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
1865 публикаций
Поиск: 174 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 311 с найденным полным текстом
UNLABELLED: Complex genetic and epigenetic factors, such as single-nucleotide polymorphisms (SNPs) that influence the function of microRNAs (miRNAs), are involved in periodontal inflammation and tissue regeneration. However, computational approaches for predicting potential SNP-miRNA interactions that may influence inflammatory signaling and drug responses remain limited in precision periodontology.
AIM: To implement and compare two graph neural network-based machine learning models-Graph Attention Network (GAT) and Graph Convolutional Network (GCN)- for predicting potential SNP-miRNA-drug in
СтатьяСравнительное исследованиеПоиск 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.
The aberrant aggregation of α‑synuclein (α‑syn) is a pathological hallmark of synucleinopathies, driving the need for small‑molecule inhibitors that block its oligomerization and fibrillization. In computer‑aided drug discovery, accurate affinity prediction remains critical for early‑stage screening. However, current deep learning models predominantly rely on 1D sequences or 2D topological graphs, failing to exploit stereochemical and geometric cues from 3D space. Moreover, dedicated high‑precision predictors for intrinsically disordered targets such as α‑syn are scarce. To bridge this gap, we
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.
Circular RNAs (circRNAs) have gained recognition for their critical roles in various biological processes and are increasingly viewed as promising candidates for use in disease diagnosis and treatment strategies for complex human diseases. Despite advances in computational methods for predicting circRNA-disease associations (CDAs), existing models often fail to effectively capture both similarity metrics and higher-order mixed neighborhood information simultaneously in bio-graph networks, leading to suboptimal prediction performance. In this study, we present HSimGCDA, an enhanced graph convol
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.
Cancer is caused by the uncontrolled growth and division of abnormal cells. In industrialized societies, chemical exposure is a leading cause of cancer. Since certain compounds induce cancer by damaging genes or affecting cellular metabolism, studying carcinogens is essential. However, previous studies used separate models for each organ and failed to capture carcinogenic features shared across organs, limiting generalization. Thus, this study developed a multi-task learning framework to predict organ-specific carcinogenicity in the liver, lung, stomach, and breast. This framework consisted of
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.
Recent developments in graph neural networks show promise for predicting the occurrence of abnormal grain growth, which has been a particularly challenging area of research due to its apparent stochastic nature. In this study, we generate a large dataset of Monte Carlo simulations of abnormal grain growth. We train simple graph convolution networks to predict which initial microstructures will exhibit abnormal grain growth, and compare the results to a standard computer vision approach for the same task. The graph neural network outperformed the computer vision method and achieved 73% predicti
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.
The emergence of sixth-generation (6G) networks has driven the development of Extremely Large Intelligent Metasurfaces (XL-IMS) to deliver ultra-high speeds and high spectral efficiency. Nevertheless, classical far-field channels are not applicable to near-field transmission due to spherical-wave propagation and the lack of spatial stationarity, leading to reduced beamforming performance and increased computational complexity. Therefore, the goal of this research is to develop a method for near-field channel modeling and beamforming optimization based on physics-driven deep learning. The propo
СтатьяVideo-Audio MediaПоиск 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 progressive neurodegenerative disorder marked by both structural atrophy and functional dysregulation in the brain, yet its early detection remains elusive. Although recent efforts have leveraged artificial intelligence combined with multimodal neuroimaging to improve diagnostic accuracy, these methods often falter in harmonizing disparate data sources and lack the transparency needed for clinical adoption. In particular, the sheer dimensionality of functional Magnetic Resonance Imaging (fMRI) and T1-weighted Magnetic Resonance Imaging (T1w-MRI) features, together
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.
Molecular property prediction is a key task in AI-driven drug discovery, yet the prevalence and impact of label imbalances in molecular property regression remain poorly understood. Through a systematic benchmark of widely used molecular property data sets, we show that target values are often highly imbalanced and that prediction errors are consistently concentrated in sparsely represented regions of the label space. We further evaluate representative imbalance-learning approaches developed for general regression tasks and find that their effectiveness on molecular data sets is limited. To ad
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.
Atropisomerism, a form of chirality arising from restricted rotation around single bonds, holds significant pharmacological importance. Yet, the automated identification and representation of atropisomerism in molecular databases and cheminformatics tools remain limited. Identifying bonds that lead to stable atropisomers typically involves labor-intensive experiments or costly quantum chemical scans. In this work, we present an extension of the molecule identifier MolBar that automatically classifies each sp2-sp2 bond in a three-dimensional molecular structure as either rapidly convertible or
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.
Accessibility-oriented sign language recognition plays an important role in intelligent human-computer interaction, but cross-subject recognition remains challenging because test signers are unseen during training. Variations in appearance, motion style, and modality quality among different signers introduce significant distribution differences between training and testing samples, limiting model generalization. Although multimodal approaches commonly assume that RGB, skeleton, and depth modalities provide complementary information, their effectiveness under cross-subject recognition remains i
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.
MOTIVATION: MicroRNAs are key post-transcriptional regulators whose dysregulation is associated with complex human diseases. Computational prediction can prioritize candidate miRNA-disease associations, but reliable evaluation is complicated by sparse labels, cold-start entities, limited biological context in bipartite graphs, and leakage when association-derived features are constructed before data splitting.
RESULTS: We present RGCNMDA, a leakage-controlled multi-view framework that integrates global latent structure, local profiles and similarities, and pathway context. Within every fold,
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.
Accurate prediction of the biological and physicochemical properties of molecules is of great significance in shortening the process and decreasing the failure rate of drug design. Thus, previous studies have established several benchmark datasets and developed several Graph Neural Networks (GNNs) based artificial intelligence (AI) predictive methods. However, since these methods encounter challenges such as incomplete representation of molecular hierarchical structures, insufficient exploration of local topological features, and under-extraction of correlations among atomic features, our stud
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.
The human brain exhibits a complex and hierarchical organization that supports efficient information integration across local and global scales. Accurately characterizing such topological organization from neuroimaging data remains challenging. Conventional graph neural networks (GNNs) effectively capture local dependencies through neighborhood aggregation but often overlook higher-order topological structures that reflect the brain's small-world organization. Although Transformer architectures enable global dependency modeling, their high computational cost limits scalability for large connec
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: Altered brain connectivity has been theorized as a key neural underpinning of autism spectrum disorder (ASD), but recent investigations have revealed conflicting patterns of connectivity, particularly hyper-connectivity and hypo-connectivity across age groups. The application of graph theory to neuroimaging data has become an effective approach for characterizing topographical patterns of large-scale functional networks. We used a graph approach to investigate alteration of functional networks in childhood ASD.
METHOD: Magnetoencephalographic signals were quantified using graph-the
СтатьяПоддержка исследования: вне правительства СШАПолный 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.
Functional magnetic resonance imaging (fMRI) is a commonly used technique to measure neural activation. Its application has been particularly important in identifying underlying neurodegenerative conditions such as Parkinson's, Alzheimer's, and Autism. Recent analysis of fMRI data models the brain as a graph and extracts features by graph neural networks (GNNs). However, the unique characteristics of fMRI data require a special design of GNN. Tailoring GNN to generate effective and domain-explainable features remains challenging. In this paper, we propose a contrastive dual-attention block and
СтатьяПоддержка NIH: внешняя программаПоддержка правительства СШАПоддержка 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.
OBJECTIVE: Gene regulatory networks (GRNs) provide a graphical representation of the regulatory interactions between transcription factors (TFs) and their target genes, governing transcriptional states that define cell identity and function. Deciphering GRNs is fundamental for deciphering disease pathogenesis and remains a central challenge in systems biology. Graph neural network-based methods have made significant progress in GRN inference in recent years due to their exceptional ability to model graph-structured biological data. However, the inherent characteristics of GRNs usually have bee
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.
Accurate influenza forecasting is critical for timely public health responses and resource allocation. To address challenges such as strong non-stationarity, spatiotemporal heterogeneity, and the prediction lag of traditional models during outbreak peaks , this study proposes a deep learning forecasting framework based on Variational Mode Decomposition (VMD) and Dual-Channel Feature Fusion (VMD-DCFF-IF). The framework first employs VMD to decompose influenza time series into Intrinsic Mode Functions (IMFs) with distinct frequency characteristics, thereby reducing nonlinear coupling. Subsequent
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.
Attention-deficit/hyperactivity disorder (ADHD) is a common neurodevelopmental disorder. Adults with ADHD continue to exhibit deficits in attention and executive function, whereas the neural mechanisms underlying visual mismatch negativity (vMMN)-related processing remain unclear. This study investigated the functional brain connectivity characteristics of adults with ADHD by combining standardized low-resolution brain electromagnetic tomography (sLORETA), phase-locking value (PLV) analysis, and a graph convolutional network (GCN) based on a visual Oddball paradigm that elicited vMMN responses
Аннотация на английскомСтатьяПоиск 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.
Liver cancer is a leading cause of cancer mortality; hepatocellular carcinoma (HCC), its predominant form, requires accurate survival prediction to guide prognosis and treatment decisions. We propose a multimodal framework for discrete-time survival prediction using histopathological and clinical data from the TCGA-LIHC cohort. Patch-level features extracted from Whole-Slide Images using the UNI2-h foundation model were aggregated within each slide through a Graph Attention Network, while clinical variables were encoded with a sentence transformer. The resulting embeddings were fused through 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.
Alzheimer's disease (AD) is a progressive neurodegenerative disorder that remains a global challenge due to its complex pathology and the lack of definitive diagnostic tools. This paper introduces an innovative approach to predicting and analyzing Alzheimer's disease by constructing signed brain network models and leveraging signed graph neural network technologies. By modeling the brain network as a signed graph that incorporates both positive and negative correlations, we capture the nuanced interactions between brain regions more effectively than traditional methods. We utilize graph convol
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.