XiaoMi-AI文件搜索系统
World File Search System即可
简单的电穿孔即可在小鼠受精卵中实现高效的 CRISPR/Cas9 基因组编辑
受精卵电穿孔是小鼠中 CRISPR/Cas9 介导的基因组编辑中复杂的原核注射程序的快速替代方法。然而，目前的电穿孔方案要么需要投资专门的电穿孔仪，要么需要对受精卵进行腐蚀性预处理，这会损害胚胎的活力。在这里，我们描述了一种易于适应的方法，通过使用带有合成 CRISPR/Cas9 组件的普通电穿孔仪对完整的受精卵进行电穿孔，高效地在小鼠中引入特定突变，并且技术要求最低。该方案可有效处理来自各种遗传背景的受精卵，并与其他 CRISPR 核酸酶（如 Cas12a）兼容。
富士通将军开发出下一代可穿戴空调，仅需 10 秒即可实现极致冷却
富士通将军今天宣布，已开发出具有前所未有的冷却性能的新一代可穿戴空调。从今天开始，这款新机型可以在线预订。该产品计划于 2025 年春季上市。新款可穿戴空调是 2021 年发布的富士通将军 Cómodo 装备的更紧凑版本。新款机型仍然拥有卓越的性能，能够将温度降低至环境空气温度以下 20°C，是一款易于使用、方便的颈部冷却器。之前独立的颈部冷却器和水冷式热交换器现在集成为一个无管设计。因此，不再需要佩戴缠绕在腰部的热交换器单元。现在只需 10 秒即可穿上该产品，比以前快三倍。大大提高的易用性使新产品对于建筑、物流、活动和其他需要移动性的行业的工人来说非常方便。
一次接种带有 REV-LTR 插入物的重组马立克氏病病毒即可产生免疫力并维持长期免疫力
马立克氏病（MD）是由马立克氏病病毒（MDV）引起的家禽一种高度接触性淋巴组织增生性疾病。尽管MD已得到疫苗有效控制，但MDV野生分离株的毒力仍在不断演变，在疫苗的免疫压力下毒性变得更强。我们前期研究已证实插入REV-LTR的重组rMDV毒株可作为减毒活疫苗候选株。本研究旨在通过两个实验评估rMDV毒株的免疫起效时间和免疫持续时间。两个实验均给1日龄SPF鸡皮下接种rMDV毒株，剂量为每只鸡3,000 噬斑形成单位（PFU）并在0.2 mL MD稀释液中接种。随后，在试验设计1中，分别于免疫后3天、5天、7天用500 PFU vvMDV毒株MD5对Vac-3d/CC-3d、Vac-5d/CC-5d、Vac-7d/CC-7d组雏鸡进行攻击；在试验设计2中，分别于免疫后60天、120天、180天对Vac-60d/CC-60d、Vac-120d/CC-120d、Vac-180d/CC-180d组雏鸡进行攻击，观察并记录各组鸡的临床症状和体重增长情况。结果表明，插入REV-LTR的rMDV毒株从3日龄开始提供保护，1日龄免疫后5日龄即可获得良好的免疫效果，免疫持续时间至少可达180天。考虑到与年龄相关的抗性，可以证实我们的疫苗确实可以提供终身免疫。本研究为rMDV毒株的免疫起效和免疫持续时间提供了有价值的见解，将为MD疫苗的开发和改进提供基础。
Opresnik 商学院通过教育建设更美好的世界！仅需 8 个月即可获得工商管理硕士 (MBA)
摘要 我们与德国、瑞士和英国的知名大学和商学院合作，与英国顶尖大学（例如中央兰开夏大学、伍尔弗汉普顿大学、雷克瑟姆大学、安格利亚鲁斯金大学）合作，提供仅需 8 个月即可完成的 100% 在线 MBA 课程。与通常需要 24-36 个月的德国传统在线 MBA 课程不同，我们的工商管理硕士课程只需很短的时间即可完成。根据#OpresnikLearning 的综合方法和以“人、地球、利润”为支柱的三重底线概念，1% 的学费将通过联合国世界粮食计划署的“ShareTheMeal”倡议捐赠用于为有需要的人提供膳食。马克·奥普雷斯尼克创立的“奥普雷斯尼克与朋友”计划以“通过教育建设更美好的世界”为使命，致力于支持联合国 2030 年议程及其可持续发展目标 (SDG)。我们重点关注目标 2“零饥饿”和目标 4“优质教育”。
具有新型组合 KO 的 iPSC 衍生 CAR-γδT 在临床前试验中无需细胞因子支持即可表现出更长的寿命和显著的抗肿瘤功效
用于 iγδT 细胞疗法的 GMP 克隆生成始于人类 PBMC。在富集和重编程后，根据基因组完整性测试（包括残留基因表达、TCR 测序和形态学评估）选择 iPSC 克隆。合格的 iPSC 系被冷冻保存并经过多轮基因编辑，每轮之后进行单细胞分选。根据细胞健康、靶向和脱靶编辑以及基因组完整性（通过全基因组测序和致癌基因突变面板）选择工程 iPSC 克隆进行冷冻保存到种子库中。在分化之前，完全改造的 iPSC 将扩增、成熟为 γδT 细胞，增殖后，iγδT 细胞被收获为药品。
人工智能 (AI) 用于识别尿培养结果，无需工作人员干预即可自动发布到患者记录中。Ross J. Davidson、Conor Porter、Charles Heinstein、Audra Russell-Tattrie、Joline Head、Glenn Patriquin
许多实验室虽然历来注重成本，但一直努力以尽可能经济的方式向临床医生同事提供准确的结果。然而，在过去五年里，尤其是疫情后，实验室在人力资源极为宝贵的时代难以管理实验室运营。作为回应，许多实验室正在探索“微生物实验室自动化”（MLA）仪器来补充常规分析，允许技术人员重新部署到实验室的其他区域或执行更复杂或深奥的任务。人工智能（AI）的进步进一步增强了MLA自动化处理标本工作流程的能力，使这些仪器无需人工干预即可报告培养阴性和阳性结果。我们评估了 Copan 的 PhenoMATRIX (PM) 人工智能软件（意大利布雷西亚 Copan），该软件能够准确地将尿液培养结果分配到无生长 (NG)、无显著生长 (NSG；<10 个菌落，单个分离株) 或大肠杆菌 (EC) 类别，以便自动向临床医生发布结果。
只需 5 分钟即可掌握澳大利亚新型 DEW
由于与传统的“硬杀伤”方法（如导弹）相比，Fractl 具有关键优势，因此它迅速成为任何国家对抗 UAS 武器库中的必备组成部分。最显著的优势是成本，因为在某些情况下，向成本仅为几千英镑的无人机发射成本高达 100 万英镑的导弹根本无法长期维持，而 Fractl 可以以比烧开水壶所需的能量还小的功率击落无人机。
无需挑选赢家即可赢得人工智能竞赛
1 2024 年数字十年状况报告，ec.europa.eu/commission/presscorner/detail/en/ip_24_3602 2欧洲审计院，《人工智能：欧盟必须加快步伐》，eca.europa.eu/en/news/news-sr-2024-08 3欧盟数字政策的未来 - 理事会结论（2024 年 5 月 21 日），data.consilium.europa.eu/doc/document/ST-9957-2024-INIT/en/pdf 4参见“如何以有限的手段玩数字权力游戏”，thinkeuropa.dk/files/media/document/How%20to%20Play%20the%20Digital%20 Power%20Game%20with%20Limited%20Means_0.pdf 5参见“关于生成式人工智能基础模型和人工智能产品竞争的联合声明” - competition-policy.ec.europa.eu/about/news/joint-statement-competition-generative-ai-foundation-models-and-ai-products-2024-07-23_en。另请参阅“生成人工智能：法国税务局就该行业的竞争功能发表意见” - autoritedelaconcurrence.fr/en/press-release/generative-artificial-intelligence-autorite-issu es-its-opinion-competitive 6基于 cdn.digitaleurope.org/uploads/2024/06/DIGITALEUROPE-EU-CRITICAL-TECH-GAP-REPORT_WEB_UPDATED.pdf 和 francedigitale.org/en/posts/report-generative-ai 7consilium.europa.eu/en/european-council/strategic-agenda-2024-2029/ 和 commission.europa.eu/document/download/e6cd4328-673c-4e7a-8683- f63ffb2cf648_en?filename=Political%20Guidelines%202024-2029_EN.pdf 8ec.europa.eu/commission/presscorner/detail/en/ip_24_383 9euractiv.com/section/artificial-intelligence/news/european-commission-is-moving-ahead-with-ai-factories/ 10 欧洲审计院，《人工智能：欧盟必须加快步伐》，eca.europa.eu/en/news/news-sr-2024-08 11 europa.eu/eurobarometer/surveys/detail/2994 12 ec.europa.eu/commission/presscorner/detail/en/ip_24_3602 13 JRC，《将欧盟层面的融资工具与数字十年目标相结合》， Publications.jrc.ec.europa.eu/repository/handle/JRC134647 14 aiindex.stanford.edu/report/
![课程大纲中关于使用生成人工智能 (AI) 的声明示例（见参议院章程 54 和 55） 生成人工智能是一种通过识别大量训练数据中的模式来创建类似人类内容（包括文本、图像、视频和计算机代码）的技术，然后创建具有相似特征的原始材料。示例包括：可以生成文本的 ChatGPT、Google Gemini、Claude 和 Jenni，可以生成编码和编程的 Github Co-pilot，以及可以生成图像的 DALL-E 和 Midjourney。（Pasick，2023 年）参议院章程 54 和 55 要求教师在课程大纲中包含“有关在课程中使用生成人工智能 (AI) 的信息或限制”。不将信息包含在课程大纲中的默认情况是允许在课程中使用生成人工智能（参议院：2024 年 5 月 10 日）。教学大纲说明样本：[非详尽列表] 禁止使用示例 1：在本课程中，使用任何生成式 AI 系统（包括但不限于 ChatGPT、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney）均被视为可能带来不应有优势的未经授权的辅助工具，因此不得在提交的成绩作业创作中或作为本课程任何作业的一部分使用。在本课程的评分作业中使用生成式 AI 系统被视为学术不端行为，可能根据章程 31：学术诚信受到纪律处分。示例 2：在本课程中，生成式 AI 工具（例如 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney）被视为未经授权的辅助工具。在本课程的任何作业（例如写作过程、创作过程、图像创建过程）的任何阶段均不允许使用生成式 AI。以此方式使用将被视为学术不端行为，并可能根据章程 31：学术诚信受到纪律处分。示例 3：本课程不允许使用生成式 AI 工具（例如 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney 等）；因此，在本课程中使用任何 AI 工具进行作业都将被视为违反大学的学生行为准则，因为该作业并不完全是你自己的，并可能根据章程 31：学术诚信受到纪律处分。示例 4：除非讲师明确说明，否则本课程的所有作业均严禁使用生成式人工智能工具。这包括 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney 以及其他人工智能工具。使用未经授权的辅助工具构成学术不端行为，可能受到《条例 31：学术诚信》的处罚。一些允许的用途示例 1：学生可以根据每次评估概述的指导方针在本课程中使用生成式人工智能，只要承认并引用了生成式人工智能的使用，并遵循课程大纲和/或作业说明中给出的引用说明即可。这包括 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和](/simg/2/2b284d70466e04bcf703479538c50445c084deab.png)
课程大纲中关于使用生成人工智能 (AI) 的声明示例（见参议院章程 54 和 55） 生成人工智能是一种通过识别大量训练数据中的模式来创建类似人类内容（包括文本、图像、视频和计算机代码）的技术，然后创建具有相似特征的原始材料。示例包括：可以生成文本的 ChatGPT、Google Gemini、Claude 和 Jenni，可以生成编码和编程的 Github Co-pilot，以及可以生成图像的 DALL-E 和 Midjourney。（Pasick，2023 年）参议院章程 54 和 55 要求教师在课程大纲中包含“有关在课程中使用生成人工智能 (AI) 的信息或限制”。不将信息包含在课程大纲中的默认情况是允许在课程中使用生成人工智能（参议院：2024 年 5 月 10 日）。教学大纲说明样本：[非详尽列表] 禁止使用示例 1：在本课程中，使用任何生成式 AI 系统（包括但不限于 ChatGPT、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney）均被视为可能带来不应有优势的未经授权的辅助工具，因此不得在提交的成绩作业创作中或作为本课程任何作业的一部分使用。在本课程的评分作业中使用生成式 AI 系统被视为学术不端行为，可能根据章程 31：学术诚信受到纪律处分。示例 2：在本课程中，生成式 AI 工具（例如 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney）被视为未经授权的辅助工具。在本课程的任何作业（例如写作过程、创作过程、图像创建过程）的任何阶段均不允许使用生成式 AI。以此方式使用将被视为学术不端行为，并可能根据章程 31：学术诚信受到纪律处分。示例 3：本课程不允许使用生成式 AI 工具（例如 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney 等）；因此，在本课程中使用任何 AI 工具进行作业都将被视为违反大学的学生行为准则，因为该作业并不完全是你自己的，并可能根据章程 31：学术诚信受到纪律处分。示例 4：除非讲师明确说明，否则本课程的所有作业均严禁使用生成式人工智能工具。这包括 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney 以及其他人工智能工具。使用未经授权的辅助工具构成学术不端行为，可能受到《条例 31：学术诚信》的处罚。一些允许的用途示例 1：学生可以根据每次评估概述的指导方针在本课程中使用生成式人工智能，只要承认并引用了生成式人工智能的使用，并遵循课程大纲和/或作业说明中给出的引用说明即可。这包括 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和
课程大纲中关于使用生成人工智能 (AI) 的声明示例（见参议院章程 54 和 55） 生成人工智能是一种通过识别大量训练数据中的模式来创建类似人类内容（包括文本、图像、视频和计算机代码）的技术，然后创建具有相似特征的原始材料。示例包括：可以生成文本的 ChatGPT、Google Gemini、Claude 和 Jenni，可以生成编码和编程的 Github Co-pilot，以及可以生成图像的 DALL-E 和 Midjourney。（Pasick，2023 年）参议院章程 54 和 55 要求教师在课程大纲中包含“有关在课程中使用生成人工智能 (AI) 的信息或限制”。不将信息包含在课程大纲中的默认情况是允许在课程中使用生成人工智能（参议院：2024 年 5 月 10 日）。教学大纲说明样本：[非详尽列表] 禁止使用示例 1：在本课程中，使用任何生成式 AI 系统（包括但不限于 ChatGPT、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney）均被视为可能带来不应有优势的未经授权的辅助工具，因此不得在提交的成绩作业创作中或作为本课程任何作业的一部分使用。在本课程的评分作业中使用生成式 AI 系统被视为学术不端行为，可能根据章程 31：学术诚信受到纪律处分。示例 2：在本课程中，生成式 AI 工具（例如 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney）被视为未经授权的辅助工具。在本课程的任何作业（例如写作过程、创作过程、图像创建过程）的任何阶段均不允许使用生成式 AI。以此方式使用将被视为学术不端行为，并可能根据章程 31：学术诚信受到纪律处分。示例 3：本课程不允许使用生成式 AI 工具（例如 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney 等）；因此，在本课程中使用任何 AI 工具进行作业都将被视为违反大学的学生行为准则，因为该作业并不完全是你自己的，并可能根据章程 31：学术诚信受到纪律处分。示例 4：除非讲师明确说明，否则本课程的所有作业均严禁使用生成式人工智能工具。这包括 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和 Midjourney 以及其他人工智能工具。使用未经授权的辅助工具构成学术不端行为，可能受到《条例 31：学术诚信》的处罚。一些允许的用途示例 1：学生可以根据每次评估概述的指导方针在本课程中使用生成式人工智能，只要承认并引用了生成式人工智能的使用，并遵循课程大纲和/或作业说明中给出的引用说明即可。这包括 ChatGPT、Google Gemini、Claude、Jenni、Github Co-pilot、DaLL-E 和
FFCL：具有皮质环路的前向-前向网络，无需反向传播即可在边缘进行训练和推理
前向-前向学习 (FFL) 算法是最近提出的一种无需占用大量内存的反向传播即可训练神经网络的解决方案。在训练期间，标签会伴随输入数据，将其分类为正输入或负输入。每一层都会独立学习对这些输入的响应。在本研究中，我们通过以下贡献增强了 FFL：1) 我们通过在层之间分离标签和特征转发来优化标签处理，从而提高学习性能。2) 通过修改标签集成，我们增强了推理过程，降低了计算复杂性并提高了性能。3) 我们引入了类似于大脑皮层环路的反馈回路，信息在其中循环并返回到早期的神经元，使各层能够将来自前几层的复杂特征与低级特征相结合，从而提高学习效率。