Zobrazeno 1 - 10 of 126 pro vyhledávání: '"Franzenburg S"'
1
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
2
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
3
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
4
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
5
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
7
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
8
Genomic characterization of world’s longest selection experiment in mouse reveals the complexity of polygenic traits
Autor: Jörns Fickel, Joachim M. Weitzel, Sergio E. Palma-Vera, Lorena Derežanin, Saber Qanbari, Franzenburg S, Henry Reyer, Jennifer Schön, Martina Langhammer, Norbert Reinsch, Hemmrich-Stanisak G
A unique set of mouse outbred lines has been generated through selective breeding in the longest selection experiment ever conducted on mice. Over the course of >140 generations, selection on the control line has given rise to two extremely fertile l
Externí odkaz: https://explore.openaire.eu/search/publication?articleId=doi_________::2cfe845b7df643e6d73c108b757d1583
https://doi.org/10.1101/2021.05.28.446207
Zobrazit plný text záznamu
9
Swarm Learning for decentralized and confidential clinical machine learning
Autor: Warnat-Herresthal, S. Schultze, H. Shastry, K.L. Manamohan, S. Mukherjee, S. Garg, V. Sarveswara, R. Händler, K. Pickkers, P. Aziz, N.A. Ktena, S. Tran, F. Bitzer, M. Ossowski, S. Casadei, N. Herr, C. Petersheim, D. Behrends, U. Kern, F. Fehlmann, T. Schommers, P. Lehmann, C. Augustin, M. Rybniker, J. Altmüller, J. Mishra, N. Bernardes, J.P. Krämer, B. Bonaguro, L. Schulte-Schrepping, J. De Domenico, E. Siever, C. Kraut, M. Desai, M. Monnet, B. Saridaki, M. Siegel, C.M. Drews, A. Nuesch-Germano, M. Theis, H. Heyckendorf, J. Schreiber, S. Kim-Hellmuth, S. Balfanz, P. Eggermann, T. Boor, P. Hausmann, R. Kuhn, H. Isfort, S. Stingl, J.C. Schmalzing, G. Kuhl, C.K. Röhrig, R. Marx, G. Uhlig, S. Dahl, E. Müller-Wieland, D. Dreher, M. Marx, N. Nattermann, J. Skowasch, D. Kurth, I. Keller, A. Bals, R. Nürnberg, P. Rieß, O. Rosenstiel, P. Netea, M.G. Theis, F. Mukherjee, S. Backes, M. Aschenbrenner, A.C. Ulas, T. Angelov, A. Bartholomäus, A. Becker, A. Bezdan, D. Blumert, C. Bonifacio, E. Bork, P. Boyke, B. Blum, H. Clavel, T. Colome-Tatche, M. Cornberg, M. De La Rosa Velázquez, I.A. Diefenbach, A. Dilthey, A. Fischer, N. Förstner, K. Franzenburg, S. Frick, J.-S. Gabernet, G. Gagneur, J. Ganzenmueller, T. Gauder, M. Geißert, J. Goesmann, A. Göpel, S. Grundhoff, A. Grundmann, H. Hain, T. Hanses, F. Hehr, U. Heimbach, A. Hoeper, M. Horn, F. Hübschmann, D. Hummel, M. Iftner, T. Iftner, A. Illig, T. Janssen, S. Kalinowski, J. Kallies, R. Kehr, B. Keppler, O.T. Klein, C. Knop, M. Kohlbacher, O. Köhrer, K. Korbel, J. Kremsner, P.G. Kühnert, D. Landthaler, M. Li, Y. Ludwig, K.U. Makarewicz, O. Marz, M. McHardy, A.C. Mertes, C. Münchhoff, M. Nahnsen, S. Nöthen, M. Ntoumi, F. Overmann, J. Peter, S. Pfeffer, K. Pink, I. Poetsch, A.R. Protzer, U. Pühler, A. Rajewsky, N. Ralser, M. Reiche, K. Ripke, S. da Rocha, U.N. Saliba, A.-E. Sander, L.E. Sawitzki, B. Scheithauer, S. Schiffer, P. Schmid-Burgk, J. Schneider, W. Schulte, E.-C. Sczyrba, A. Sharaf, M.L. Singh, Y. Sonnabend, M. Stegle, O. Stoye, J. Vehreschild, J. Velavan, T.P. Vogel, J. Volland, S. von Kleist, M. Walker, A. Walter, J. Wieczorek, D. Winkler, S. Ziebuhr, J. Breteler, M.M.B. Giamarellos-Bourboulis, E.J. Kox, M. Becker, M. Cheran, S. Woodacre, M.S. Goh, E.L. Schultze, J.L. COVID-19 Aachen Study (COVAS) Deutsche COVID-19 Omics Initiative (DeCOI)
Fast and reliable detection of patients with severe and heterogeneous illnesses is a major goal of precision medicine1,2. Patients with leukaemia can be identified using machine learning on the basis of their blood transcriptomes3. However, there is
Externí odkaz: https://explore.openaire.eu/search/publication?articleId=od______2127::2b9a6d09e99524fdf9f7dcb46ca5eafd
https://pergamos.lib.uoa.gr/uoa/dl/object/uoadl:3056276
Zobrazit plný text záznamu
10
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Vyhledávací nástroje:

Upřesnit hledání

Omezení vyhledávání
Plný text Recenzováno Digitální knihovna AV ČR
Zdroje