القائمة
SC-TauPath 结构连接归因框架用于映射阿尔茨海默病 Tau 传播路径。结合网络扩散模型增强 MLP 与梯度×输入归因，生成多尺度路径图谱（骨干边、高流量路由、枢纽 ROI），验证 Braak 分期解剖学。
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
استنادا إلى تصنيف SOC المهني
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/hiyenwong/ai_collection --skill sc-taupath-alzheimer-tau-propagationيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
عرض SKILL.md
| name | sc-taupath-alzheimer-tau-propagation |
| description | SC-TauPath 结构连接归因框架用于映射阿尔茨海默病 Tau 传播路径。结合网络扩散模型增强 MLP 与梯度×输入归因，生成多尺度路径图谱（骨干边、高流量路由、枢纽 ROI），验证 Braak 分期解剖学。 |
| version | 1.0.0 |
| category | neuroscience |
| authors | ["Jing Zhang","Norman Scheel","Minheng Chen"] |
| arxiv_id | 2606.04066 |
| created | 2026-06-09T00:00:00.000Z |
| activation_keywords | ["tau propagation","Alzheimer's disease","structural connectivity","network diffusion","attribution framework","Braak staging"] |
| related_skills | ["brain-network-controllability","alzheimer-pet-suvr-network-models"] |
SC-TauPath 是一个结构连接（SC）归因框架，从体内神经影像数据映射 Tau 传播路径。结合网络扩散模型增强的 MLP 与梯度×输入归因，生成多尺度路径图谱，验证 Braak 分期解剖学。
结合网络扩散理论的可解释神经网络架构：
可解释的边贡献评分：
三级路径图谱：
与经典 Braak 分期的解剖学一致性验证：
需要的数据：
架构设计：
Input: SC matrix (N×N)
↓
SC Encoder (flatten → hidden_dim)
↓
NDM Constraint Loss (network diffusion theory)
↓
Predictor (hidden_dim → N ROI tau values)
↓
Output: Tau distribution prediction
算法流程：
提取策略：
归因路径图与 Braak 分期解剖学的对应：
Graph-native Python reimplementation of the Information Dynamics of Music (IDyOM) model that represents predictive memories as explicit graph objects for musical expectation modeling and network analysis.
Physics-aware end-to-end deep reinforcement learning methodology for quadcopter control with actuator dynamics modeling.
Reinforced Dreamer methodology for asymmetric reinforcement learning using latent guidance to improve world model representations and behaviors in model-based RL.