Phù tủy là gì? Các công bố khoa học về Phù tủy

Tóm tắt —Nguồn lực Nghiên cứu Đối với Tín hiệu Sinh lý Phức tạp mới ra mắt, được tạo ra dưới sự bảo trợ của Trung tâm Nguồn lực Nghiên cứu Quốc gia của Viện Y tế Quốc gia, nhằm kích thích các nghiên cứu hiện tại và khám phá mới trong nghiên cứu các tín hiệu tim mạch và các tín hiệu sinh y học phức tạp khác. Nguồn lực này có 3 thành phần phụ thuộc lẫn nhau. Ngân hàng Sinh lý (PhysioBank) là một kho lưu trữ lớn và đang phát triển nhanh các bản ghi kỹ thuật số được xác định rõ về tín hiệu sinh lý và dữ liệu liên quan để sử dụng bởi cộng đồng nghiên cứu sinh y học. Hiện tại, nó bao gồm các cơ sở dữ liệu về tín hiệu sinh y học đa thông số từ hệ tim-phổi, thần kinh và các cơ sở dữ liệu khác từ những người khỏe mạnh cũng như từ các bệnh nhân mắc nhiều tình trạng khác nhau có ý nghĩa lớn đối với sức khỏe cộng đồng, bao gồm loạn nhịp nguy hiểm đến tính mạng, suy tim sung huyết, ngưng thở khi ngủ, rối loạn thần kinh và lão hóa. Bộ công cụ Sinh lý (PhysioToolkit) là một thư viện phần mềm nguồn mở cho xử lý và phân tích tín hiệu sinh lý, phát hiện các sự kiện có ý nghĩa sinh lý sử dụng cả kỹ thuật cổ điển và phương pháp mới dựa trên vật lý thống kê và động lực phi tuyến, hiển thị và mô tả tín hiệu tương tác, tạo cơ sở dữ liệu mới, mô phỏng các tín hiệu sinh lý và tín hiệu khác, đánh giá định lượng và so sánh các phương pháp phân tích, và phân tích các quá trình không ổn định. Mạng Sinh lý (PhysioNet) là diễn đàn trực tuyến để phổ biến và trao đổi các tín hiệu sinh y học đã ghi và phần mềm nguồn mở để phân tích chúng. Nó cung cấp các cơ sở cho việc phân tích hợp tác dữ liệu và đánh giá các thuật toán mới được đề xuất. Ngoài việc cung cấp quyền truy cập điện tử miễn phí vào dữ liệu của PhysioBank và phần mềm của PhysioToolkit thông qua Mạng Lưới Toàn Cầu (http://www.physionet.org), PhysioNet cung cấp các dịch vụ và đào tạo thông qua các hướng dẫn trực tuyến để hỗ trợ người dùng với các mức độ chuyên môn khác nhau.

Các bản đồ tham số thống kê là các quá trình thống kê mở rộng về mặt không gian được sử dụng để kiểm tra giả thuyết về các hiệu ứng đặc thù theo vùng trong dữ liệu chụp não. Các loại bản đồ tham số thống kê đã được thiết lập lâu dài nhất (ví dụ, Friston et al. [1991]: J Cereb Blood Flow Metab 11:690–699; Worsley et al. [1992]: J Cereb Blood Flow Metab 12:900–918) dựa trên các mô hình tuyến tính, chẳng hạn như ANCOVA, hệ số tương quan và t tests. Theo nghĩa rằng các ví dụ này đều là các trường hợp đặc biệt của mô hình tuyến tính tổng quát, thì việc triển khai chúng (và nhiều trường hợp khác) trong một khuôn khổ thống nhất là khả thi. Chúng tôi trình bày tại đây một phương pháp tổng quát có thể thích ứng với hầu hết các dạng bố trí thí nghiệm và phân tích tiếp theo (thí nghiệm được thiết kế với các hiệu ứng cố định cho các yếu tố, biến đồng covariates và tương tác giữa các yếu tố). Phương pháp này kết hợp hai lý thuyết đã được xác lập (mô hình tuyến tính tổng quát và lý thuyết về các trường Gaussian) để cung cấp một khuôn khổ hoàn chỉnh và đơn giản cho việc phân tích dữ liệu hình ảnh.

Ý nghĩa của khuôn khổ này có hai điểm: (i) Sự đơn giản về mặt khái niệm và toán học, trong đó cùng một số lượng nhỏ các phương trình hoạt động được sử dụng bất kể độ phức tạp của thí nghiệm hoặc tính chất của mô hình thống kê và (ii) tính tổng quát của khuôn khổ mang đến sự linh hoạt lớn trong thiết kế và phân tích thí nghiệm. © 1995 Wiley‐Liss, Inc.

Việc sử dụng cả mô hình hỗn hợp tuyến tính và mô hình hỗn hợp tuyến tính tổng quát (LMMs và GLMMs) đã trở nên phổ biến không chỉ trong khoa học xã hội và y khoa mà còn trong khoa học sinh học, đặc biệt trong lĩnh vực sinh thái học và tiến hóa. Các tiêu chí thông tin, chẳng hạn như Tiêu chí Thông tin Akaike (AIC), thường được trình bày như các công cụ so sánh mô hình cho các mô hình hỗn hợp.

Chúng tôi trình bày một cách cải thiện ước tính tiếp tuyến nội bộ trong phương pháp băng đàn hồi điều chỉnh nhằm tìm kiếm đường dẫn năng lượng tối thiểu. Trong các hệ thống mà lực dọc theo đường dẫn năng lượng tối thiểu là lớn so với lực phục hồi vuông góc với đường dẫn và khi nhiều hình ảnh của hệ thống được bao gồm trong băng đàn hồi, các nếp gấp có thể phát triển và ngăn cản băng hội tụ vào đường dẫn năng lượng tối thiểu. Chúng tôi chỉ ra cách các nếp gấp phát sinh và trình bày một cách cải thiện ước tính tiếp tuyến địa phương để giải quyết vấn đề này. Nhiệm vụ tìm kiếm chính xác năng lượng và cấu hình cho điểm yên ngựa cũng được thảo luận và các ví dụ cho thấy phương pháp bổ sung, phương pháp dimer, được sử dụng để nhanh chóng hội tụ đến điểm yên ngựa. Cả hai phương pháp chỉ yêu cầu đạo hàm cấp một của năng lượng và do đó có thể dễ dàng áp dụng trong các tính toán lý thuyết hàm mật độ dựa trên sóng phẳng. Các ví dụ được đưa ra từ nghiên cứu về cơ chế khuếch tán trao đổi trong tinh thể Si, sự hình thành Al addimer trên bề mặt Al(100) và sự hấp phụ phân ly của CH4 trên bề mặt Ir(111).

Một phương pháp nhanh chóng được mô tả để loại bỏ hiệu quả các tế bào mang immunoglobulin từ các huyết thanh lách hoặc hạch bạch huyết của chuột đã được kích hoạt hoặc chưa được kích hoạt. Việc ủ các huyết thanh tế bào trong các cột len nylon trong 45 phút tại 37 °C dẫn đến việc giảm từ 9 đến 100 lần số lượng tế bào mang immunoglobulin và làm giàu bổ sung từ 1,5 đến 2 lần tế bào T trong các quần thể chất thải của cột.

Dân số chất thải, xuất phát từ việc đi qua các tế bào lách qua những cột này, gần như không có hoạt động của tiền thân tế bào B và tế bào ghi nhớ, nhưng chứa toàn bộ hoạt động tiền thân của tế bào trợ giúp và tế bào hiệu ứng sát thủ khi so sánh với các tế bào lách chưa được phân tách.

Tóm tắt. Cả sai số bình phương trung bình (RMSE) và sai số tuyệt đối trung bình (MAE) đều thường được sử dụng trong các nghiên cứu đánh giá mô hình. Willmott và Matsuura (2005) đã đề xuất rằng RMSE không phải là một chỉ số tốt về hiệu suất trung bình của mô hình và có thể là một chỉ báo gây hiểu lầm về sai số trung bình, do đó MAE sẽ là một chỉ số tốt hơn cho mục đích đó. Mặc dù một số lo ngại về việc sử dụng RMSE được Willmott và Matsuura (2005) và Willmott et al. (2009) nêu ra là có cơ sở, sự đề xuất tránh sử dụng RMSE thay vì MAE không phải là giải pháp. Trích dẫn những bài báo đã nói ở trên, nhiều nhà nghiên cứu đã chọn MAE thay vì RMSE để trình bày thống kê đánh giá mô hình của họ khi việc trình bày hoặc thêm các chỉ số RMSE có thể có lợi hơn. Trong ghi chú kỹ thuật này, chúng tôi chứng minh rằng RMSE không mơ hồ trong ý nghĩa của nó, trái ngược với những gì được Willmott et al. (2009) tuyên bố. RMSE thích hợp hơn để đại diện cho hiệu suất của mô hình khi phân phối sai số được kỳ vọng là phân phối Gaussian. Ngoài ra, chúng tôi chỉ ra rằng RMSE thỏa mãn yêu cầu bất đẳng thức tam giác cho một chỉ số đo khoảng cách, trong khi Willmott et al. (2009) chỉ ra rằng các thống kê dựa trên tổng bình phương không thỏa mãn quy tắc này. Cuối cùng, chúng tôi đã thảo luận về một số tình huống mà việc sử dụng RMSE sẽ có lợi hơn. Tuy nhiên, chúng tôi không tranh cãi rằng RMSE ưu việt hơn MAE. Thay vào đó, một sự kết hợp của các chỉ số, bao gồm nhưng chắc chắn không giới hạn ở RMSEs và MAEs, thường cần thiết để đánh giá hiệu suất của mô hình.\n

Trong bài báo này, chúng tôi mô tả một phương pháp đơn giản để tách biệt các tiểu đảo nguyên vẹn từ tuyến tuỵ của chuột bạch bình thường. Phương pháp này dựa trên việc phá vỡ mô acinar bằng cách tiêm dung dịch Hanks vào hệ thống ống dẫn tụy, sau đó ủ tuyến tuỵ trong môi trường collagenase. Các tiểu đảo có thể được tách nhanh chóng khỏi hỗn hợp này bằng phương pháp lắng. Các tiểu đảo đã được tách ra có khả năng giải phóng insulin trong môi trường nuôi cấy và hiện ra bình thường qua hiển vi sáng và điện tử sau khi ủ. Một phương pháp ly tâm cũng được mô tả để tách biệt một lượng lớn tiểu đảo phục vụ cho các nghiên cứu sinh hóa.

Đề xuất một phương pháp để thu được các giải pháp sóng đi của các phương trình sóng phi tuyến có tính chất chủ yếu là dạng tập trung. Phương pháp này dựa trên thực tế rằng hầu hết các giải pháp là các hàm của tang hyperbolic. Kỹ thuật này dễ dàng sử dụng và chỉ cần một lượng đại số tối thiểu để tìm ra những giải pháp này. Phương pháp được áp dụng cho các trường hợp được chọn.