XiaoMi-AI文件搜索系统
World File Search System原生
分离和转染原生质体以进行编辑......
版权所有 © 2023 美洲开发银行。本作品根据知识共享署名-非商业-禁止演绎（CC-IGO 3.0 BY-NC-ND）许可证（http://creativecommons.org/licenses/by-nc-nd/3.0/igo/legalcode）获得许可，可在授予 IDB 适当认可后复制用于任何非商业用途。不允许衍生作品。任何有关使用美洲开发银行作品的争议，如果不能友好解决，应根据联合国国际贸易法委员会的规则提交仲裁。除了适当识别和使用 IDB 徽标之外，将 IDB 名称用于任何其他目的均不受此 CC-IGO 许可的授权，并且需要额外的许可协议。请注意，URL 链接包含此许可的附加条款和条件。
霞浦湖的原生动物生物群：形态观察和环境 DNA 分析……
[背景和目标] 原生生物是一类生物，占真核生物系统发育多样性的大部分，存在于地球的所有环境中，包括土壤、海洋和湖泊。在水生生态系统中，它们作为重要的初级生产者、初级消费者和分解者，在微生物循环中发挥着重要作用。此外，底栖和附生原生动物是鱼类和甲壳类动物的直接食物，因此对生态系统内的营养循环做出了巨大贡献。因此，了解原生生物群对于更深入地了解该环境中的整个生态系统至关重要。针对深海、南极洲和海洋等环境的原生动物生物群的详细分析已经有很多报道，但是对于涵盖陆地上所谓熟悉的普通环境（普遍环境）中的许多生物群的详细分析却知之甚少。霞浦湖是日本第二大海底湖，平均深度为4米，堪称普遍淡水环境的代表性湖泊之一。自 1976 年以来，日本国立环境研究所 (NIES) 一直在霞浦湖的 10 个点对水质和生物群落进行长期监测。然而，在其中两个地点，对原生动物生物群的调查仅限于使用光学显微镜进行的目视识别，尚未报告DNA水平的详细分析。此外，由于仅收集了地表水样本，对底栖原生动物和附生原生动物的研究不足。 在本研究中，除了在显微镜下进行形态观察外，我们还使用环境 DNA 分析来研究原生动物生物群，包括底栖生物和固着生物，目的是进一步增强对霞浦湖生态系统的了解的基础。 [方法] ○ 调查地点及抽样方法
一种高效的基于原生质体的葡萄属基因组编辑方案
CRISPR-Cas 技术可以对植物基因组进行精确修改，有望彻底改变农业。这些技术依赖于将编辑组件递送到植物细胞中以及完全编辑的植物的再生。在无性繁殖植物（例如葡萄）中，原生质体培养是生产非嵌合和无转基因的基因组编辑植物的最佳途径之一。然而，原生质体再生植物的能力较差，阻碍了其在基因组编辑中的应用。在这里，我们报告了一种从多个葡萄品种的原生质体再生植物的有效方案。通过将原生质体封装在海藻酸钙珠中并与饲养层培养物共培养，原生质体分裂形成愈伤组织菌落，再生成胚胎并最终生成植物。该方案在酿酒葡萄和鲜食葡萄 (Vitis vinifera) 品种以及葡萄砧木和葡萄野生近缘种 Vitis arizonica 中均成功发挥作用。此外，通过用 CRISPR 质粒或核糖核蛋白 (RNP) 复合物转染原生质体，我们在三个品种和 V. arizonica 中再生了 VvPHYTOENE DESATURASE 基因经过编辑的白化植物。结果揭示了该平台在促进葡萄属物种基因组编辑方面的潜力。
一种高效的基于原生质体的葡萄属植物基因组编辑方案
CRISPR-Cas 技术可以对植物基因组进行精确修改，有望彻底改变农业。这些技术依赖于将编辑组件递送到植物细胞中以及再生完全编辑的植物。在无性繁殖植物（例如葡萄）中，原生质体培养是生产非嵌合和无转基因的基因组编辑植物的最佳途径之一。然而，植物从原生质体再生能力较差，阻碍了其用于基因组编辑的实施。在这里，我们报告了一种从来自多个葡萄品种的原生质体再生植物的有效方案。通过将原生质体封装在海藻酸钙珠中并与饲养层培养物共培养，原生质体分裂形成愈伤组织菌落，再生成胚胎并最终再生为植物。该方案成功应用于酿酒葡萄和鲜食葡萄（Vitis vinifera）品种，以及葡萄砧木和葡萄树野生近缘种 Vitis arizonica。此外，通过用 CRISPR-质粒或核糖核蛋白 (RNP) 复合物转染原生质体，我们在三个品种和 V. arizonica 中再生了 VvPHYTOENE DESATURASE 基因经过编辑的白化植物。结果揭示了该平台在促进葡萄属物种基因组编辑方面的潜力。
原生动物作为水质评估的生物指导者
原生动物是单细胞的真核生物，具有典型的内部结构，例如动物细胞，并执行所有类似动物的功能。它们是水生生态系统和土壤生物多样性的重要组成部分，对能量转移至较高的营养水平和有机物分解。它们在各种环境条件下都存在，并且分布广泛，并且对不同的污染物相对敏感。原生动物是水质和土壤健康的生物指标的有前途的候选人。本评论的目的是强调原生动物作为水质监测的生物指导者的重要性。生物指标的基本目的是将生物群作为环境条件的指标。可以根据其目标和目标来认识三个广泛的生物指导者：环境，生态和生物多样性指标。Protista生物指导者有七个关键优势，即：环境敏感性，功能重要性，分布，大小和数字，响应时间，易于分析和保存潜力。关于水污染，原生动物似乎是评估治疗厂废水的毒性和污染的绝佳工具，以及淡水和海洋生态系统的水质。
一种甲状腺素的O-抗原生物偶联物疫苗表现出针对多种肺炎肺炎分离株的差异功能抗体反应
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权所有，该版本发布于2023年12月12日。 https://doi.org/10.1101/2023.12.12.12.571344 doi：Biorxiv Preprint
原生及跨领域AI研究报告
本文档广泛介绍了将原生和跨域 AI 纳入下一代网络时需要考虑的功能方面。首先简要概述了 AI 在全球标准组织（包括 3GPP、O-RAN 和 ETSI-ZSM）中的现状。报告在无线网络环境中对原生和跨域 AI 这两个术语进行了简明的定义，然后讨论了 AI 对架构的影响。讨论了跨多层提取大量不同数据的挑战，以及相应的数据建模、格式化和表示要求。统一的数据提取模型正在成为一项关键要求。强调了分布式和边缘智能对于解决无线网络中复杂的多层问题的重要性，以及这种分布式架构中的可信度概念。讨论了大规模分布式智能的推动因素，包括 HPC 平台和附带的软件平台（包括开源）。描述了意图驱动管理的新兴范式及其与 AI/ML 的相互作用。讨论了在分解式 RAN 之间以及 RAN 和 CN 之间进行协作 AI 的必要性。本研究报告是 O-RAN nGRG 首次尝试调查 AI/ML 在下一代网络中的应用情况，并在此基础上为对每个突出显示的领域进行进一步探索奠定了基础。
利用有序多孔 Cu2O 的空间限制效应促进电化学 CO2 还原生成 C2+
然而，CO 2 分子的单碳（C 1 ）性质和化学稳定性对碳 - 碳（C - C）键偶联反应造成了巨大障碍，从而限制了 CO 2 转化为 C 2+ 的效率。4 – 7 已证明，催化剂表面吸附的 CO 中间体（* CO）的充分覆盖对于二聚化和质子化形成 C 2+ 产物至关重要。4,8 – 10 到目前为止，可以促进* CO 覆盖和/或抑制 CO 逃逸的催化剂设计策略有望实现深度 CO 2 还原，以高选择性和效率生成有价值的 C 2+ 产品。在所有策略中，具有凹面的催化剂已表现出对反应中间体的非凡限制。 4,11,12例如，Cu 2 O 腔体通过对碳中间体进行空间约束，使 C 2+ 法拉第效率 (FE) 达到 75.2 ± 2.7%，4 而通过优化 Cu 2 O 空心多壳结构的约束效应，最大 C 2+ FE 达到 77.0 ± 0.3%。11遗憾的是，这些研究中报告的约束效应不足以在安培级电流密度下实现高 C 2+ 选择性，从而阻碍了它们的实际应用。此外，缺乏对结构 - 性能关系的理解，这阻碍了生产具有更高效电催化剂的精细设计。为了解决这些问题，有序多孔 Cu 2 O
零信任解决方案 AI 原生安全运营平台™
在安全运营中心 (SOC) 中集成人工智能 (AI)、自动化和编排可以从根本上改变安全运营，使其发展成为一个更主动、更高效、更有效的实体，能够灵活、精确地应对现代威胁形势。这种方法不仅可以加强组织的安全态势，而且需要资源利用率并增强战略决策。通过战略性地应用人工智能，分析、行为分析和威胁检测得到增强，使系统能够仔细预测和识别潜在的网络安全威胁和漏洞。自动化可以加强安全运营，促进对威胁的自动响应、细致的警报管理和熟练的补丁管理，确定低风险事件在无需不必要的人工干预的情况下得到管理。此外，流程的编排可以实现各种安全工具的同步、协调的事件响应以及不同团队和技术之间威胁情报的简化共享。这种由人工智能和自动化支持的主动防御机制包括警惕的威胁搜寻、细致的漏洞管理和广泛的数据保护，可保护网络免受未被发现的威胁和漏洞的侵害。该技术不仅通过可操作的见解和人工智能驱动的分析来增强决策和战略规划，而且还通过智能地整合警报、提供丰富的上下文和自动执行日常任务来减轻警报疲劳并提高分析师的工作效率。
基础模型时代的人工智能原生系统_挑战与机遇
近年来，人工智能 (AI) 在处理大量数据和产生可操作见解方面取得了惊人的进步。它对各个行业的影响是显而易见且显著的，影响、改善甚至彻底改变了整个行业。近几个月来，生成式人工智能的兴起及其根据给定输入或上下文生成新内容（例如自然语言文本或视频）的能力 [1]，成倍地提高了人们对人工智能在创新、行业转型、新业务机会和运营简化方面所能提供的期望。许多生成式人工智能模型被打包为基础模型 (FM)。FM 有多种类型。有针对文本、图像、声音和视频的基础模型，但最著名的 FM 是面向文本的模型，称为大型语言模型 (LLM)。LLM 是人工深度神经网络，可以生成新的面向文本的数据。它们使用来自各种来源的大量文本数据进行训练，例如在线书籍、新闻文章、社交媒体帖子、编程代码和网页。LLM 在各种自然语言处理 (NLP) 任务中表现出色，例如文本摘要、问答、情感分析、代码生成和机器翻译。它们还可以生成富有创意和吸引力的文本，例如故事、诗歌、笑话、歌词、图像、音频和代码，所有这些都由基于文本的提示驱动。从行业角度来看，FM 可以彻底改变我们与软件产品和服务的交互方式。它们可以实现新形式的人机通信，例如对话代理和个人助理。它们还可以增强软件产品的功能和用户体验，例如搜索引擎、电子商务平台和社交媒体网络。Open AI 的 ChatGPT [2] 等产品的兴起表明这种技术对社会的影响有多么深远。人工智能的变革力量在许多企业中都显而易见，包括电信行业。多年来，人们观察到人工智能在电信用例中的重要性日益增加，从而导致了“人工智能原生电信公司”一词的兴起。爱立信最近的一份白皮书 [3] 将“人工智能原生”一词解释为具有“内在可信人工智能能力”的系统，其中人工智能是设计、部署、操作和维护功能的自然组成部分。FM 的强大功能和灵活性使其成为人工智能原生系统的明显基石。Lu 等人。AI 原生系统利用数据驱动和基于知识的生态系统，在该生态系统中创建和使用数据来产生新的基于 AI 的功能，在需要时用学习和自适应 AI 取代静态的、基于规则的机制”[3]。开发包含 FM 组件的软件产品可能会引入法律和知识产权 (IPR) 问题以及额外的工程复杂性。FM 的随机性、数据质量、模型大小、可信度、安全性、监管和隐私方面 [2] 放大了与软件生命周期相关的挑战。呼吁采取行动关注基于基础模型的系统的设计方面 [4]，但这一领域需要研究和实践界的更多关注。本文从工程角度反思了利用电信网络中 FM 的 AI 原生系统及其相关影响。