XiaoMi-AI文件搜索系统
World File Search SystemEvolutionary
人类疾病酵母模型中磷光酶缺乏症的进化营救
摘要糖基化（CDG）的人类先天性疾病的最常见原因是磷光合酶基因PMM2中的突变，它影响蛋白质N-连接的糖基化。酵母基因SEC53编码人类PMM2的同源物。我们进化了384个酵母，载有两个与人疾病相关的等位基因之一，SEC53-V238M和SEC53 -F126L或野生型SEC53。我们发现，1000代后，大多数种群弥补了与Sec53人疾病相关等位基因相关的慢增长表型。通过全基因组测序，我们确定了补偿性突变，包括已知的SEC53遗传相互作用。我们观察到其他基因的补偿性突变富集，其人类同源物与1型CDG相关，包括PGM1，该基因编码酵母中磷酸葡萄糖核酶的少量同工型。通过遗传重建，我们表明进化的PGM1突变是主要的，并且是特异性的遗传相互作用者，可恢复具有Sec53 -V238m等位基因的蛋白质糖基化和酵母的生长。最后，我们表征了纯化的PGM1突变蛋白的酶活性。我们发现，PGM1活性的减少（而不是消除）最好地补偿了与Sec53 -V238M等位基因相关的有害表型。广义，我们的结果证明了实验进化的力量，作为识别补偿与人类疾病相关等位基因的基因和途径的工具。
使用进化集成贝叶斯模型跟踪非平稳信号中的功能变化以实现稳健的神经解码
神经信号是典型的非平稳数据，神经活动与意图（如运动速度）之间的功能映射有时会发生变化。现有研究大多使用固定的神经解码器，因此在神经功能发生变化时性能不稳定。我们提出了一种新颖的进化集成框架（EvoEnsemble），通过相应地进化解码器模型来动态应对神经信号的变化。EvoEnsemble 将进化计算算法集成到贝叶斯框架中，可以根据每个时间段的传入数据依次计算模型的适应度及其似然度，从而实现对时变函数的在线跟踪。设计了随变化进化和历史模型存档两种策略，以进一步提高效率和稳定性。模拟和神经信号实验表明，EvoEnsemble 可以有效跟踪功能的变化，从而提高神经解码的准确性和鲁棒性。这种改进在具有功能变化的神经信号中最为明显。
量子进化算法的新模式
摘要：在文献中已经讨论了量子进化算法的不同形式。这些努力中的一个分支研究方法是用量子比例来表示遗传信息的表示，即问题信息。该表示的典型缺点是在算法的评估和选择步骤中丢失了量子信息。即，在混合古典设置中实现算法，并且需要在每次迭代中进行测量。这不可避免地会破坏基因组表示中的叠加和纠缠结构。在这项工作中，我们提出了一种用于遗传信息和评估和选择阶段的新实施方法，该方法实现了量子电路中的这些步骤。为了实现这一目标，我们利用Qudits代表不断发展的实体。此外，我们还利用模式来设计量子亚电路来组成从经典领域已知的控制结构。结果，我们显示了任何时间算法的量子电路设计，该算法不必在每次迭代中测量，并且不取决于经典的控制。仅需要在旗帜标志上检查进化过程的整体进展。该方法当前具有某些局限性，例如在目标函数中。此处是针对玩具问题的领导者。
1个不断变化的世界中的植物 - 微生物生态进化动力2 3 Violeta Angulo *1，Nicolas Beriot *2,3，Edisa Garcia-Hernandez *4，Erqin Li *5，
-glomalin，EPS和生物膜改善了土壤聚集的稳定性并增加了根际中的水分，在干旱1,2下增加了植物生存和生物量，以及在盐胁迫下发芽3。- 细菌生物膜减少了植物组织中砷的摄取和砷的积累，并改善了植物生长4。植物激素的分泌-Rhizobial Gearins促进了Rubisco和低分子量的渗透量产生，增加了干旱耐受性5，并促进了不定的根生长以抵消洪水6。- 细菌细胞分裂素增加了相对的水含量，叶水的潜力以及干旱下的根渗出液的产生。- 末期真菌gberellins调节植物激素，导致盐和干旱胁迫下的营养同化较高。8。- 细菌脱落酸增强了脯氨酸水平以及光合作用和光保护色素，减少了在干旱下损失的植物水9。- 细菌中的ACC-脱氨基酶基因增加了根部伸长和病原体耐药性10。
叶蝉进化新特征的基因组基础
进化创新产生了表型和物种多样性。阐明此类创新背后的基因组过程对于理解生物多样性至关重要。在这项研究中，我们探讨了农业害虫玻璃翅神枪手（Homalodisca vitripennis，GWSS）进化新奇性的基因组基础。叶蝉的突出进化创新包括支体，这是一种排出并用于覆盖身体的蛋白质结构，以及与两种细菌类型的强制性共生关系，这两种细菌类型驻留在不同细胞类型的细胞质中。使用 PacBio 长读测序和 Dovetail Omni-C 技术，我们为 GWSS 生成了染色体水平的基因组组装，然后使用流式细胞术和核型分析验证了该组装。额外的转录组学和蛋白质组学数据用于识别支体产生的新基因。我们发现，支体相关基因包括通过串联重复而多样化的新基因家族。我们还确定了与细菌共生体相互作用的基因位置。GWSS 的祖先通过水平基因转移 (HGT) 获得了细菌基因，这些基因似乎有助于共生体支持。使用系统基因组学方法，我们推断了 HGT 的来源和时间。我们发现一些 HGT 事件可以追溯到半翅目 Auchenorrhyncha 亚目共同祖先，代表了动物中已知的一些最古老的 HGT 例子。总体而言，我们表明叶蝉的进化新颖性是通过获得新基因（从头产生和通过串联重复产生）、获得新的共生关联（允许使用新的饮食和生态位）以及招募外来基因来支持共生体和增强食草性而产生的。
人类加速区域的增强子功能和进化作用
人类加速区域 (HAR) 是人类基因组中进化最快的序列。当 HAR 于 2006 年被发现时，由于非编码基因组的注释很少，它们的功能尚不明了。从转基因动物到机器学习，多种技术一致表明 HAR 可作为基因调控增强子发挥作用，并在神经发育中显著富集。现在可以同时定量测量数千个 HAR 的增强子活性，并模拟每个核苷酸如何促进基因表达。这些策略揭示出许多人类 HAR 序列的功能与黑猩猩直系同源物不同，尽管同一 HAR 中单个核苷酸的变化可能具有相反的效果，与补偿性替换一致。为了全面评估 HAR 在人类进化中的作用，有必要通过实验和计算在更多细胞类型和发育阶段对它们进行剖析。
胃癌的进化免疫治疗方法
摘要：目前的治疗方法并不能为胃癌 (GC) 患者提供生存优势。针对人类表皮生长因子受体 2 (HER-2) 是一种针对晚期 HER-2 阳性 GC 的可行治疗策略。抗体-药物偶联物、小分子酪氨酸激酶抑制剂 (TKI) 和双特异性抗体正在成为可能消除对 HER-2 特异性药物和单克隆抗体的耐药性的新型药物形式。针对 HER-2 的嵌合抗原受体修饰 T 细胞 (CAR-T) 在 GC 和其他实体肿瘤中显示出相当大的治疗潜力。然而，由于 GC 的高度异质性以及复杂的肿瘤微环境 (TME) 经常导致免疫逃逸，GC 的免疫治疗仍然面临许多挑战。本文，我们回顾并讨论了针对 GC 的抗 HER-2-CAR-T 细胞免疫治疗研究的最新进展。关键词：CAR-T、HER-2、胃癌、免疫治疗、靶点
设计高协同性光学腔的进化算法
量子发射体（例如离子、原子、 NV 中心或量子点）与谐振器光学模式的强耦合和较长的腔光子寿命对于量子光学在基础研究和实用量子技术的众多应用中至关重要。有望满足这些要求的系统是光纤微腔 [1-4]、离子束蚀刻介质谐振器 [5] 或微组装结构 [6]。发射体和腔光子之间的强耦合可以通过很小的腔体体积和非常短的光学腔来实现。然而，对于许多现实的量子装置，由于技术困难，腔镜不能放置得太近：对于囚禁离子系统，短腔会导致介质镜带电并导致射频离子囚禁场畸变 [7]；对于中性原子，由于需要将原子输送到腔内以及需要从光学侧面进入腔体进行冷却和捕获[8,9]，短腔长受到限制。因此，用于量子光学装置应用的光学腔需要结合强耦合率和低损耗，同时保持镜子足够远。实现强耦合的一种方法是使腔体处于（近）同心配置中 [10]。这使腔中心的光模场腰部最小化，从而使发射极-光子耦合最大化，但是由于镜子上的模场直径较大，会增加削波损耗，从而限制了由腔协同性所能实现的最大腔性能。增加腔中心场振幅的另一种方法是通过调制镜子轮廓来创建某种干涉图案 [11]。我们假设我们不受球形腔的限制，即我们可以使用例如聚焦离子束铣削或激光烧蚀来创建任意形状的镜子，如第 6 节中更详细讨论的那样。在这里，我们用数字方式探索了腔镜的调制球面轮廓，这些轮廓会产生高度局部化的腔模式，同时保持较低的损耗。通过这种方法，我们发现了一种镜子轮廓的流形，它可以提供比同心腔更低的损耗率，从而实现更高的协同性。与我们之前的工作 [ 11 ] 相比，在这里我们不需要先验地了解我们想要生成的确切模式形状（特别是特定的
二十一点的随机环境中的增强学习和进化算法
二十一点是一款赌场纸牌游戏，只有几个基本动作，但它具有不可思议的可能性（Thorp，1966）。Garvie（2017）解释了二十一点的所有规则。简而言之，游戏的目的是达到或获得尽可能接近21分。玩家用两张牌开始游戏，并决定是否拿另一张卡（命中）（站立）。如果玩家超过21岁，他们会输。如果经销商拥有21多名，则球员将获胜。如果球员的总数高于经销商，他们也会赢。其他可能的动作是分开的，只有在玩家手中有两个同一张卡并加倍时才允许，只有在卡总计9,10或11时才允许。通过拆分，游戏有效地分为2场比赛，两场比赛正常进行。又增加了一张卡，但它使该游戏的赌注翻了一番。游戏取决于运气，并且没有一种能够赢得的策略，但是，与次级或随机比赛相比，有一些玩法可以增加获胜几率的方法。由于二十一点是一款赌场游戏，因此它的设计使房屋总是有略有优势。根据其他研究（Summerville，2019年），（Thorp，1966）二十一点的最佳策略
一种用于求解学术课程时间表的进化算法
在大学大型部门的课程中安排时间表是一个非常困难的问题，并且经常通过以前的许多作品来解决，尽管结果部分是最佳的。这项工作通过使用遗传理论来解决时间表问题，以获取一个随机且完全最佳的时间表，并能够为拼贴画中的每个阶段生成多条解决时间表，从而实现了进化算法的原理。主要想法是在发现约束区域的同时自动生成课程时间表，以获得最佳且灵活的时间表，而不会通过更改可行的课程时间表而没有冗余。这项工作中的主要贡献是通过增加不同副本来生成最佳时间表时间表的灵活性来指示的，这是通过增加校园中每个阶段的最佳时间表并在需要时替换时间表的能力的可能性。本文中使用的进化算法（EA）是遗传算法（GA），它是基于进化人群的常见的多溶液元数据搜索，可以应用于解决时间表问题（例如时间表问题）的复杂组合问题。在这项工作中，所有意见：课程，教师和时间由一个阵列演示，以实现本地搜索，并通过使用启发式跨界跨越来确保基本条件不会被打破来实现时间表。这项工作的结果是一个灵活的调度系统，它显示了所有可能根据用户条件和需求创建的可能创建的时间表的多样性。简介：关键词：约束，进化算法（EA），健身函数，遗传算法（GA），时间表时间表（TTS）。