XiaoMi-AI文件搜索系统
World File Search System从头
经过精确编辑的克隆小牛基因组没有显示出脱靶事件或从头诱变增加的证据
。CC-BY-NC-ND 4.0 国际许可下可用（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2021 年 1 月 29 日发布。；https://doi.org/10.1101/2021.01.28.428703 doi：bioRxiv 预印本
根据上下文特定的分子信息从 DNA 序列中从头预测遗传变异的功能效应
解读非编码遗传变异的功能效应是人类遗传学的一项基本挑战。传统方法，如全基因组关联研究 (GWAS)、全转录组关联研究 (TWAS) 和数量性状位点 (QTL) 研究，受到隐藏的分子水平机制的限制，因此很难揭示复杂性状的遗传基础。下一代测序 (NGS) 技术的出现使得人们能够在各种细胞类型和组织中获得特定环境的全基因组测量，包括基因表达、染色质可及性、表观遗传标记和转录因子结合位点，为直接从 DNA 序列解码遗传变异效应铺平了道路。从头预测功能效应对于增强我们对转录调控及其破坏的理解至关重要，而这些破坏是由与人类疾病和特征相关的大量非编码遗传变异引起的。本综述系统概述了遗传变异效应预测的最新模型和算法，包括传统的基于序列的模型、深度学习模型和尖端的基础模型。它深入探讨了持续的挑战和未来方向，并深入介绍了该领域的当代发展。
使用拉普拉斯正则化 Schatten p范数最小化从头预测药物-靶标相互作用
在制药科学中，药物发现的一个关键步骤是识别药物-靶标相互作用 (DTI)。然而，只有一小部分 DTI 经过了实验验证。此外，通过传统的生化实验来捕捉药物和靶标之间的新相互作用是一个极其费力、昂贵且耗时的过程。因此，设计用于预测潜在相互作用的计算方法来指导实验验证具有实际意义，特别是对于从头情况。在本文中，我们提出了一种新算法，即拉普拉斯正则化的 Schatten p 范数最小化 (LRSpNM)，用于预测新药物的潜在靶标蛋白和没有已知相互作用的新靶标的潜在药物。具体而言，我们首先利用药物和靶标相似性信息来动态地预填充部分未知的相互作用。然后基于相互作用矩阵低秩的假设，我们使用 Schatten p 范数最小化模型结合拉普拉斯正则化项来提高新药/新靶点案例的预测性能。最后，我们通过一种高效的交替方向乘子算法对 LRSpNM 模型进行数值求解。我们在五个数据集上评估了 LRSpNM，大量的数值实验表明 LRSpNM 比五种最先进的 DTI 预测算法具有更好、更稳健的性能。此外，我们对新药和新靶点预测进行了两个案例研究，这表明 LRSpNM 可以成功预测大多数经过实验验证的 DTI。
使用基于深度学习的图正则化矩阵分解从头预测细胞药物敏感性
人工智能 (AI) 在精准肿瘤学中的应用通常涉及根据之前的训练细胞样本对这些药物的反应来预测患者的癌细胞（之前 AI 模型未见过）是否会对一组现有的抗癌药物中的任何一种产生反应。为了扩大抗癌药物的范围，AI 还被用于重新利用尚未在抗癌环境中测试过的药物，即从头预测新药对以前未见过的癌细胞的抗癌作用。在这里，我们报告了一个在统一的 AI 框架中解决上述两个任务的计算模型。我们的模型称为基于深度学习的图正则化矩阵分解 (DeepGRMF)，它集成了神经网络、图模型和矩阵分解技术，利用来自药物化学结构、它们对细胞信号系统的影响和癌细胞细胞状态的各种信息来预测细胞对药物的反应。 DeepGRMF 学习药物的嵌入，以便具有相似结构和作用机制 (MOA) 的药物在嵌入空间中紧密相关。同样，DeepGRMF 还学习细胞的表示嵌入，使得具有相似细胞状态和药物反应的细胞紧密相关。在癌症药物敏感性基因组学 (GDSC) 和癌细胞系百科全书 (CCLE) 数据集上对 DeepGRMF 和竞争模型的评估显示了其在预测性能方面的优势。最后，我们表明该模型能够预测化疗方案对癌症基因组图谱 (TCGA) 数据集中肺癌患者患者结果的有效性。⇤
改进的普通狨猴基因组从头组装提高了序列数据的连续性和映射率
背景：普通狨猴（Callithrix jacchus）是研究最多的灵长类模式生物之一。然而，公共数据库中可用的狨猴基因组高度碎片化且充满序列缺口，阻碍了与狨猴基因组学和转录组学相关的研究进展。结果：在这里，我们利用单分子、长读序列数据来改进和更新现有的基因组组装，并报告了近乎完整的普通狨猴基因组。组装大小为 2.79 Gb，重叠群 N50 长度为 6.37 Mb，染色体支架 N50 长度为 143.91 Mb，代表了迄今为止最连续和高质量的狨猴基因组。大约 90% 的组装基因组以长度超过 1 Mb 的重叠群表示，与之前发表的狨猴基因组相比，连续性提高了约 104 倍。超过98％的先前发表的基因组的空白被成功填补，从而提高了基因组和转录组数据到组装基因组的映射率。
从头设计和开发富含细胞培养模型的体内肺灌注富含营养的灌注液
摘要：离体肺灌注（EVLP）通过在移植前评估“边缘”肺而增加了供体肺的利用。要将其作为供体肺部修复平台开发，需要长时间的EVLP，并且需要新的灌注液以提供足够的营养支持。人类肺微血管内皮细胞和上皮细胞用于测试不同的公式以获得基本的细胞功能。在EVLP细胞培养模型上进一步测试了选定的公式，并测量了细胞的效果，凋亡以及GSH和HSP70水平。将细胞培养基（DMEM）与当前的EVLP灌注液混合时，以剂量依赖性的方式将细胞增强的溶液，DMEM增强的细胞增强和迁移以及减少的凋亡。根据DMEM设计和测试了一种新的EVLP灌注液。最终公式包含5 g/L dextran-40和7％白蛋白，被称为D05D7A解决方案。与Steen溶液相比，它抑制了冷静态储存和温暖的再灌注诱导的细胞凋亡，改善的细胞增强性以及人类肺细胞中的GSH和HSP70水平。基于富含营养的EVLP灌注液可能是延长EVLP并支持供体肺修复，重新调节并进一步改善供体肺质量和数量的供体肺部修复的有前途的公式。
推荐引用 推荐引用 Tom Jiao 和 Hiu Yung Wong。“LG = 10 nm 的稳健低温从头算量子传输模拟
低温电子学对许多任务关键型应用至关重要，例如量子计算机和量子传感接口 [1]、太空探索电子设备 [2] 和高性能低温服务器 [3]。计算机辅助设计技术 (TCAD) 为探索低温电子学的设计空间提供了一种非常经济有效的方法，而且最近在低温电子模拟的校准、建模和仿真方法方面取得了巨大进展 [4-7]。然而，低温从头算量子传输模拟对于研究 LG < 20 nm 的器件，特别是其亚阈值行为非常重要，但仍然很困难，尚未系统地研究。众所周知，MOSFET 的 SS 不遵循玻尔兹曼统计 [4-9]。为了了解其起源，需要一个强大的从头算传输模拟装置。据我们所知，文献中还没有关于低温传输的从头算模拟。目前仅开展了使用非平衡格林函数 (NEGF) 的研究 [10] 。本文成功利用从头算模拟研究了 LG = 10 nm 纳米线在低至 3 K 温度下的传输特性。研究了模拟技术，以实现更快、更稳健的模拟。然后研究了纳米线的低温泄漏特性。
DDPMAS-2002修订情况介绍
子部分 B：从头开发空中系统以获得军用型号合格证 (MTC) 和生产 B1：飞机 B2：无人机系统 (UAS) B3：空射导弹 (ALM) B4：航空发动机 子部分 C：从头开发机载存储以获得 TA/LoA/IMTSOA C1：机载存储以获得型号批准 (TA) C2：空中武器存储和空射武器以获得型号批准
多个 Pristionchus pacificus 基因组揭示了从头候选基因和重复基因之间不同的进化动态
多个 Pristionchus pacificus 基因组揭示了从头候选基因和重复基因之间不同的进化动态
从头个性化疾病模块揭示基因的合成渗透性并为个性化治疗方案提供信息
目前，尽管对个体疾病病因和治疗方法的理解十分有限，但需求仍然很大。为了填补这一空白，我们提出了一种新颖的计算流程，收集有效的疾病基因协作途径，以设想个性化的疾病病因和治疗方法。我们的算法从头构建了个性化的疾病模块，这使我们能够阐明突变基因在特定患者中的重要性，并了解这些基因在患者之间的合成渗透性。我们发现，臭名昭著的癌症驱动因素 TP53 和 PIK3CA 的重要性在乳腺癌中波动很大，在具有不同突变数量的肿瘤中达到峰值，而罕见突变的基因（如 XPO1 和 PLEKHA1）在特定个体中具有很高的疾病模块重要性。此外，个性化模块破坏使我们能够设计出因患者而异的定制单一和组合靶向疗法，这表明需要精准治疗流程。作为对从头个体化疾病模块的首次分析，我们通过对个体患病基因的活动提供新颖的深刻见解，展示了个体化疾病模块对精准医疗的强大作用。