XiaoMi-AI文件搜索系统
World File Search System分子数据
Coltricia sharmae，膜甲科的一个新种......
（稿件收到日期 2024 年 8 月 17 日；接受日期 2025 年 1 月 15 日；在线发表日期 2025 年 1 月 25 日）摘要：根据形态特征和核糖体 DNA 区域内部转录间隔区的系统发育分析，本文将 Coltricia sharmae 列为一个新物种。形态学和分子数据的结合证实了该物种的新颖性及其在 Coltricia 属中的属下位置。该物种与 Rhododendron arboreum 和 Quercus leucotrichophora 相关，主要特征是一年生担子，规则圆形的菌盖，同心分区，中心有深褐色环，边缘为淡橙褐色，不规则有棱角，担孢子球形至亚球形。关键词：Coltricia abieticola、nrITS、系统发育、多孔菌、分类学、北阿坎德邦。简介
从毒理基因组学数据到累积评估组：化学分组的机制框架
摘要根据共同特性或分子作用机制对化学物质进行分组对于推进监管毒理学、减少数据缺口和实现累积风险评估至关重要。本研究引入了一个新框架，该框架使用来自比较毒理基因组学数据库 (CTDbase) 的化学-基因-表型-疾病 (CGPD) 四聚体。我们的方法整合了毒理基因组学数据，以识别和聚类不同类别中具有相似分子和表型效应的化学物质，包括农药、药品和工业化学品，如双酚和全氟和多氟烷基物质 (PFAS)。我们通过将基于 CGPD 四聚体的聚类与农药的累积评估组 (CAG) 进行比较来验证我们的方法，结果显示与已建立的分组有很大的重叠，同时确定了与风险评估相关的其他化合物。主要例子包括与内分泌紊乱和代谢紊乱相关的集群。通过将组学衍生的分子数据与表型和疾病终点相结合，该框架
酵母 PHO5 启动子处核小体结构的有效动力学
摘要染色质动力学由重塑酶介导，在基因调控中起着至关重要的作用，正如在典型模型酿酒酵母 PHO5 启动子中建立的那样。然而，有效的核小体动力学，即启动子核小体配置的轨迹，仍然难以捉摸。在这里，我们通过整合已发表的单分子数据推断出这种动力学，这些数据捕获了从受抑制到完全活跃的 PHO5 启动子状态的多核小体配置，以及其他现有的组蛋白周转和新的染色质可及性数据。我们设计并系统地研究了一类新的“受调节的开关滑动”模型，模拟全局和局部核小体（解）组装和滑动。68,145 个模型中只有 7 个与所有数据吻合良好。所有七个模型都涉及滑动和 N-2 核小体的已知核心作用，但通过调节一个组装而不是解体过程来调节启动子状态转换。这与 PHO5 启动子先前观察结果的常见解释一致，但提出了挑战，并表明染色质通过结合竞争而开放。
精确肿瘤学可以使未知主要癌症患者受益吗？
在半个世纪的进步之后，癌症研究已从简单化的方法发展为多维方法，涵盖了癌细胞自身及其周围肿瘤微环境中癌细胞变化之间复杂而动态的相互作用。1癌细胞内的改变，无论是基因组，转录组或表观遗传学，在癌变中都起着重要作用。该过程的复杂性解释了发生在同一器官部位或不同的微环境中的转移内和之间的实质生物异质性。2此外，这些复杂性进一步由室内异质性宿主/微生物群相互作用和药物分布更加复杂。3，尽管靶向疗法的最新进展以及新型治疗方法的发展，但传统的一定程度的方法无法实现预期的结果。朝精度肿瘤学的战略转变为整合患者和肿瘤的分子数据以实现更全面的特征 - 对肿瘤的特征，并为每个患者的特定需求量身定制治疗方法，以确保正确的治疗，以正确的剂量和正确的时间来定制治疗方法。4，5
大步：...
机器学习，尤其是深度学习对分子和材料设计的影响越来越大。，鉴于越来越多地获得了用于药物降低的生成建模的高质量小分子数据，因此有望进行药物发现的结果。然而，对于许多重要的材料类别，例如催化剂，抗氧化剂和金属有机框架 - 不可用。这些样品有限和结构相似性的分子家族在工业应用中尤其普遍。众所周知，在如此小的数据集中进行了重新培训甚至微调。新颖的，实际上适用的分子通常是众所周知的分子的衍生物，提出了解决数据稀缺性的方法。为了解决这个问题，我们引入了大步，这是一种生成分子的工作流程，它以无条件的生成模型产生了新的分子，该模型由已知分子而没有任何重新培训。我们从一组高度专业的抗氧化剂分子中生成训练数据之外的分子。我们的发电分子平均降低了合成可及性评分的21.7％，并且通过指南将电离潜力降低了5.9％的产生分子。
Pombase -UCL发现 - 伦敦大学学院
了解控制真核细胞行为的复杂机制和过程是现代生物学的基本目标。schizosaccharomyces pombe（S。pombe）是对这种追求至关重要的模型生物之一。利用S. pombe的研究在阐明细胞周期控制的基本原理（Nurse 2020），细胞分裂（Mangione and Gould 2019），染色体生物学（Sato等人（Sato等）中起着关键作用（Sato等人。2021），表观遗传遗传（Grewal 2023），端粒生物学（Kanoh 2023）和许多其他核心保存的细胞过程。最近，衰老（Ohtsuka等人2023），自噬（Alao等人2023），RNA ProseSing（Larochelle等人 2017），转录后调节（Hernández-Elvira和Sunnerhagen 2022），自噬（XU和DU 2022）和线粒体过程（Dinh and Bonnefoy 2023）已成为更多焦点的领域。 Pombase（https://www.pombase.org）是S. Pombe的权威模型有机体数据库（MOD），是一个支持裂变酵母研究人员和更广泛的科学界的全面知识基础（Lock等人（Lock等） 2020; Harris等。 2022; Toda等。 2023）。 通过详细的策展，标准化和从数千个聚焦典范中得出的信息的整合，它为基因和蛋白质水平的分子数据提供了一个存储库。 Pombase的目标是成为一个完全可访问的，可访问的，可互操作的和可重复使用的（公平） - 集合资源（Wilkinson等人。 2016）。2023），RNA ProseSing（Larochelle等人2017），转录后调节（Hernández-Elvira和Sunnerhagen 2022），自噬（XU和DU 2022）和线粒体过程（Dinh and Bonnefoy 2023）已成为更多焦点的领域。Pombase（https://www.pombase.org）是S. Pombe的权威模型有机体数据库（MOD），是一个支持裂变酵母研究人员和更广泛的科学界的全面知识基础（Lock等人（Lock等）2020; Harris等。2022; Toda等。2023）。通过详细的策展，标准化和从数千个聚焦典范中得出的信息的整合，它为基因和蛋白质水平的分子数据提供了一个存储库。Pombase的目标是成为一个完全可访问的，可访问的，可互操作的和可重复使用的（公平） - 集合资源（Wilkinson等人。2016）。除了复杂的查询工具外，Pombase还提供了跨多个分类轴的生物和域级概述，包括功能，过程，位置，表型，人类疾病基因直系同源物，策展和特征性进展。
利用机器学习潜力拓展量子计算在材料科学领域的应用范围
解决电子结构问题代表了量子计算机的一个有前途的应用领域。目前，人们投入了大量精力设计和优化近期量子处理器的量子算法，目的是使用有限的量子资源在选定的问题实例上超越经典算法。这些方法仍有望具有防止大规模和批量系统量子模拟的运行时间。在这项工作中，我们提出了一种策略，使用在量子模拟数据上训练的机器学习潜能将量子计算方法的范围扩展到大规模模拟。在当今的量子环境中应用机器学习潜能的挑战来自于影响电子能量和力的量子计算的几种噪声源。我们研究了选择各种噪声源的机器学习潜能的可训练性：统计、优化和硬件噪声。最后，我们从实际 IBM Quantum 处理器上计算的氢分子数据构建了第一个机器学习潜能。这已经使我们能够执行任意长且稳定的分子动力学模拟，优于所有当前分子动力学和结构优化的量子方法。
地中海沿海环境中的可生物降解塑料具有对比微生物继承
海洋的塑料污染是最大的环境问题。可生物降解的塑料在打击塑料污染的积累中具有潜在的“溶解性”，其产量目前正在增加。尽管这些聚合物将有助于未来的塑料海洋碎片预算，但关于在不同自然环境中可生物降解塑料的行为知之甚少。在这项研究中，我们在实验室上对整个微生物群落进行了分子，确认可生物降解的聚丁乙烯甲酸甲酸酯 - 甲甲酸盐（PBSET）和多羟基丁酸（PHB）（PHB）膜（PHB）膜，以及非生物降落的常规沿环境层次的层次，这些层次是层次的层次，这些层次是均不同的，这些层次是差异的。 海。在22个月的孵育期间，在五个时间点中取出了骨，底栖和效等栖息地的样品。我们评估了潜在的生物降解细菌和真菌类群的存在，并将它们与这些聚合物的原位瓦解数据进行了对比。扫描电子显微镜成像构成了我们的分子数据。假定的塑料降解器发生在所有环境中，但没有明显的
分子医学中的人工智能
基因组测序和质谱等新方法使可供科学家和医疗保健专业人员使用的分子数据量急剧增加，以寻求更精确的诊断和更高的治疗精度。1 尽管在 DNA 和 RNA 基因测序方面取得了最大的进展，但蛋白质和代谢物的高维测量在医学上的应用也在不断增加。分析工具也得到了同步改进，以匹配这些分子“大数据”的数量、速度和多样性。机器学习的出现被证明特别有价值。在这些方法中，计算机系统使用大量数据来构建预测统计模型，并通过合并新数据来迭代改进这些模型。深度学习是机器学习的一个强大子集，包括使用深度神经网络，在图像对象识别、2 语音识别、自动驾驶和虚拟辅助方面有着广泛的应用。这些方法现在正应用于医学，以产生具有临床指导意义的医疗信息。在这篇评论文章中，我们简要介绍了用于生成高维分子数据的方法，然后重点介绍了机器学习在这些数据的临床应用中发挥的关键作用。
患者特定的信号网络布尔模型......
摘要 前列腺癌是全球男性中第二大癌症。为了更好地了解肿瘤发生机制和可能的治疗反应，我们开发了一个前列腺癌数学模型，该模型考虑了已知失调的主要信号通路。我们将这个布尔模型个性化为分子数据，以反映癌症患者对干扰的异质性和特异性反应。总共使用了 488 个前列腺样本来构建患者特定模型，并与可用的临床数据进行比较。此外，还建立了八个前列腺细胞系特定模型，以使用几种药物的剂量反应数据验证我们的方法。在不同生长条件下，在这些模型中测试了单一药物和联合药物的效果。我们在一种细胞系特定模型中确定了 15 个可操作的干预点，该模型的失活会阻碍肿瘤发生。为了验证这些结果，我们测试了五个假定靶标的九种小分子抑制剂，发现对其中四个具有剂量依赖性作用，特别是那些针对 HSP90 和 PI3K 的抑制剂。这些结果突出了我们的个性化布尔模型的预测能力，并说明了它们如何用于精准肿瘤学。