XiaoMi-AI文件搜索系统
World File Search System邻接矩阵
PGCN：用于脑电图识别的金字塔图卷积网络
摘要 - 情感识别对于各种精神疾病的诊断和康复至关重要。在过去的十年中，由于其突出的准确性和可靠性，对基于脑电图（EEG）的情绪识别进行了深入研究，并且图形卷积网络（GCN）已成为解释EEG信号的主流模型。然而，尽管已证明这种关系在情感识别中很重要，但电极关系，尤其是整个头皮的远距离触发依赖性。小型接受领域仅使较浅的GCN仅聚集局部淋巴结。另一方面，堆叠太多的层会导致过度光滑。为了解决这些问题，我们提出了锥体图卷积网络（PGCN），该网络汇总了三个级别的特征：局部，中镜和全局。首先，我们基于电极的3D拓扑关系构建一个香草GCN，该拓扑关系用于整合两阶局部特征。其次，我们基于先验知识构建了几个介观脑区域，并采用介观的关注来依次计算虚拟的介观中心，以关注介观脑区域的功能连接；最后，我们融合了节点特征及其3D位置，以构建数值关系邻接矩阵，以从全局的角度整合结构和功能连接。在三个公共数据集上的实验结果表明，PGCN在头皮上增强了关系模式，并在受试者独立的场景和主题独立的方案中实现了最先进的性能。同时，PGCN在增强网络深度和接受领域之间做出了有效的权衡，同时抑制了随之而来的过度光滑。我们的代码可在https://github.com/jinminbox/pgcn上公开访问。
从 TPM2 获得的新见解
材料与方法 AS 数据集 本研究中，我们从基因表达综合 (GEO) 数据库 (http://www.ncbi.nlm.nih.gov/geo/) 中获得了 AS 的转录组表达谱 GSE43292 (GPL6244)、GSE57691 (GPL10558) 和 GSE125771 (GPL17586)（表 S1）。使用 R 包“limma”对 GSE43292、GSE57691 和 GSE125771 进行探针汇总、合并和背景校正。 微环境评分 ESTIMATE 算法主要基于单个样本的基因集富集分析 (GSEA)，利用表达谱数据对基质细胞和免疫细胞进行评分，然后预测这两类细胞的含量。本研究采用ESTIMATE算法对动脉微环境进行评分，并使用R包绘制微环境评分的散点图，以展示样本与评分之间的关系。TPM2与微环境评分的关系以基质、免疫和ESTIMATE评分作为对差异基因筛选确定的基因进行分组的依据。使用R包“limma”研究TPM2与微环境评分之间的关系。使用受试者工作特征（ROC）曲线检验微环境评分与TPM2关系的诊断价值。加权基因共表达网络分析（WGCNA）使用R包“WGCNA”对所有基因进行WGCNA。对于WGCNA，使用72个AS样本和42个正常样本构建所有基因的共表达网络。使用样本创建邻接矩阵，然后将其转换为拓扑重叠矩阵（TOM）。利用基于TOM的差异测量方法将基因划分为不同的基因模块，最小基因模块>100，相似模块合并的阈值为0.1，利用这些值寻找在AS中发挥重要作用的模块。同时，还利用WGCNA预测模块中基因之间的互连，然后将数据导入Cytoscape软件以绘制基因之间的连接图。还利用基因本体论（GO）分析对TPM2进行了分析，并使用Cytoscape中的BiNGO插件将结果可视化。Cytoscape软件可以为生物学家提供生物网络分析和二维（2D）可视化。BiNGO插件是一种用于确定哪些GO类别在一组基因或生物网络的子图中具有统计过度表达的工具。BiNGO将给定基因集的主要功能主题映射到GO层次结构上，并将此映射输出为Cytoscape图。功能富集分析GSEA是一种可以对全基因组进行GO和KEGG（京都基因和基因组百科全书）分析的计算方法。在我们的研究中，我们根据TPM2的表达水平对样本进行分组，并使用GSEA对全基因组进行GO和KEGG分析。单基因分析 使用 R 包“limma”进行单基因差异分析。 鉴定与 AS 相关的 TPM2 比较毒理基因组学数据库 (CTD 数据库，http://ctdbase.org/) 可用于预测基因/蛋白质与疾病之间的关系。在我们的研究中，使用该数据库分析了 TPM2 与 AS 之间的关系。