XiaoMi-AI文件搜索系统
World File Search SystemDiscovery
作者更正：发现口服生物可利用的 SARS-CoV-2 木瓜蛋白酶样蛋白酶抑制剂可作为 COVID-19 的潜在治疗方法
开放存取本文采用知识共享署名-非商业性使用-禁止演绎 4.0 国际许可证，允许以任何媒体或格式进行任何非商业性使用、共享、分发和复制，只要您给予原作者和来源适当的信任、提供知识共享许可证的链接并表明您是否修改了许可资料。根据此许可证，您无权共享源自本文或其中部分的改编资料。本文中的图像或其他第三方资料包含在文章的知识共享许可证中，除非资料的致谢中另有说明。如果资料未包含在文章的知识共享许可证中，且您的预期用途不被法定规定允许或超出了允许的用途，您需要直接从版权所有者处获得许可。要查看此许可证的副本，请访问 http://creativecommons.org/licenses/by-nc-nd/4.0/。
链接的基因组学测序和质谱学多模式数据集以及用于微生物应变库中的简化天然产物的模型
预印本（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此版本的版权持有人于2025年1月21日发布。 https://doi.org/10.1101/2025.01.20.633932 doi：biorxiv Preprint
Kodama：通过准确性最大化的知识发现
core_cpp。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>6相关性。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>8 dinisurface。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>9 flayd。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>10频率_Matching。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>10螺旋形。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。12 k.test。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。13 Knn.doble.cv。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。14 Knn.Kodama。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。16 Kodama.matrix。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18 Kodama。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。21个负载。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。22淋巴瘤。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 24 mcplot。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 25米。 。 。 。 。 。 。 。 。 。 。 。22淋巴瘤。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。24 mcplot。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。25米。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。26多_分析。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。27归一化。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。28 PCA。 。 。 。 。 。 。28 PCA。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。30 pls.double.v。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。31 pls.kodama。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。33缩放。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。35个螺旋。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。36旋转。。。。。。。。。。。。。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>38变换。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>39 TXTS Mommary。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>美国40。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div>美国40。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。。。。。。。。。。。。。。41
通过计算方法利用从 Cochlospermum 物种中分离的生物活性化合物发现新型 HMG-CoA 还原酶抑制剂
棒状表示。二级结构元素用黑色标签标记。HMG 和 CoA 用洋红色表示；NADP 用绿色表示。瑞舒伐他汀用紫色表示。他汀类药物利用 HMGR 的构象灵活性在活性位点附近形成疏水结合口袋。形成 HMG 结合口袋（瑞舒伐他汀结合处用黄色表示）的关键氨基酸残基的单字母缩写如下：K，Lys；
CFTR 基因发现的发病率、生存率和影响
摘要：近几十年来，囊性纤维化 (CF) 的治疗取得了重大进展，极大地改变了这种严重疾病的流行病学和预后，该疾病已不再是儿科疾病。本文旨在回顾 CF 发病率和存活率的变化，并评估致病基因（CFTR 基因）的发现对这些变化的影响。大多数国家的 CF 发病率似乎正在下降，患者存活率（可通过各种指标监测）已大大提高，目前估计的中位存活年龄约为 50 岁。30 年前 CFTR 基因的克隆以及识别其多种突变的努力极大地改善了 CF 的治疗。基因筛查政策的实施使得早期诊断成为可能（通过新生儿筛查），此外，在某些地区还可以在家庭或一般人群中进行预防（通过产前诊断、家庭检测或群体携带者筛查）。在过去十年中，对 CF 分子基础的深入了解也促成了 CFTR 调节剂疗法的出现，从而为 CF 治疗带来了重大的临床进展。所有这些现象都有助于改变 CF 的面貌。靶向疗法的出现为精准医疗铺平了道路，并有望在未来几年进一步提高生存率。
材料化学 A - 伦敦大学学院发现
图 6 Li 3(1+ x ) AlP 2 的结构表征 a) 不同退火温度下 Li 3 AlP 2 产物的实验室 XRD。b) 500 ◦ C 退火的微晶 µ c-Li 3(1+ x ) AlP 2 和 c) 300 ◦ C 退火的纳米晶 nc-Li 3(1+ x ) AlP 2 的同步加速器 XRD。d) µ c-Li 2.925 AlP 2 的 Rietveld 细化。e) nc-Li 2.925 AlP 和 f) µ c-Li 2.925 AlP 2 的对分布函数分析。
Discovery Health Medical Scheme - 储蓄计划指南
本手册中介绍的福利由 Discovery Health Medical Scheme（注册号 1125）提供，由 Discovery Health (Pty) Ltd（注册号 1997/013480/07）管理，该公司是一家授权金融服务提供商。本手册仅概述了 Discovery Health Medical Scheme 计划的主要福利和特点，须经医疗计划委员会批准。在所有情况下，Discovery Health Medical Scheme 规则为准。请参阅 www.discovery.co.za 上的计划规则。本手册中涉及福利、会员、付款或保险的“我们”均指 Discovery Health Medical Scheme。我们正在不断改善与您的沟通。本指南的最新版本以及详细的福利信息可在 www.discovery.co.za 上找到。 Discovery Health 应用程序由 Discovery Health (Pty) Ltd（注册号为 1997/013480/07）提供，该公司是一家授权金融服务提供商和医疗计划管理者。
利用靶向RNA的药物发现的计算方法
RNA分子由于细胞在细胞中的功能和调节作用而导致了有希望的治疗靶标。靶向RNA的药物发现中的计算建模为加快新型小分子化合物的发现提供了重要的机会。然而，与蛋白质靶向药物设计相比，该领域遇到了独特的挑战，这主要是由于实验数据的有限和当前模型无法充分解决RNA在配体识别过程中的构象灵活性。尽管存在这些挑战，但使用基于结构的方法或定量结构 - 活性关系（QSAR）模型成功地鉴定了涉及RNA的活跃化合物。本综述概述了建模RNA-MALL分子相互作用的最新进步，强调了计算方法在RNA靶向药物发现中的实际应用。此外，我们调查了现有的数据库，以分类核酸 - 小分子相互作用。随着对RNA-MALL分子相互作用的兴趣会增长并策划数据库扩大，该领域预计快速发展。新颖的计算模型有助于增强有效和选择性的小分子调节剂的识别，以满足治疗需求。
朝着药物发现中生成AI的治理框架：道德，监管和实际挑战
众所周知，药物发现过程昂贵且耗时，通常耗资超过28亿美元，并且需要12年以上的时间才能开发出一种新型的药物[Dimasi等。，2016年]。要应对这些挑战和成本上升，采取更有效的策略是必须的。生成的AI（genai）正在通过简化传统上复杂且昂贵的识别元素化合物的过程来彻底改变药物发现。通过利用算法设计和计算硬件的进步，Genai促进了新型分子结构的影响，并准确地预测了它们的生物学影响。这项创新加速了药物疾病，补充传统方法，并提供了时间和成本的明显节省[Mak等。，2024]。诸如DeepMind的Alphafold和Nvidia的Bionemo平台之类的工具体现了这些技术的变革潜力[Jumper等。，2021] [John等。，2024]。然而，尽管Genai在药物发现中有希望，但其广泛的采用带来了关键的治理挑战。
将机器学习应用于生物标志物发现和结果预测
生物信息学和计算医学计划，美国路易斯安那州立大学健康科学中心，新奥尔良，洛杉矶70112，美国。背景：尽管在患者管理和筛查方面取得了显着进展，但大肠癌（CRC）仍然是全球与癌症相关死亡的主要原因。CRC的发病率和侵略性上升突出了迫切需要发现新型临床可行的生物标志物，用于开发新型治疗剂的靶标以及算法的发展，这些算法可以准确地鉴定患有侵略性疾病的患者，这些患者可以优先治疗。这项研究的目的是发现潜在的临床可行的诊断和预后基因特征，治疗靶标以及开发机器学习（ML）算法，这些算法（ML）算法可以准确预测疾病的侵略性和临床结果多组学数据。方法：我们使用了从基因组数据共享下载的癌症基因组图集（TCGA）的临床信息注释的公开可用的RNA-seq和体细胞突变数据。我们进行了分析，比较了病例和对照之间的基因表达水平，以发现潜在诊断标记的签名。随后，我们比较了生存的个体与死亡以发现潜在预后标记的签名的个体之间的基因表达水平。我们评估了体细胞突变的基因，并进行了基因集富集分析。发现的基因集被用作ML算法开发和验证的特征。结果：我们发现了与CRC相关的基因的签名和一个预测生存的基因的特征。将基因表达与体细胞突变数据相结合，然后进行富集分析，发现基因特征，分子网络和富含体细胞突变的信号通路。分析产生了目前正在进行的ML算法的开发和验证的基因集。结论：多组分学的整合为发现潜在的临床可行诊断，预后标记和靶标提供了一种有力的方法，以开发CRC中新型疗法。它为开发ML算法提供了一个预测临床结果的框架。单词计数：296/300