XiaoMi-AI文件搜索系统
World File Search System生物
深共熔溶剂用于检测和提取神经递质：生物医学应用的新兴范例
摘要：神经递质 (NT) 是人类大脑正常运作所必需的化学信使，在人体生理系统中具有特定的浓度。其浓度的任何波动都可能导致多种神经元疾病和障碍。因此，对快速有效的诊断以调节和管理人类大脑疾病或状况的需求正在迅速增加。NT 可以从天然产物中提取。研究人员已经开发出新的协议来提高传感器的传感能力和环保性。深共晶溶剂 (DES) 已成为可持续化学中广受欢迎的“绿色溶剂”。DES 提供了更大的电位窗口范围，有助于增强传感器的电催化性能，并且具有更高的惰性，有助于电极的腐蚀保护，最终为系统提供更好的灵敏度和耐用性。此外，DES 可在工作电极上轻松电沉积不同的材料，这是电催化传感器的主要先决条件。本文首次详细描述了 DES 作为绿色溶剂在检测和提取 NT 中的应用。我们涵盖了截至 2022 年 12 月有关 NT 提取和监测的在线文章。最后，我们总结了该主题并展望了该领域的未来。
通过变性梯度凝胶电泳分析聚合酶链反应扩增的基因编码复杂微生物种群
我们描述了一种分析复杂微生物种群遗传多样性的新型分子方法。该技术基于通过变性梯度凝胶电泳 (DGGE) 分离编码 16S rRNA 的聚合酶链式反应扩增基因片段，这些片段的长度相同。对不同微生物群落的 DGGE 分析表明，分离模式中存在多达 10 个可区分的条带，这些条带很可能来自构成这些种群的许多不同物种，从而生成了种群的 DGGE 图谱。我们表明，可以识别仅占总种群 1% 的成分。使用针对硫酸盐还原菌 16S rRNA 的 V3 区特异性的寡核苷酸探针，可以通过杂交分析识别某些微生物种群的特定 DNA 片段。对在有氧条件下生长的细菌生物膜的基因组 DNA 进行分析表明，尽管硫酸盐还原菌具有厌氧性，但它们仍存在于这种环境中。我们获得的结果表明，该技术将有助于我们了解未知微生物种群的遗传多样性。
通过生物过滤器处理废水：硝化和...
硝化和反硝化生物过程用于去除废水处理中的氮，可提高出水水质，从而减少接收介质中的硝化和随后的氧气消耗；进一步将输送到沿海地区的氮降低到防止沿海水体富营养化的水平[1]。硝化是一个自养需氧过程，通过两个连续的反应将铵转化为硝酸盐：NH 4 + NO 2 – NO 3 –。在铵氧化的第一步中，铵被铵氧化细菌转化为亚硝酸盐，在第二步中，亚硝酸盐被亚硝酸盐氧化细菌转化为硝酸盐。众所周知，硝化生物的比例随着废水 C/N 比的增加而减少。反硝化是一种异养缺氧过程，通过反硝化生物体将硝酸盐转化为气态氮，反应顺序如下：NO 3 – NO 2 – NO N 2 O N 2 [2]。在废水处理中，硝化和反硝化通常分两个步骤进行，因为这两个过程的环境条件不同。废水的生物处理需要培养专门的细菌种群，这些细菌种群可通过固定化等工程技术来强化和加速。事实上，生物过滤器相对于活性污泥的主要优势在于其致密性和在废水生物处理中的效率 [3]。通常，生物膜被描述为基质包裹的微生物，它们粘附在表面和/或彼此上，产生一个动态环境，其中组成微生物细胞似乎达到体内平衡，并被最佳地组织起来以利用所有可用的营养物质。尽管有相当多的综合评论涵盖了生物膜特征和生物膜形成 [3]，但它们通常不太强调生物物理原理在生物膜中的作用 [4]。在本研究中，我们根据最近的技术和理论进展重新审视膜催化生物物理模型，以及如何利用它们来强调膜介导硝化和反硝化的细节。我们研究了氮浓度在膜催化中可能造成的影响，并将注意力集中在用于确定分配常数的技术上。
QBIO 465生物学和医学中的人工智能
QBIO 465 Artificial Intelligence in Biology and Medicine Units: 4 TBD Semester Lecture: Tuesdays and Thursdays 12:30-1:50 pm Discussion: Fridays 11:00-11:50 am Location: RRI 301 Instructor: Tsu-Pei Chiu, PhD Office: RRI 413J Office Hours: Fridays, 4:00-5:00 pm, or by appointment Contact Info: tsupeich@usc.edu助教：Jesse Weller办公室：RRI 413L办公时间：星期二，11：00 AM-12：00 PM或通过预约联系信息：wellerj@usc.edu简短描述AI技术，包括传统的机器学习和高级学习方法，用于基因组学，系统生物学，数据集成，结构，药物学，医学，医学，医学，以及医学，医学，和医学，并发现，以及基于项目。课程描述本课程介绍了各种各样的人工智能（AI）技术，强调各种深度学习方法。本课程将指导学生采用这些复杂技术来应对各种生物学和医疗挑战的过程。通过一种全面，直观的教学方法，学生将沉浸在动手活动中，直接与许多不同类型的生物学和医疗数据集合作。学习目标主题包括基因组学的原理和方法，系统生物学，结构生物学，多摩学数据整合，结构生物学发现，医学图像，大脑形象，道德问题等。使用AI技术，包括传统的机器学习和先进的深度学习方法以及目前的新兴研究领域。使用的主要编程语言将是Python，该语言将在针对AI和深度学习应用程序量身定制的讲座中进行审查。学生将使用该语言实施AI算法来分析生物学和医疗数据集的每周计算分配和学期末期项目。成功完成本课程后，学生将获得对AI原则的广泛了解，尤其是深度学习技能，并能够通过讲座和练习来分析和建模生物学和医学数据。建议准备：数学208x或QBIO 305G或QBIO 310（或同等学历）。数学225或数学235或数学245（或同等学历）。建议使用Python的编程经验。课程记录本课程是为字母等级的。演讲幻灯片将发布在Brightspace上。
AMYC 生物医学 2023
ennio.tasciotti@uniroma5.it 材料科学领域的最新进展表明，生物材料和仿生方法可用于改善医疗技术的功能特性。通过控制合成材料的纳米生物界面的生物化学，可以创建能够更好地与人体复杂生物学相互作用的生物医学平台。通过与内皮细胞、免疫细胞和干细胞的相互作用以及局部和全身炎症的调节，我们证明可以驱动治疗有效载荷在目标部位的积累，并增加创伤或退化后组织的功能恢复。特别是，研讨会将讨论：1- 开发具有生物特性的纳米载体以改善循环时间、靶向性和药物输送，以及 2- 合成模仿天然组织组成和结构的支架以促进再生医学应用。
威斯康星州生物健康技术中心指定叙述
威斯康星州生物健康技术中心指定叙述威斯康星州处于个性化医疗的前沿：这是一种革命性的医疗保健方法，利用来自患者独特的基因密码、医疗记录和环境的信息来指导为他们量身定制的测试、治疗和疗法的决策。这种方法可以帮助患者以更低的成本获得更好的健康结果，并将人置于我们国家关键技术重点领域 (KTFA) #7 方法的中心。我们的研究人员正在大学和私营部门的实验室中开发新的治疗方法；技术团队正在最先进的数据中心分析大量数据集；制造工人正在生产设施中组装精密医疗设备；供应商正在社区医院测试新疗法来帮助他们的患者。EDA 投资将以我们强大而独特的科学、制造、数据科学和医疗保健服务资产集群为基础，形成个性化医疗的生物健康技术中心。该中心以麦迪逊大都会统计区和密尔沃基-沃基肖大都会统计区为中心，在福克斯河谷和全州设有制造业“辐条”，将为来自不同背景的威斯康星州民众创造良好的就业机会，促进当地经济增长，支持威斯康星州制造商并加强供应链，确保国内对关键基因组技术的控制和生物技术制造业的国内增长。
生物炭和秸秆改良剂促进盐渍灌溉棉田中微生物对磷动态的调节
咸水滴灌是解决干旱地区淡水短缺问题的一个潜在解决方案。然而，长期使用会使土壤盐分积累并降低磷 (P) 的有效性。生物炭和秸秆改良剂已被证明可以减轻这些影响，但它们在调节长期咸水灌溉下参与磷转化的微生物基因方面的机制仍不清楚。本研究旨在评估生物炭和秸秆掺入对盐灌棉田土壤微生物群落结构和磷有效性的影响。基于 14 年的田间试验，开发了三种处理方法：仅咸水灌溉 (CK)、咸水灌溉加生物炭 (BC) 和咸水灌溉加秸秆 (ST)。结果表明，这两种改良剂都显著提高了土壤含水量、有机碳、总磷、有效磷和无机磷组分 (Ca 10 -P、Al-P、Fe-P 和 OP)，同时降低了土壤电导率和 Ca 2 -P 和 Ca 8 -P 组分。生物炭增加了 Chloro flexi、Gemmatimonadetes 和 Verrucomicrobia 的相对丰度，而秸秆则促进了 Proteobacteria 和 Planctomycetota 的丰度。两种处理均降低了几种 P 矿化基因（例如 phoD、phoA）的丰度并增加了与 P 溶解相关的基因（例如 gcd）。相关性研究表明，微生物种群和 P 循环基因与土壤特性紧密相关，其中 Ca 2 -P 和 Al-P 是重要的介质。通常，在长期含盐灌溉下，生物炭和秸秆改良剂可降低土壤盐分，提高土壤 P 的有效性，降低磷循环相关微生物基因的表达并改善土壤特性。这些结果使它们成为可持续土壤管理的绝佳技术。
机器学习驱动的糖蛋白质组学分析标识了新型糖尿病相关的糖基化生物标志物
糖基化在包括糖尿病在内的蛋白质功能和疾病进展中起着至关重要的作用。这项研究进行了全面的糖蛋白分析，比较了健康的志愿者（HV）和DM样品，并鉴定出19,374肽和2,113种蛋白质，其中11104种是糖基化的。总共将287种不同的聚糖映射到3,722个糖基化的肽，揭示了HV和DM样品之间糖基化模式的显着差异。统计分析确定了29个显着改变糖基化位点，在DM中上调了23个，在DM中下调了6个。值得注意的是，在DM中，在Prosaposin的位置215处的Glycan HexNAC（2）Hex（2）FUC（1）在DM中显着上调，标志着其首次报道的与糖尿病的关联。机器学习模型，尤其是支持向量机（SVM）和广义线性模型（GLM），在基于糖基化特征（Glycans，糖基化蛋白质和糖基化位点）区分HV和DM样品时，可以在区分HV和DM样品时获得高分类精度（〜92％：96％）。这些发现表明，改变的糖基化模式可能是糖尿病相关病理生理和治疗靶向的潜在生物标志物。