-
种族/民族、性别及APOE ε4在西班牙裔与非西班牙裔白人成人血浆炎症谱中的交叉影响
:尽管已知炎症与阿尔茨海默病(Alzheimer’s Disease, AD)之间的联系,但人们对炎症过程如何在不同种族/民族和性别群体中变化,尤其是在与主要遗传风险因子载脂蛋白E ε4等位基因(Apolipoprotein E ε4, APOE4)的关系上,
来源:Brain, Behavior, & Immunity - Health
时间:2026-05-16
-
MicroRNA-124靶向重组寨卡病毒:兼具疫苗接种与溶瘤病毒治疗功能的双功能安全候选株
寨卡病毒(Zika virus, ZIKV)因其显著的嗜神经性及与先天性寨卡综合征(Congenital Zika Syndrome, CZS)的关联,仍是重要的公共卫生威胁。然而,这种嗜神经性也为利用ZIKV作为溶瘤病毒(oncolytic virus)治疗
来源:Journal of Virology
时间:2026-05-16
-
对情感性句子的神经反应揭示了抑郁症的特征
摘要重度抑郁症(MDD)是一种普遍存在的心理健康问题,深入理解其神经认知基础对于探究情绪处理和自我参照处理等核心功能如何受到影响至关重要。我们通过使用表面脑电图(EEG)测量健康个体和抑郁症患者对自我参照性情感句子的神经反应,来研究抑郁症状如何改变情绪处理的时间动态。研究结果表明
来源:Translational Psychiatry
时间:2026-05-16
-
Tomentosin 通过选择性诱导小胶质细胞的焦亡(pyroptosis)来克服氟西汀(fluoxetine)难治性抑郁症:一项基于网络的药物发现研究
摘要治疗难治性抑郁(TRD)是重度抑郁症(MDD)中的一个临床难题,影响着高达三分之一的患者,且与自杀风险增加和治疗选择有限相关。累积证据表明,病理性小胶质细胞状态和炎症小体诱导的焦亡是TRD病理生理学的关键因素。本研究旨在验证tomentosin作为一种基于网络识别的抗抑郁药物
来源:Translational Psychiatry
时间:2026-05-16
-
综述:回忆自己所做的事情:与自我行为相关的情景记忆
马坦·马佐尔(Matan Mazor)|西尔维娅·塞格泽齐(Silvia Seghezzi)|桑杰·马诺哈尔(Sanjay Manohar)•我们指出了自我行为记忆在人类认知中发挥的三个关键作用:a) 它为理解环境的其他方面提供了基础(“我记得自己骑车穿过繁忙的市中心,所以河边的
来源:Neuroscience & Biobehavioral Reviews
时间:2026-05-16
-
基于散射中心的单静态雷达截面积预测
唐泽豪|罗宇轩|张硕|冷彪摘要雷达截面(RCS)是一种基本的电磁特性,用于描述物体如何散射入射的雷达信号。近年来,基于学习的方法在近场电磁计算和RCS估计方面展现出了巨大的潜力。然而,大多数现有方法主要关注捕捉物体的整体结构,往往忽略了表面细节的影响。由于整体几何形状和表面细节都
来源:Neural Networks
时间:2026-05-16
-
VPAF-FSCIL:虚拟原型校准与参数自适应冻结技术,用于少样本类增量学习
叶瑶|李俊熙|熊晨摘要类增量学习(Class Incremental Learning,CIL)使模型能够在保留对先前学习过的类别知识的同时,学习图像中的新类别。然而,传统的CIL方法假设新类别有充足的数据,这在自动驾驶和医学诊断等实际应用中往往是不现实的。少样本类增量学习(Fe
来源:Neural Networks
时间:2026-05-16
-
通过异常感知的模糊图融合与 diffusion 多中心学习进行无监督特征选择
周青妍|马志平|马金林|李慧荣•本文提出了一种基于异常检测的图学习机制,该机制将局部异常因子重新定义为连续的可靠性指标,并将其嵌入图学习过程中,从而动态地建模样本的可靠性,并有效降低不可靠或噪声样本的权重,以防止邻域分配的失真。•提出了一种模糊图融合框架,用于整合具有不同不确定性
来源:Neural Networks
时间:2026-05-16
-
MaskCtrl:通过深度强化学习将训练掩码网络转化为具有自解释能力和高性能的控制器
史鹏|司刘|大鹏志|王佩鑫|张敏摘要在深度强化学习(DRL)中,可解释性对于确保安全且负责任的控制至关重要。大多数解释方法都是离线训练解释模型(例如掩码网络)的,这些模型是从系统轨迹中独立训练出来的,导致训练过程与环境中对扰动状态的反馈脱节。这种脱节常常会导致特征重要性错位,即关
来源:Neural Networks
时间:2026-05-16
-
MUP-SAM:一种多尺度视觉模型,基于Mamba UNet框架进行prompt生成,用于多器官医学图像分割中的SAM(Segmentation by Association)任务
吕阳通|姜静文|杜波•我们提出了一种无需提示的多器官分割(SAM)框架,名为 MUP-SAM。该框架引入了多尺度视觉Mamba UNet作为辅助分割网络,为SAM生成框状提示,从而显著提高了SAM的效率,并在多器官分割任务中获得了更好的准确性。•MUP-SAM引入了一个 提示后处
来源:Neural Networks
时间:2026-05-16