核苷碱基加成物结合MR1并刺激MR1限制性T细胞 摘要 本文概述了Vacchini等人关于MR1限制性T细胞（MR1T细胞）的最新研究成果，该研究发现了核糖核酸碱基加成物作为MR1T细胞抗原的存在，并揭示了它们在肿瘤细胞中的代谢路径和生理功能。研究成果对于理解MR1T细胞在生理和病理条件下的作用及其治疗潜力具有重要意义。 研究背景 MR1T细胞是一种新发现的T细胞亚群，它们能够识别由MR1分子呈递的自体抗原，而不依赖于微生物感染。当前，MR1T细胞的自体抗原性质尚未明确，这阻碍了我们对其生理作用和治疗潜力的理解。本研究通过结合基因、药理学和生化方法，揭示了MR1T细胞如何监测目标细胞中的代谢变化，为MR1T细胞的功能性研究提供了重要线索。 论文信息 本研究发表于2024年5月10日的《Sci...
研究背景 γδT细胞在免疫系统中扮演了重要角色，特别是在保护性免疫、稳态和组织修复方面。与传统的通过主要组织相容性复合（MHC）限制的αβT细胞不同，γδT细胞直接播种外周组织并对多种微生物刺激作出反应，而不依赖MHC-肽识别。在小鼠模型中，γδT细胞的发展是通过发育“波段”定位于屏障位置的重要时间点。这些研究为γδT细胞在早期发育过程中的关键作用提供了线索。然而，人类γδT细胞的功能在外周组织中的角色仍然不清楚，大多数研究主要集中在血液和胸腺中。鉴于这些细胞在肿瘤和某些病原体免疫反应中的作用，我们需要了解它们在不同年龄阶段和组织中的功能和分布动态。 论文来源 这篇题为“Human γδ T cells in diverse tissues exhibit site-specific mat...
关于儿童癫痫外科手术的共识研究报告 背景介绍 癫痫（epilepsy）的发病率在不同年龄段有显著变化。根据国际抗癫痫联盟（ILAE）的数据，癫痫的发病率最高的是<5岁和>65岁的人群（>60人/十万人），其中1岁以下儿童的癫痫发病率（82.1–118/十万人/年）高于年龄较大的儿童（46/十万人/年）。基于一项为期30年的抗癫痫药物（ASM）治疗队列研究，第一次使用ASM治疗可以使50.5%的患者无发作;第二次ASM的无发作可能性为11.6%，第三次治疗的额外无发作率仅为4.1%。此外，一项单中心随机试验验证了癫痫外科手术对于18岁以下药物难治性癫痫（DRE）儿童的优越性。 尽管研究者广泛承认癫痫手术对DRE的治疗价值，但由于多种因素，特别是在幼儿中，适合手术治疗的候选者存在显著的手术治疗差...
新型药物重新定位方法的网络构建与应用研究 背景 在COVID-19大流行期间，研究人员和制药公司致力于开发治疗和疫苗。药物重新定位由于捷径被认为是快速有效的应对策略。药物重新定位试图发现已批准药物的新用途，被认为比传统药物发现路径更廉价且更迅速[1–3]。例如，瑞德西韦和地塞米松就是两种成功的重新定位药物[4–6]。虽然全球疫情逐渐转向地方性阶段，病毒传播仍在继续。快速发现候选药物并提供给医学或制药领域的专家进行研究的重要性已被COVID-19大流行深刻地提醒了我们[7]。 随着生物学机制的进步和生物医学知识的收集，更准确和精确的基于计算的药物重新定位成为可能。网络药物学（network medicine）通过观察生物实体（如药物、基因和疾病）之间的复杂关系，提供候选药物[8–11]。但在新...
哮喘预测通过关联图增强分类器：基于常规血液生物标志物的机器学习方法 背景介绍 哮喘是一种影响全球约2.35亿人的慢性呼吸系统疾病。据世界卫生组织（World Health Organization, WHO）统计，哮喘病的主要特点是气道炎症，导致哮喘患者出现喘息、呼吸急促和胸闷等症状。为了有效管理和治疗哮喘，及时准确的诊断至关重要。然而，传统的哮喘诊断方法往往结合病史、体格检查和肺功能测试，不仅昂贵，还由于某些患者的非典型症状，使得诊断时间延长或误诊。此外，儿童哮喘的诊断尤为困难，传统方法的耗时特性可能会加重这一问题。 随着机器学习（Machine Learning, ML）的发展，在分析医疗数据、识别模式和生成预测方面展现了巨大潜力。本研究旨在利用关联图增强分类器（Affinity Gra...
预测未来疾病：时间知识图谱和医学本体的融合 电子健康记录（Electronic Health Records，EHRs）是现代医疗机构不可或缺的工具。它们记录了患者的详细健康历史，包含人口统计数据、药物、实验室结果和治疗计划。这些数据不仅可以改善医疗服务之间的衔接和协调，还能帮助医疗提供者发现健康趋势并做出数据驱动的决策，从而提高患者的整体护理质量。然而，EHRs中存储的大部分数据是非结构化的，特别是由临床医生撰写的描述患者健康状况的自由文本数据，这给信息提取和有效利用带来了巨大的挑战。 为了应对这一挑战，许多研究尝试通过自然语言处理（Natural Language Processing，NLP）技术从非结构化数据中提取相关信息并将其链接到医学本体。最近的研究中，知识图谱（Knowledg...
医学关系抽取与知识图谱推荐结合的研究报告 背景介绍 在医学领域，文献的爆炸式增长使得研究人员难以及时跟踪各自领域内的最新进展。从自然语言处理（NLP）领域来看，不断发展的自动化工具能够帮助识别和提取非结构化文本中的相关信息，这一任务被称为关系抽取（Relation Extraction，RE）。RE的主要目标是从文本中提取和分类医学实体之间的关系，增强我们对生物医学过程的理解。 目前，大多数尖端的医学RE系统使用深度学习方法，主要针对同类型实体间的关系，如基因和药物等实体。然而，这些系统大多仅限于从文本直接提取的信息，忽略了专门领域的知识库，如本体论（Ontology），这些本体论通常结构化为有向无环图（Directed Acyclic Graphs，DAG）。 另一方面，基于知识图谱（Kn...
基于知识增强的图主题Transformer在可解释生物医学文本摘要中的应用 研究背景 由于生物医学文献发表量持续增加，自动生物医学文本摘要任务变得愈加重要。2021年，仅在PubMed数据库中就发表了1,767,637篇文章。现有的基于预训练语言模型（Pre-trained Language Models，简称PLMs）的摘要方法虽然提升了摘要性能，但在捕捉领域特定知识和结果可解释性方面存在显著局限。这可能导致生成的摘要缺乏连贯性，包括冗余句子或重要领域知识的遗漏。此外，变压器模型的黑箱特性使得用户难以理解摘要生成的原因和方式，因此在生物医学文本摘要中，包含领域特定知识和可解释性对提高准确性和透明度至关重要。 研究来源 本文的论文由Qianqian Xie、Prayag Tiwari（IEE...
分层注意力关系网络在诊断预测中的应用 近年来，电子健康记录（Electronic Health Records，简称EHR）在提高医疗决策、在线疾病检测和监测方面变得极为有价值。同时，基于深度学习的方法在利用EHR进行健康风险预测和诊断预测方面也取得了巨大的成功。然而，深度学习模型通常需要大量的数据，由于参数的庞大数量。此外，EHR数据中存在大量罕见的医学代码，这对临床应用带来了巨大的挑战。因此，一些研究提出采用医学本体来增强预测性能并提供可解释的预测结果。然而，这些医学本体通常规模较小且粒度较粗，缺乏许多诊断和医学概念，更不用说这些概念之间的各种关系了。 为了克服这一限制，本文提出将现有的大规模医学知识图谱（Knowledge Graph，简称KG）结合到诊断预测中，并设计了一种名为HAR...
本研究探讨了神经纤维瘤病1型（neurofibromatosis type 1, NF1）相关的丛状神经纤维瘤（plexiform neurofibroma, PNF）中Schwann细胞和成纤维细胞之间的相互作用。研究的背景源于NF1的高发病率，约影响全球1/3000的新生儿，并伴随一系列独特的临床表现。PNF是NF1患者中常见的周围神经鞘瘤，约50%的患者罹患此疾病，并严重影响其生活质量。尽管经过数十年的研究，PNF依然无法治愈。现有的治疗方法主要针对NF1相关的Schwann细胞，并取得了一些临床疗效。然而，许多治疗方法，如选择性MEK抑制剂Selumetinib，仅对部分患者有效，且长期使用会导致耐药性。这促使研究人员将目光转向PNF中的成纤维细胞及其在肿瘤中异常增殖和胶原沉积的作用...