TDP-43 loss brings RNA to a twist ending
研究表明，在肌萎缩侧索硬化症（ALS）中，RNA结合蛋白TDP-43的缺失不仅导致mRNA剪接的广泛失调，还影响mRNA的3′末端切割和多腺苷酸化，从而进一步影响mRNA代谢和蛋白表达。这一发现为ALS的机制研究提供了新的视角，具有重要的科学和临床意义。
Integrated epigenetic and genetic programming of primary human T cells
研究开发了一种基于RNA的CRISPR技术平台，能够在初级人类T细胞中实现高效的多重表观遗传编程。该技术通过CRISPRoff实现持久的基因沉默，显著增强了CAR-T细胞的抗肿瘤能力，具有重要的商业潜力和临床应用价值。
Driving forces in the assembly of lipid nanoparticles containing mRNA revealed by molecular dynamics simulations at acidic and physiological pH
本研究通过分子动力学模拟探讨了在酸性和生理pH条件下，mRNA脂质纳米颗粒的组装驱动因素。结果表明，电荷状态和pH对脂质纳米颗粒的自组装和稳定性具有重要影响，尤其是在mRNA递送系统中的应用潜力。研究强调了在组装初期保持正电荷脂质的必要性，以确保有效的mRNA包封，同时在生理pH下中和脂质以增强脂质间相互作用，从而提高纳米颗粒的稳定性。
FAM83A is a prognostic biomarker for lung squamous cell carcinoma and correlated with immunoregulation
FAM83A被确认是肺鳞状细胞癌（LUSC）的预后生物标志物，其高表达与患者的不良预后相关。研究通过多中心回顾性分析，建立了基于FAM83A表达的预后模型，显示出良好的临床适用性和预测准确性。此外，FAM83A的表达还与免疫细胞浸润及免疫调节过程相关，为LUSC的治疗提供了新的生物标志物和潜在靶点。
On-genetic inactivation of caspase-3 and P53 increases cancer cell fitness by PDIA4 redistribution
研究揭示了ER应激和未折叠蛋白反应（UPR）在癌细胞化疗耐药中的重要作用，特别是PDIA4通过抑制caspase-3和p53活性来增强癌细胞的生存能力。该机制为癌症治疗提供了新的靶点，尤其是在化疗耐药的背景下。研究表明，PDIA4的高表达与结直肠癌患者的预后不良相关，强调了其作为潜在治疗靶点的价值。
Psychometric evaluation of an instrument measuring artificial intelligence utilization in decision-making domains of healthcare organizations
该研究开发了一种有效的工具，用于评估医疗组织中人工智能的利用程度，并验证了其有效性和可靠性。研究结果显示，伊朗医疗组织中人工智能的利用水平普遍较低，强调了在医疗决策领域的应用潜力。该工具为政策制定者和管理者提供了重要的数据支持，以促进人工智能在医疗决策中的整合。
DANet a lightweight dilated attention network for malaria parasite detection
DANet是一种创新的轻量级深度学习模型，专注于疟疾寄生虫的检测。通过引入Dilated Attention Block，该模型在NIH Malaria Dataset上实现了97.95%的分类准确率，展现出卓越的性能和较低的计算需求，适合在资源有限的环境中使用。研究强调了疟疾的全球健康挑战，并推动了对检测技术的投资，表明该技术在临床应用中的潜力。
SATU-net: a shadow adaptive tracing U-net for gastric cavity segmentation based on the principle of ultrasound imaging
SATU-net是一种新型的阴影自适应追踪U-net模型，专为胃腔超声图像分割设计。该模型通过引入自适应阴影追踪模块和仿射变换机制，有效解决了超声影像中的阴影问题，显著提高了分割精度。研究表明，SATU-net在多种临床场景中表现出优越的性能，具有广泛的应用潜力，尤其是在胃癌早期检测和诊断中。
Multimodal prediction of metastatic relapse using federated deep learning in soft-tissue sarcoma with a complex genomic profile
本研究开发了SarcNet，一个基于多模态深度学习的算法，用于预测软组织肉瘤患者的转移复发。通过联邦学习技术，该模型在多个医疗中心的数据上进行训练，确保患者隐私的同时提升了预测准确性。SarcNet在交叉验证中达到了0.797的AUC，显示出其在临床决策中的潜力，尤其是在识别高风险患者方面。该研究为AI在肿瘤预测中的应用提供了新的视角，具有重要的商业价值。
A deep learning framework with hybrid stacked sparse autoencoder for type 2 diabetes prediction
The study presents a novel Hybrid Stacked Sparse Autoencoder (HSSAE) algorithm for predicting Type 2 diabetes, demonstrating superior performance over traditional machine learning and deep learning models. The algorithm achieved an accuracy of 93% on the EHRs diabetes prediction dataset, effectively managing sparse data challenges. Key contributions include a custom hybrid loss function and robust feature selection techniques, enhancing predictive accuracy and reliability. The findings underscore the potential of HSSAE in clinical applications, particularly for early diabetes detection.
Super-resolution X-ray tomography using deep learning applied to the 3D quantification of defects in lattice structures
该研究提出了一种基于深度学习的超分辨率X射线断层成像方法，旨在提高多尺度材料（如钢格子结构）中缺陷的检测与量化能力。通过设计综合的超分辨率工作流程，研究者成功地在合理的时间内实现了高分辨率成像，显著改善了图像质量和缺陷的量化精度。研究结果表明，该方法在材料科学领域具有广泛的应用潜力，尤其是在金属增材制造和其他复杂材料的缺陷检测中。
Representation learning enables robust single cell phenotyping in whole slide liquid biopsy imaging
本研究提出了一种基于深度对比学习的框架，用于从液体活检的全切片图像中提取单细胞特征，显著提高了肿瘤相关细胞的分类准确性。该方法能够自动识别和计数稀有细胞表型，具有92.64%的分类准确率和0.93的F1分数，展示了其在癌症监测和个性化治疗中的潜力。研究结果表明，该技术在肿瘤学领域具有重要的临床应用价值，适合早期投资。
Comprehensive analysis of microRNA expression provides mechanistic insights into transcriptomic alteration in primary and metastatic testicular germ cell tumors
本研究对睾丸生殖细胞肿瘤（TGCT）中miRNA表达进行了全面分析，识别了潜在的诊断生物标志物。通过对43个样本的miRNA测序，发现154种miRNA在纯精原细胞（SEM）中富集，141种在非精原细胞（N-SEM）中富集。研究结果与TCGA数据高度一致，表明这些miRNA可能在TGCT的诊断和治疗中具有重要应用潜力。
Enhancer activation from transposable elements in extrachromosomal DNA
本研究揭示了转座元件在癌细胞中的增强子活性，特别是EIE 14在MYC基因表达中的作用。研究表明，ecDNA能够通过转座元件的激活影响肿瘤进展，提供了新的癌症治疗靶点和生物标志物的潜力。该研究为肿瘤学领域的创新性治疗策略提供了重要的科学依据。
Lightweight self supervised learning framework for domain generalization in histopathology
HistoLite是一种轻量级自监督学习框架，旨在解决病理图像中的领域偏差问题，具有较强的跨扫描仪泛化能力。研究表明，HistoLite在乳腺癌分类任务中的表现优于传统大型模型，适合资源有限的医疗机构。该框架通过自监督学习和双流对比自编码器架构，能够在较小的数据集上进行训练，提供了对扫描仪偏差的鲁棒性。