Уникальные публикации PubMed, Europe PMC и Crossref, сохранённые в библиотеке. Одна статья учитывается один раз, даже если получена из нескольких источников. Личные исследования и документы команд не публикуются.
Идёт проверка счётчикаДоступно в поиске—
Публикации, уже подготовленные для быстрого поиска. Остальная библиотека подключается в фоне.
Переведено на русский—
Готовые переводы среди доступных в поиске публикаций. Автоматический медицинский перевод и проверка специалистом учитываются отдельно.
Полные тексты—
Найденные полные тексты среди доступных в поиске публикаций. Доступность определяется первоисточником и условиями использования.
Оригиналов на русском—
Русскоязычные оригиналы доступны без ожидания перевода. Ниже — языки остальных оригиналов; для них готовится медицинский перевод на русский.
Пополняем библиотеку по диагнозам—Проверяем состояние обновлений
Для каждого диагноза из справочника МКБ-10 ищем связанные публикации в научных базах и добавляем их в библиотеку. Числа ниже — диагнозы, а не статьи.
Если сбор прервался, тема требует повторной попытки. Уже сохранённые статьи остаются в библиотеке.
Нажмите на показатель для подробностей. Показатели поиска обновляются автоматически; размер всей библиотеки сверяется отдельно. Время последней проверки указано явно.
Результаты поиска
1863 публикаций
Поиск: 127 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 311 с найденным полным текстом
Journal of chemical information and modeling2026eng
Accurate prediction of the electronic band gap is essential for accelerating the discovery and design of semiconducting and energy materials. Conventional density functional theory (DFT) methods, while physically rigorous, remain computationally expensive and limited in scalability. In this study, we propose a hybrid artificial intelligence framework that combines graph-based deep learning embeddings with classical machine learning algorithms to achieve high-accuracy, interpretable, and computationally efficient band gap prediction. The model integrates embeddings obtained from CGCNN, MEGNet,
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Drug combination therapy plays an increasingly important role in the clinical treatment of complex diseases, such as cancer, as rational drug combinations can enhance therapeutic efficacy and reduce toxic side effects. However, existing methods still exhibit limitations in the granularity of drug molecular representation, drug interaction modeling, and cell line context awareness, which restrict further improvements in predictive performance. To address these issues, we propose FragSyn, a deep graph learning framework for predicting synergistic drug combinations based on molecular fragmentatio
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Accurate prediction of drug-protein interactions (DPIs) is crucial for accelerating the drug discovery process. However, the scarcity of experimentally validated interactions can limit the learning of transferable interaction patterns, particularly for previously unseen drugs and proteins. To address this fundamental challenge, we propose the MMU-DPI framework. A key component of this framework is a Label Mix strategy tailored to multimodal DPI prediction, which performs interpolation only in the label space while keeping the input modalities unchanged. This strategy provides stochastic soft-t
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Human Activity Recognition (HAR) in smart home environments is essential for Ambient Assisted Living (AAL). However, existing methods utilizing Graph Neural Networks (GNNs) typically rely on static sensor topologies and fail to adequately capture the dynamic spatio-temporal dependencies and heterogeneous nature of multi-sensor data. To address these challenges, this paper proposes a Dynamic Spatio-Temporal Graph Attention Network (DSTGAT) for robust HAR in smart homes. First, a multi-modal feature embedding mechanism is introduced to unify temporal, spatial, sensor type, and observation data i
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Large Language Models (LLMs) have demonstrated transformative potential in scientific discovery but frequently suffer from "semantic-structure misalignment"─generating syntactically plausible but chemically invalid structures, or failing to capture precise numerical properties. Existing multimodal adaptations often employ naive projection layers that, under mixed-precision training, lead to feature collapse and the loss of fine-grained topological information. In this work, we propose Deep Graph-Text Alignment (DGTA), a precision-first framework designed to unify structural generation and regr
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Graph Contrastive Learning (GCL) has demonstrated remarkable effectiveness in representation learning for graph-structured data. However, most existing GCL methods have two issues regarding the low-quality of negative samples. Firstly, most simple negative samples are semantically invalid and fail to provide discriminative signals. Secondly, false negative samples, which are caused by indiscriminate processing methods, may degrade the overall performance of the model. To this end, we propose a novel method called Dual-Channel Hard Negative Sample Generation for Graph Contrastive Learning (DCGC
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Objective.Electroencephalography (EEG)-guided target speaker extraction aims to recover the listener's attended speech from mixed speech. However, effectively representing and integrating the target-related information shared between EEG and speech remains challenging. This study focuses on this challenge.Approach.We propose TriGA-Net, a Graph Attention Network for Brain-Controlled Speaker Extraction, in which EEG recorded from the listener is used to guide target speech extraction. The EEG encoder combines multi-scale temporal features and frequency-domain features with graph convolution to m
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Gastrointestinal abnormalities are widespread worldwide and pose a significant health challenge. However, their mortality rate can be significantly reduced when they are detected early. Endoscopy is one of the key techniques used to diagnose problems in both the upper and lower gastrointestinal regions. It is also considered less invasive and more patient-friendly than many traditional diagnostic methods. Wireless Capsule Endoscopy (WCE)-based disorder detection and diagnosis have reached a point of convergence, reshaping the landscape. Early diagnosis and appropriate treatment depend on the p
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Early and reliable diagnosis of hibiscus leaf diseases is critical to protect horticultural yield. Yet, it remains challenging under real-time field conditions where uncontrolled lighting, clutter, and the non-contiguous nature of pathological symptoms blur diagnostic cues. To address these challenges, we introduce CNN-FusionViT-GNN. This explainable hybrid multi-branch framework synergizes the fine-grained texture extraction of a DenseNet201 backbone, the global contextual modeling of a Vision Transformer (ViT), and the relational reasoning of a Graph Neural Network (GNN). The model is traine
СтатьяПоддержка исследования: вне правительства СШАПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Addressing insufficient supervision and improving model generalization are essential for multi-label classification with incomplete annotations, i.e., partial and single positive labels. Recent studies incorporate pseudo-labels to provide additional supervision and enhance model generalization. However, the noise in pseudo-labels generated by the model tends to accumulate, resulting in confirmation bias during training. Self-correction methods, commonly used approaches for mitigating confirmation bias, rely on model predictions but remain susceptible to confirmation bias caused by visual confu
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
A control-aware digital twin framework for tracking and improving oil and gas production systems is suggested in this paper. The method combines spatiotemporal graph neural networks, neural 4D-Var data assimilation, reinforcement learning-based control, and physics-informed neural operators (FNO and Neural operator model). Benchmark cyber-physical system datasets (SWaT and WADI) and a simulated oil and gas dataset are used to assess the framework. The results, which were confirmed by several independent runs using average measures, demonstrate enhanced performance in state estimation, anomaly
СтатьяVideo-Audio MediaПоддержка исследования: вне правительства СШАПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Alzheimer's disease (AD) is a currently incurable neurodegenerative disease, with early detection representing a high research priority. AD is characterized by progressive cognitive decline accompanied by alterations in brain functional connectivity. Based on its data structure similar to the graph, graph neural networks (GNNs) have emerged as important methods for brain function analysis and disease prediction in recent years. However, most GNN methods are limited by information loss caused by traditional functional connectivity calculation as well as common noise issues in functional magneti
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
3D human pose estimation from single-view images is a fundamental and challenging task in computer vision, the key of which lies in effectively capturing the complex spatial dependencies between human joint points. Existing methods usually rely on a single computational paradigm: Graph Convolutional Networks (GCN) excel at capturing local physical constraints, the self-attention mechanism (Attn) is adept at modeling global dynamic correlations, and Multi-Layer Perceptrons (MLP) provide an efficient way for global context encoding. Although previous works have attempted to fuse these methods, t
СтатьяПолный текст не найденПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
BACKGROUND: Irregularly sampled data, as a common data structure in the medical field, is frequently observed in emergency clinical datasets. It poses problems such as unequal sampling time intervals and frequencies, making it difficult to align the data without losing information for input into models. Meanwhile, due to information loss in the dataset, it is also difficult for the model to effectively analyze the overall data variation and predict the complex and dynamic conditions of emergency patients in the future.
OBJECTIVE: This study aimed to address the impact of issues such as missin
СтатьяВалидационное исследованиеПоддержка исследования: вне правительства СШАПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Movement-based and physical activity programs are central tools in autism intervention, so recognizing the activities a child performs during therapy is valuable for objective progress tracking. Manual monitoring of these sessions is time-consuming and subjective, and raw videos raise privacy concerns because it shows identifiable children. We address autism therapeutic activity recognition from privacy-preserving 2D skeletons, and we focus on the practical difficulty of how several therapeutic activities differ only in subtle motion details. As a backbone, we adopt ProtoGCN, a graph convoluti
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Deep learning (DL) continues to advance cardiac image analysis with increasingly sophisticated methodologies. Although convolutional neural networks laid the foundation for DL, emerging methods including graph neural networks, transformers, implicit neural representations, generative adversarial networks, and foundation models enable enhanced anatomical and functional modeling, image generation, and multimodal integration. Graph neural networks enable non-Euclidean data representations that preserve anatomical structure; transformers improve sequence modeling in dynamic imaging; and implicit n
СтатьяОбзорПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Multi-view subspace clustering has progressed significantly by using deep neural networks to handle nonlinear data representations. A recent advancement, the Multi-view Self-Expressive Subspace Clustering (MSESC) network, achieves markedly higher computational efficiency by substituting the traditional self-expression layer with a deep metric learning approach. Nevertheless, MSESC still suffers from two notable limitations: it fails to adequately capture the high-order geometric structures inherent in multi-view data, and it lacks effective guidance from the underlying clustering distribution.
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Unsupervised graph-level anomaly detection (UGLAD) has garnered increasing attention in recent years due to its practical significance. However, most existing methods primarily rely on GNNs that consider only pairwise relationships between first-order neighbors. This is insufficient to capture complex high-order dependencies often associated with anomalies. Furthermore, these methods are confined to Euclidean space and ignore common underlying properties (e.g., hierarchies) in real-world datasets, easily leading to high-distortion representations and compromising detection performance. To addr
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Drug-target affinity (DTA) prediction is a critical step in drug discovery and precision medicine. Although graph neural networks (GNNs) have achieved remarkable progress, existing graph pooling methods rely on fixed ratios, failing to adapt to the structural diversity of molecules and proteins, which leads to information loss or redundant feature retention. To address this issue, we propose the Adaptive Self-Attention Graph Pooling (ASAGPooling) mechanism, which introduces a learnable pooling ratio that dynamically adjusts node retention during training. Furthermore, we develop ASAG-DTA, a mu
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
BACKGROUND: Accumulating evidence demonstrates that microRNA (miRNA) dysregulation drives the pathogenesis of diverse human diseases via intricate, context-dependent molecular mechanisms. Hence, prediction of miRNA-disease association types is a critical prerequisite for dissecting functional roles of miRNAs in disease initiation and progression. Although computational methods offer cost-effective, time-efficient alternatives to wet-lab experiments for miRNA-disease association type prediction, most of them are hampered by three key limitations: excessive reliance on association-derived simila
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.