mirko Manchia the , as Northent, Boyer ba , Eduard Vieta az , Christoph U. Correll is , bb , bc ,
作为气候适应的远程预测
∗ Burlig：芝加哥大学和NBER的哈里斯公共政策与能源政策研究所（EPIC）。电子邮件：burlig@uchicago.edu。Jina：哈里斯公共政策和史诗学院，芝加哥大学和NBER。 电子邮件：amirjina@uchicago.edu。 凯利：芝加哥大学哈里斯公共政策学院。 电子邮件：erinmkelley@ uchicago.edu。 巷：芝加哥大学和NBER的哈里斯公共政策学院。 电子邮件：laneg@uchicago.edu。 sahai：芝加哥大学的肯尼斯·C·格里克（Kenneth C. Gri）经济系。 电子邮件：harshil@uchicago.edu。 我们感谢Vittorio Bassi，Susanna Berkouwer，Chris Blattman，Josh Dean，Kyle Emerick，Kyle Emerick，Xavier Gine，Rachel Glennerster，Rachel Glennerster，Michael Greenster，Faraz Hayat，Koichiro Robertson, Mark Rosenzweig, Elena Surovyatkina, Catherine Wolfram, Brian Wright, and seminar participants at the Coase Project, the Paris School of Economics, London School of Economics, EPIC Junior Workshop, Northwestern University, the UChicago Mini-Conference on Weather Advisory Services, the Yale Climate, Environment, and Economic Growth Conference, Y-RISE, and NBER Development for helpful comments and suggestions. 我们感谢Manzoor Dar的出色领域支持，Ramya Teeparthi的宝贵项目管理以及Anjani Balu，Alina Gafanova，Sam Hsu，Meghna Singh，Prachi Shukla，Rathan Sudheer，Rathan Sudheer，尤其是Amrita Pal，尤其是Amrita Pal。 这项研究已获得芝加哥大学的IRB批准（协议号 AEARCTR-0008846）。Jina：哈里斯公共政策和史诗学院，芝加哥大学和NBER。电子邮件：amirjina@uchicago.edu。凯利：芝加哥大学哈里斯公共政策学院。电子邮件：erinmkelley@ uchicago.edu。巷：芝加哥大学和NBER的哈里斯公共政策学院。电子邮件：laneg@uchicago.edu。sahai：芝加哥大学的肯尼斯·C·格里克（Kenneth C. Gri）经济系。电子邮件：harshil@uchicago.edu。我们感谢Vittorio Bassi，Susanna Berkouwer，Chris Blattman，Josh Dean，Kyle Emerick，Kyle Emerick，Xavier Gine，Rachel Glennerster，Rachel Glennerster，Michael Greenster，Faraz Hayat，Koichiro Robertson, Mark Rosenzweig, Elena Surovyatkina, Catherine Wolfram, Brian Wright, and seminar participants at the Coase Project, the Paris School of Economics, London School of Economics, EPIC Junior Workshop, Northwestern University, the UChicago Mini-Conference on Weather Advisory Services, the Yale Climate, Environment, and Economic Growth Conference, Y-RISE, and NBER Development for helpful comments and suggestions.我们感谢Manzoor Dar的出色领域支持，Ramya Teeparthi的宝贵项目管理以及Anjani Balu，Alina Gafanova，Sam Hsu，Meghna Singh，Prachi Shukla，Rathan Sudheer，Rathan Sudheer，尤其是Amrita Pal，尤其是Amrita Pal。这项研究已获得芝加哥大学的IRB批准（协议号AEARCTR-0008846）。我们感谢芝加哥大学的贝克尔·弗里德曼经济学研究所，J-Pal的农业技术采用计划和国王气候行动计划，以及世界银行慷慨地为该项目提供资金。irb20-1364），并在AEA RCT注册中注册（标识号所有剩余的错误都是我们自己的。
定向选择的普遍发现，实现了古代DNA阐明人类适应的希望
Ali Akbari 1,2,3，Alison R. Barton 2,3，Steven Gazal 4,5,6，Zheng Li 7，Mohammadreza Kariminejad 8 8，Annabel Perry 2,3，Yating Zeng Zeng Zeng 4,9，Alissa Mittnik 10，Nick Patterson 2,3，Nick Patterson 2,3，Alk alk alk 1,11 l. 3,12,13 , Eric S. Lander 3,14,15 , Ron Pinhasi 16,17 , Nadin Rohland 1,2,3,11 , Swapan Mallick 1,2,3 , and David Reich 1,2,3,11 Correspondence to: Ali_Akbari@hms.harvard.edu , reich@genetics.med.harvard.edu