XiaoMi-AI文件搜索系统
World File Search System细胞样本
新技术利用 DNA 作为细胞间谍
右侧图片显示的是经过分子复合物处理的细胞样本，该分子复合物可以与荧光银纳米簇形成接吻 DNA 结构，而左侧的细胞样本未经处理。所有细胞还经过脂质体处理，这种物质有助于将分子带入细胞，从而吸引特定的微小 RNA（微小 RNA-21）到达接吻 DNA 结构。使用不同的显微镜技术对细胞样本进行拍照，突出细胞（灰色图像）和荧光银纳米簇，它们被波长为 594 nm 的光激发，随后发出波长为 650 nm 的红光。可以看出，经过处理的细胞发出红光，表明microRNA-21已经与接吻DNA结构的尾部结合。
使用数字和生物双胞胎（钴）理解人类生物学障碍
钴的目的是在生理障碍的技术平台（“生物双胞胎”）和预测算法（“ Digital Twin”）的生理障碍中，用于在复杂的病理环境中进行筛查，监测和个性化治疗，例如神经退行性疾病和自身免疫性疾病。将基于人类病理生理学两个最重要的障碍的微流体技术创建和验证硬件平台：Hecarencephalic屏障和内皮屏障。该平台将与不同发育程度的炎症病理学患者的细胞样本集成，以评估其在不同病理背景下的渗透性变化。分子和电化学数据将通过患者的临床数据完成，并用于创建障碍的预测算法（“数字双胞胎”），以回答精确药物和个性化医学的临床问题。应用将是临床（通过非侵入性检查评估，例如患者的液体活检，具有生物屏障的炎症状态和药物的预期功效）和工业研究（在不同候选分子的特定病理环境中的估计有效性）。
利用协同杂交捕获技术对 DNA 和甲基化测序进行增强靶向下一代测序
靶向下一代测序可以深度覆盖特定区域，而成本仅为全基因组测序的一小部分。然而，传统的靶向富集引入了额外的工作流程步骤，并且靶分子捕获方法效率低下。在这里，我们提出了一种新型混合捕获靶向富集技术，该技术通过将简化的工作流程与高效且特定的文库制备和捕获相结合来解决这些挑战。与使用长寡核苷酸探针的传统方法不同，安捷伦 Avida 技术使用多个协同结合到目标区域的探针。这种协同结合将捕获效率提高了两到四倍，并确保了高特异性。这项研究重点介绍了该技术在多种应用中的性能，包括靶向 DNA 测序、靶向甲基测序和“Duo”测序，后者在一次测定中独特地结合了 DNA 和甲基测序。使用基因组 DNA 和无细胞样本，Avida 技术实现了从 1 到 100 ng 输入的线性捕获性能，同时捕获了样本中存在的高达 80% 的分子，提供了无与伦比的分子景观视图。
EpiNext™ CUT&LUNCH 检测试剂盒
用途：EpiNext™ CUT&LUNCH 检测试剂盒是一套完整的优化试剂，旨在快速从细胞中直接富集蛋白质（组蛋白或强结合转录因子）特异性 DNA 复合物，以通过 qPCR 或使用 Illumina 平台的下一代测序分析蛋白质与 DNA 之间的相互作用。起始材料：起始材料可以包括各种哺乳动物细胞样本，例如来自烧瓶或培养皿的培养细胞、原代细胞或从血液、体液、新鲜/冷冻组织中分离的稀有细胞群，以及从整个细胞群和胚胎细胞中分选的特定细胞等。细胞输入量：每个反应的细胞量可以是 2 x 10 3 到 5 x 10 5 个细胞。为了获得最佳制备效果，细胞输入量应为 2 x 10 5 ，尽管只需 500 个细胞即可获得修饰组蛋白的结果。抗体：抗体应为 ChIP 级，以识别与 DNA 或其他蛋白质结合的蛋白质。如果您使用的抗体尚未经过 ChIP 验证，则应使用适当的对照抗体（例如抗 RNA 聚合酶 II、抗 H3K4me3 或抗 H3K9me3）来证明这些抗体适合 ChIP。
EpiNext™ DNA 文库制备试剂盒（Illumina）
用途：EpiNext™ DNA 文库制备试剂盒 (Illumina) 适用于使用 Illumina 测序仪为下一代测序应用制备 DNA 文库，包括基因组 DNA 测序、ChIP 测序、MeDIP/hMeDIP 测序、亚硫酸盐测序和靶向重测序。该试剂盒的优化方案和组件允许快速构建非条形码 (单重) 和条形码 (多重) DNA 文库，并减少偏差。起始材料和输入量：起始材料可以包括从各种组织或细胞样本中分离的碎片 dsDNA、从 ChIP 反应、MeDIP/hMeDIP 反应或外显子捕获中富集的 dsDNA。DNA 应相对不含 RNA，因为大量的 RNA 会损害末端修复和 dA 尾部，从而降低连接能力。DNA 的输入量可以是 5 ng 到 1 ug。为了获得最佳制备效果，输入量应为 100 ng 到 200 ng。对于无扩增，需要 500 ng 或更多。注意事项：为避免交叉污染，请小心地将样品或溶液移入试管/小瓶中。使用气溶胶屏障移液器吸头，并在液体转移之间始终更换移液器吸头。整个过程中都要戴手套。如果手套和样品接触，请立即更换手套。
提高大型流行病学研究中体细胞突变分析的准确性：解决没有匹配病例的问题
纽约，纽约州 联系人：Ronglai Shen ( shenr@mskcc.org ) 摘要 理想情况下，使用患者匹配的正常细胞样本作为基准来检测肿瘤中的体细胞突变。这样一来，就可以将体细胞突变与罕见的种系突变区分开来。在大型回顾性研究中，档案组织收集会对获取正常 DNA 样本造成挑战。在本文中，我们提出了一种在没有匹配的正常样本的情况下改进体细胞突变分析的方案。该方法的灵感来自 InterMEL 研究，这是一项大规模流行病学调查，涉及对 1000 个原发性黑色素瘤样本进行多组学、多机构基因组分析。实现改进突变调用的关键见解是种系突变应产生约 50% 的变异等位基因频率 (VAF)。虽然纯肿瘤样本中的体细胞突变也有望获得类似的 50% VAF，但通常肿瘤纯度远低于 50%，导致 VAF 明显较低。利用一种可以同时估计肿瘤纯度和 VAF 的技术，我们开发了一种更好地区分体细胞变异和种系变异的方法。基于 InterMEL 研究中 137 个黑色素瘤与匹配的正常组织来提供黄金标准，我们表明使用一组（不匹配的）正常样本的传统流程存在错误
通过机械荧光变色揭示微流控装置中微藻的摩擦应力
人们对聚二乙炔的机械荧光变色行为进行了深入研究：通过二乙炔前体的光聚合获得的蓝色非发光固相在机械刺激下转化为红色发光固相。受这些化合物作为微尺度力探针的巨大潜力的启发，机械荧光变色在微藻生物技术中得以实现。事实上，微流控芯片中的机械诱导可以削弱细胞包膜并促进微藻产生的高附加值化合物的提取。据报告，基于聚二乙炔的机械荧光变色传感器能够检测微通道中施加在微藻上的应力。设计了一种三乙氧基硅烷二乙炔前体，它在紫色低发射相中光聚合，并在机械应力下转化为红色高发射相。此后，制定了一项协议，以化学方式在微流体通道中接枝一层聚二乙炔层，并最终证明，在有限区域内压缩莱茵衣藻微藻时，摩擦应力会通过聚二乙炔的机械荧光变色响应显示出来，导致荧光显著增强，最高可达 83%。这种微尺度力探针原型为微流体环境中的微尺度应力检测奠定了基础，它不仅适用于微藻，还适用于任何机械响应的细胞样本。
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。⇤