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
1866 публикаций
Поиск: 249 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 311 с найденным полным текстом
Frontiers in cellular and infection microbiology2026eng
INTRODUCTION: The human oral cavity hosts a complex microbial ecosystem of bacteria, viruses, bacteriophages, and other microorganisms forming biofilms in different niches. Phage-bacteria host specificity is crucial in shaping microbial community, stability, and dysbiosis. mapping this specificity is limited by experimental constraints and traditional methods can't capture ecological complexity. The goal is to create a graph-based model that treats inter-microbial host specificity as a relational learning problem, integrating taxonomic, ecological, and infection data into a knowledge graph. Th
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.
Sepsis-induced multi-organ dysfunction syndrome (MODS) remains a leading cause of intensive care unit (ICU) mortality worldwide. The complex interplay among inflammatory signaling pathways TLR4/NF-κB, NLRP3/P2X7 and Nrf2/HO-1 plays a critical role in determining organ damage trajectories, yet existing artificial intelligence (AI) models fail to capture these molecular dynamics. We propose PathSepsisNet, a pathway-aware temporal graph attention network that integrates biological pathway crosstalk knowledge into a deep learning architecture for early MODS prediction. We developed a biologically-
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.
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.
A critical way for humans to acquire information is through language, yet whether and how language experience drives specific neural semantic representations is still poorly understood. We considered statistical properties captured by 3 different computational principles of language (simple co-occurrence, network-(graph)-topological relations, and neural-network-vector-embedding relations) and tested the extent to which they can explain the neural patterns of semantic representations, measured by 2 functional magnetic resonance imaging experiments that shared common semantic processes. Distinc
СтатьяПоддержка 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.
Recently, Graph Neural Networks (GNNs) have shown significant improvements in the recognition of neurological disorders by incorporating brain networks/graphs. However, most existing approaches have three main limitations. First, these methodologies rely on precomputed brain networks as input, typically derived from statistical metrics (e.g., Pearson correlation), which are inherently not learnable. Second, methods often assume that the magnitude of the brain interactions remains constant across the whole scan duration. Third, representations produced by models often lack interpretability and
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.
Rapid, sustainable redesign of large functional molecules requires efficient exploration of vast chemical spaces subject to multiple properties and constraints. Graph neural networks have shown strong performance in molecular property prediction, yet their use for inverse design remains relatively underexplored. Meanwhile, chemical language transformers capable of learning long-range relationships have emerged as a competing paradigm. To address this gap, we propose a novel motif-based graph-to-graph framework for the inverse design of surfactants, in which latent representations are optimized
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.
Accurate cancer subtype classification from single-transcriptome data remains challenging because of biological heterogeneity, measurement noise, and limited sample sizes. This study examined whether disease-gene priors add predictive information under strict separation of association-edge, patient-sample, and external-transfer boundaries. It also audited a historically selected 12-gene subset without claiming de novo discovery. Important mRNA Identification through Hybrid Fusion (ImRIHF) uses a layer attention graph convolutional network to learn cancer-specific association scores. A graph co
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 accurate diagnosis of Alzheimer's disease (AD) remains challenging due to the limitations of single biomarker approaches and the complexity of disease pathogenesis. In this study, we present MuloAD, a graph convolutional neural network-based framework that integrates multiomics data for enhanced AD diagnosis and biomarker identification. The MuloAD leverages GraphSAGE to extract features from DNA methylation, mRNA expression and microRNA expression data independently, followed by a view correlation discovery network that captures cross-omics relationships in a higher dimensional labe
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.
Protein-ligand interactions (PLIs) play a crucial role in drug discovery, and accurately predicting protein-ligand binding affinity (PLA) remains a central challenge in computer-aided drug design. Although graph neural networks (GNNs) have demonstrated considerable potential in molecular modeling, existing methods still face several limitations, including excessive reliance on hand-crafted chemical features, loss of spatial information, and difficulties in integrating heterogeneous affinity labels, which restrict their generalization capability in PLA prediction. To address these challenges, w
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.
In drug discovery, it is not sufficient for a lead compound to exhibit high binding affinity for the target protein alone. It is equally important to predict an optimal pharmacokinetic (PK) profile that reflects the physicochemical properties of the compound. In this study, we aimed to predict human PK by jointly employing physiologically based pharmacokinetic (PBPK) simulation and chemical graph convolutional neural networks (CGCNN) models. Using a hybrid approach that combines PBPK simulation with CGCNN models, we successfully constructed a model capable of predicting human area under the co
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.
Recent magnetic resonance imaging (MRI) studies have revealed connectivity abnormalities in brain networks of schizophrenia (SZ). Graph Neural Networks (GNN) through their powerful graph embedding ability provide novel approaches for brain network analysis in SZ. However, current functional MRI (fMRI) based SZ diagnostic models exhibit limitations including insufficient utilization of static and dynamic functional connectivity (FC/dFC), inadequate modeling of dynamic features while neglecting temporal variability, and lack of consideration for multi-site data privacy and heterogeneity. 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.
The human brain is a highly complex neurological system that has been the subject of continuous exploration by scientists. With the help of modern neuroimaging techniques, there has been significant progress made in brain disorder analysis. There is an increasing interest about utilizing artificial intelligence techniques to improve the efficiency of disorder diagnosis in recent years. However, these methods rely only on neuroimaging data for disorder diagnosis and do not explore the pathogenic mechanism behind the disorder or provide an interpretable result toward the diagnosis decision. Furt
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.
Skeletal muscle atrophy is a common condition in aging, diabetes, and in long duration spaceflights due to microgravity. This article investigates multi-modal gene disease and disease drug networks via link prediction algorithms to select drugs for repurposing to treat skeletal muscle atrophy. Key target genes that cause muscle atrophy in the left and right extensor digitorum longus muscle tissue, gastrocnemius, quadriceps, and the left and right soleus muscles are detected using graph theoretic network analysis, by mining the transcriptomic datasets collected from mice flown in spaceflight ma
СтатьяПоддержка исследования: вне правительства СШАПоддержка 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.
Medical image analysis for Alzheimer's Disease (AD) diagnosis faces two key challenges: capturing spatial dependencies between anatomically connected brain regions and providing clinically interpretable explanations. While Convolutional Neural Networks (CNNs) excel at local feature extraction and Vision Transformers handle long-range dependencies, neither explicitly models the relational structure between brain regions-critical for understanding disease progression. We propose a hybrid CNN-GCN framework that: (1) extracts patch-level features instead of using the full image, (2) constructs gra
СтатьяПоддержка 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.
Inferring gene regulatory network (GRN) is one of the important challenges in systems biology, and many outstanding computational methods have been proposed; however there remains some challenges especially in real datasets. In this study, we propose Directed Graph Convolutional neural network-based method for GRN inference (DGCGRN). To better understand and process the directed graph structure data of GRN, a directed graph convolutional neural network is conducted which retains the structural information of the directed graph while also making full use of neighbor node features. The local aug
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.
Crop domestication has induced a severe genetic bottleneck that reduces the adaptive diversity present in modern cultivars. Standard intra-population genomic prediction models reliant on linear reference genomes and SNPs fail to capture the full spectrum of phenotypic variance hidden in wild relatives. Realizing this potential requires broadening the predictive paradigm from selection within narrow breeding populations toward evolutionary-scale inference across the entire wild-to-cultivated continuum. This missing heritability is largely sequestered within complex structural variations such as
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.
ETHNOPHARMACOLOGICAL RELEVANCE: Plants used in traditional medicine have long provided valuable clues for drug discovery, yet systematically connecting their documented therapeutic effects with modern understanding of biological mechanisms remains a key scientific question. Bridging the gap between traditional knowledge, clinical symptom profiles, and contemporary molecular-level regulation is essential for advancing the study of herbal medicine.
OBJECTIVES: This study aims to develop a multimodal graph attention learning framework, named MAGED, which integrates knowledge graphs with gene exp
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.
PROTACs recruit an E3 ligase to a protein of interest via a bifunctional linker, and their activity is critically dependent on the geometry and chemical integrity of that linker. Diffusion-based generative models, which operate in continuous coordinate space, lack explicit mechanisms for enforcing discrete bond connectivity under fixed anchor constraints; as a result, they routinely produce linker structures that are geometrically plausible yet chemically disconnected or valence invalid. Because these generation artifacts arise from a systematic gap between the continuous output space and the
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.
Postural tremor of hands, a typical symptom of Parkinson's disease (PD), is assessed using the Movement Disorder Society-sponsored revision of the Unified PD Rating Scale (MDS-UPDRS). However, the manual assessment process is both subjective and time-consuming, underscoring the necessity for automated rating models in clinical practice. To accommodate large-scale applications, such models must effectively identify and mitigate the impact of confounding factors in complex clinical settings, ensuring stable and robust assessment performance. Therefore, we propose a causality-representation graph
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.