-
外周炎症生物标志物在帕金森病中的临床应用:临床相关性、疾病进展监测与基于炎症的亚型分层的意义
随着对神经炎症在帕金森病(PD)中作用的深入认识,外周炎症的潜在影响日益受到关注,但相关生物标志物的临床适用性和机制关联尚不明确。为探究外周炎症指标与PD临床特征的关联,研究团队基于PPMI队列数据,分析了六种外周炎症指数。结果显示,NLR与SII在PD患者中显著升高,且与运动及非运动症状、疾病进展显著相关。通过聚类分析识别出“高炎症”亚组,其基线认知、嗅觉等功能更差,且运动与认知衰退速度更快,脑脊液神经退行性标志物水平也更高。该研究发表于《Cellular and Molecular Neurobiology》,表明外周炎症生物标志物与PD临床特征存在稳健关联,为基于炎症的疾病亚组划分和进展监测提供了新依据。
来源:Cellular and Molecular Neurobiology
时间:2026-03-09
-
一项多组学比较研究揭示了氟西汀(Fluoxetine)和圣约翰草提取物(St. John’s wort extract)在抗抑郁机制上的共性与差异
抑郁药物治疗机制比较:氟西汀与圣约翰草提取物多组学分析揭示神经可塑性、炎症通路及突触可塑性的差异与共性
来源:Journal of Proteomics
时间:2026-03-09
-
长期暴露于环境中的细颗粒物和室内氡气对青少年大脑皮层下结构的独特影响
青少年长期暴露于室内氡和室外PM2.5的影响:MRI显示氡暴露与腹侧被盖区及杏仁核灰质体积增大相关,PM2.5未发现显著关联或交互效应
来源:NeuroToxicology
时间:2026-03-09
-
传感器运动驱动了主动神经元胞自动机中的注意力机制与可扩展性
本研究提出基于神经细胞自动机(ANCA)的主动感知模型,受大脑皮层结构启发,通过动态传感器运动实现图像分类。实验表明,ANCA在MNIST等任务中保持90%以上零样本精度,系统可按需扩展或缩减规模,并在70%传感器失效时仍维持性能,为具身智能系统提供新思路。
来源:Neural Networks
时间:2026-03-09
-
在参数不确定性的情况下,用于模糊惯性神经网络有限/固定时间同步的双机制自适应控制
有限时间内同步与固定时间内同步模糊惯性神经网络的研究,提出基于降阶和非降阶方法的自适应控制框架,结合Lyapunov稳定性理论和相关引理,确保在参数不确定条件下实现快速收敛和可预测的同步精度。
来源:Neural Networks
时间:2026-03-09
-
LLM-SDaT:一种基于知识的信息型大型语言模型(LLM)框架,用于中医中的症候鉴别
中医证候鉴别与治疗生成的大语言模型知识融合框架,采用LoRA微调方法构建TCMSD100和TCMSDaT100结构化数据集,实现85.19%的F1分数提升。
来源:Neural Networks
时间:2026-03-09
-
基于投影的令牌化技术结合伪特征学习,用于超声图像中卵巢病变的分割
卵巢超声图像分割中,针对病灶大小形状多变及与背景纹理相似问题,提出基于Radon投影与伪特征学习的RPPLM模型。通过Radon变换获取全局结构投影特征,结合Transformer的全局建模能力,同时引入伪前景背景区域注意力机制增强 foreground特征提取,在多个数据集上验证优于现有SOTA方法,并具备跨器官泛化能力。
来源:Neural Networks
时间:2026-03-09
-
将图结构与知识引导编辑相结合,以实现可解释的时间知识图谱推理
时空知识图谱推理中,现有方法存在结构信息利用不足和推理结果不可靠问题。本文提出IGETR框架,通过三阶段流程整合图神经网络和语言模型优势:首先用时空GNN提取结构化推理路径,接着通过LLM编辑机制解决逻辑矛盾,最后用图Transformer动态融合多跳证据。实验表明,IGETR在ICEWS等基准数据集上相比基线模型Hits@1和Hits@3分别提升5.6%和8.1%,且推理路径具有更强的可解释性和时序一致性。
来源:Neural Networks
时间:2026-03-09
-
将大型语言模型集成到多租户建筑的点对点能源管理中:一种确保系统韧性的保障机制
提出并验证了Planner-Supervisor-Executor架构,通过确定性监督器解决LLMs可靠性问题,结合MILP-MPC优化和动态P2P定价机制,确保系统安全、经济公平,并在模拟中实现显著成本节约和能源自给率提升64%。
来源:Neural Networks
时间:2026-03-09
-
通过原始-对偶神经逼近学习凸集边界,并应用于可达集的计算
高效凸集边界计算框架KAN-PDNN通过双网络联合优化和KKT条件嵌入实现高维约束优化问题的快速边界估计,在多个基准测试中验证了其超越传统优化方法和现有神经网络的性能优势。
来源:Neural Networks
时间:2026-03-09