XiaoMi-AI文件搜索系统
World File Search System邻域
Inpex可续航 - 能源 - 邻域 - 澳大利亚 - ...
1在2024年12月2日从Enel Green Power Australia Pty Ltd重新命名。3 CBUS Super是一个行业基金，主要迎合建筑行业的工人。获得的投资组合的4个总能力
空间单细胞分析和邻域分析揭示了肝细胞癌中与检查点抑制剂治疗结果相关的免疫结构的决定因素
摘要背景对于肝细胞癌（HCC）中对检查点免疫疗法的反应的决定因素仍然很了解。预计肿瘤微环境（TME）中免疫反应的组织有望控制免疫疗法的结局，但空间免疫型仍然很差。目的我们假设空间免疫网络体系结构的反卷积可以鉴定HCC中临床相关的免疫型。设计，我们对101例患者的HCC组织进行了高度多重的成像质量细胞仪。我们在发现和验证队列中进行了深入的空间单细胞分析，以否定HCC免疫结构异质性的决定因素，并开发了用于预测免疫检查点抑制剂（ICI）疗法的空间免疫分类。结果生物信息学分析确定了HCC TME中的23个主要免疫，基质，实质和肿瘤细胞类型。无监督的邻域检测确定了三个免疫结构，具有不同的免疫细胞参与和以CD8 T细胞，髓样免疫细胞或B和CD4 T细胞为主的免疫检查点。我们使用这些定义了三种主要的空间HCC免疫型，这些免疫型反映了更高水平的肿瘤内免疫细胞组织：耗尽，分隔和富集。在ICI治疗下的无进展生存期在空间免疫类型之间显着差异，富集患者的存活率提高。在肿瘤内异质性患者中，一个富集区域的存在控制了长期生存。
空间单细胞分析和邻域分析揭示了肝细胞癌中与检查点抑制剂治疗结果相关的免疫结构的决定因素
摘要背景对于肝细胞癌（HCC）中对检查点免疫疗法的反应的决定因素仍然很了解。预计肿瘤微环境（TME）中免疫反应的组织有望控制免疫疗法的结局，但空间免疫型仍然很差。目的我们假设空间免疫网络体系结构的反卷积可以鉴定HCC中临床相关的免疫型。设计，我们对101例患者的HCC组织进行了高度多重的成像质量细胞仪。我们在发现和验证队列中进行了深入的空间单细胞分析，以否定HCC免疫结构异质性的决定因素，并开发了用于预测免疫检查点抑制剂（ICI）疗法的空间免疫分类。结果生物信息学分析确定了HCC TME中的23个主要免疫，基质，实质和肿瘤细胞类型。无监督的邻域检测确定了三个免疫结构，具有不同的免疫细胞参与和以CD8 T细胞，髓样免疫细胞或B和CD4 T细胞为主的免疫检查点。我们使用这些定义了三种主要的空间HCC免疫型，这些免疫型反映了更高水平的肿瘤内免疫细胞组织：耗尽，分隔和富集。在ICI治疗下的无进展生存期在空间免疫类型之间显着差异，富集患者的存活率提高。在肿瘤内异质性患者中，一个富集区域的存在控制了长期生存。
DNA：精细颗粒类别发现的邻域聚集
从粗制的数据中发现细粒类别是一项实用且挑剔的任务，可以在对细粒度分析的需求和高注释成本之间弥合差距。以前的作品主要集中在实例级别的歧视上，以学习低级特征，但忽略了数据之间的半敏化相似性，这可能会预见这些模型学习紧凑的集群表示。在本文中，我们提出了DeNOCORE的邻域聚集（DNA），这是一个自我监督的框架，将数据的系统结构编码到嵌入空间中。特别是，我们检索了查询的k neart邻域，作为其积极的键，以捕获数据之间的语义相似性，然后从邻居那里汇总信息以学习紧凑的群集表示，这可以使细粒类别变得更加差异。但是，检索到的邻居可能会嘈杂，并且包含许多假阳性钥匙，从而可以降低学习式床的质量。为了应对这一挑战，我们提出了三个原则，以解决这些虚假的邻居以更好地表示学习。此外，我们从理论上证明我们框架的学习目标与聚类损失相同，该损失可以捕获数据之间的语义相似性以形成紧凑的细粒簇。在三个基准数据集上进行了广泛的例证表明，我们的方法可以检索更准确的邻居（准确性提高21.31％），并以较大的利润率（平均提高了三个指标的平均9.96％）。我们的代码和数据可在https://github.com/lackel/dna上找到。
使用超像素融合、GoogleNet 和线性邻域语义分割的 SLIC 分割进行脑肿瘤分类
脑肿瘤是由于细胞不受控制地生长而产生的异常组织肿块。脑肿瘤通常会缩短寿命并在后期导致死亡。自动检测脑肿瘤是计算机辅助疾病诊断系统中一项具有挑战性且重要的任务。本文提出了一种基于深度学习的脑肿瘤分类方法。使用边缘方向总变分去噪去除脑 MRI 图像中的噪声。使用超像素融合的 SLIC 分割对脑 MRI 图像进行分割。将分割结果提供给经过训练的 GoogleNet 模型，该模型可识别图像中的肿瘤部分。一旦识别出肿瘤，便使用基于卷积神经网络 (CNN) 的改进语义分割模型对肿瘤段边缘的像素进行分类。改进的语义分割使用像素的线性邻域来进行更好的分类。由于边界处的像素被准确分类，因此最终识别出的肿瘤是准确的。实验结果表明，该方法在 GoogleNet 分类模型中的准确率为 97.3%，线性邻域语义分割的准确率为 98%。
trichoderma asperellum的邻域抑制Globiosporangium终极，并促进豌豆生长，超微结构和代谢特征
1个微生物活动单元，微生物学部，土壤，水与环境研究所，农业研究中心，吉萨12619，埃及2埃及2，塔布克大学塔布克大学科学系生物化学系，沙特阿拉伯71421； yalenazi@ut.edu.sa 3医学实验室技术系，应用医学科学学院，泰巴大学，麦地那42353，沙特阿拉伯； akhateb@taibahu.edu.sa 4种子病理学研究部，植物病理研究所，农业研究中心，吉萨12619，埃及5埃及5个中央实验室，生物技术中心实验室，植物病理研究所，农业研究中心，埃及吉萨12619，埃及； mira_ppri@yahoo.com 6 Mansoura University，Mansoura 35516的植物学系，埃及； d_darwish@mans.edu.eg *通信：zeiadmoussa@gmail.com（Z.M.）; nohamohamadt@gmail.com（N.M.E.）; wesameldin.saber@arc.sci.eg（W.I.A.S.）
b'量子图像\xef\xac\x81滤波是对经典图像\xef\xac\x81滤波算法的扩展，主要研究基于量子特性的图像\xef\xac\x81滤波模型。现有的量子图像\xef\xac\x81滤波侧重于噪声检测和噪声抑制，忽略了\xef\xac\x80滤波对图像边界的影响。本文提出了一种新的量子图像\xef\xac\x81滤波算法，实现了K近邻均值\xef\xac\x81滤波任务，在抑制噪声的同时，可以达到边界保持的目的。主要工作包括：提出一种新的用于计算两个非负整数之差绝对值的量子计算模块，从而构建了距离计算模块的量子电路，用于计算邻域像素与中心像素的灰度距离；改进现有的量子排序模块，以距离作为排序条件对邻域像素进行排序，从而构建了K近邻提取模块的量子电路；设计了K近邻均值计算模块的量子电路，用于计算选取的邻域像素的灰度均值；\xef\xac\x81最后，构建了所提量子图像\xef\xac\x81过滤算法的完整量子电路，并进行了图像去噪仿真实验。相关实验指标表明,量子图像K近邻均值\xef\xac\x81滤波算法对图像噪声抑制具有与经典K近邻均值\xef\xac\x80滤波算法相同的效果,但该方法的时间复杂度由经典算法的O 2 2 n降低为O n 2 + q 2 。
b'量子图像\xef\xac\x81滤波是对经典图像\xef\xac\x81滤波算法的扩展，主要研究基于量子特性的图像\xef\xac\x81滤波模型。现有的量子图像\xef\xac\x81滤波侧重于噪声检测和噪声抑制，忽略了\xef\xac\x80滤波对图像边界的影响。本文提出了一种新的量子图像\xef\xac\x81滤波算法，实现了K近邻均值\xef\xac\x81滤波任务，在抑制噪声的同时，可以达到边界保持的目的。主要工作包括：提出一种新的用于计算两个非负整数之差绝对值的量子计算模块，从而构建了距离计算模块的量子电路，用于计算邻域像素与中心像素的灰度距离；改进现有的量子排序模块，以距离作为排序条件对邻域像素进行排序，从而构建了K近邻提取模块的量子电路；设计了K近邻均值计算模块的量子电路，用于计算选取的邻域像素的灰度均值；\xef\xac\x81最后，构建了所提量子图像\xef\xac\x81过滤算法的完整量子电路，并进行了图像去噪仿真实验。相关实验指标表明,量子图像K近邻均值\xef\xac\x81滤波算法对图像噪声抑制具有与经典K近邻均值\xef\xac\x80滤波算法相同的效果,但该方法的时间复杂度由经典算法的O 2 2 n降低为O n 2 + q 2 。
Barrio：可定制的纳米级大脑结构空间邻域分析与比较
图 1：空间邻域的定制可扩展比较。Barrio 支持用户定义的分析场景 (a,b)，以自动调整可视化、视图参数和用户界面，用于纳米级大脑结构的比较分析。Barrio 建议最适合分析视图中正在比较的用户选择的邻域数量的比较方法 (f)。用户首先指定其分析的生物学目标 (a)，并定义用于比较不同基数（即 2 到 n 个结构）的首选可视化方法 (b)。Barrio 自动调整可视化和 UI，包括设置面板 (c)、目标类型实例的列表视图 (d)、3D 概览 (e)、定量分析视图 (f) 和详细的 3D 邻域视图 (g)。
基于化学邻域的 N4-羟基胞苷靶向景观
。CC-BY-NC-ND 4.0 国际许可，根据 提供（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 2020 年 4 月 1 日发布。；https://doi.org/10.1101/2020.03.30.016485 doi：bioRxiv 预印本