XiaoMi-AI文件搜索系统
World File Search SystemGranules
商业棕褐色黑色素的形态和化学组成表征
2015年5月8日收到； 2015年5月22日修订； 2015年6月25日被接受的抽象黑色素很难表征，因为它们具有棘手的化学特性和结构特征的异质性。黑色素色素由通过强碳碳键相连的许多不同类型的单体单元组成。其高不溶性和不确定的化学实体是其完整表征的两个障碍。通过扫描电子显微镜（SEM）在表面结构和透射电子显微镜（TEM）上扫描电子显微镜（SEM）的形态表征和粒度分布，以确认从SEM获得的形态。这两个结果都表明，黑色素是由许多聚集在一起的聚集体形成的。这些聚集体也由使用Image-J软件确定的不同尺寸分布的小球形颗粒形成。从不同的TEM和SEM显微照片获得的小颗粒直径为100-200nm。EDS表明，C和O在黑色素中最丰富，浓度平均浓度分别为57％和24％。棕褐色黑色素的主要组成是C，O，Na，Cl，而未成年人是Mg，Ca，K，S和N。从高分辨率下的TEM显微照片，可以使用Image-J软件的Sepia黑色素层之间的距离，并且是0.323 Nm = 3.23 A å
可解释人工智能的粒度计算
目的和动机：本期特刊旨在提供一套全面的方法、模型和系统，这些方法、模型和系统都属于粒计算的共同范畴，旨在为机器学习方法和应用提供可解释性。可解释人工智能 (XAI) 将允许领域专家验证黑盒 AI 算法或过程提供的结果，以让他们参与决策过程。为此，XAI 方法应该提供对 AI 模型结果背后原因的清晰理解。在这方面，XAI 方法可以采用信息粒化方法，以分层和/或语义方式聚合数据实例，以提供聚合的、人类可理解的解释；以语义组织的方式表示数据实例（例如通过聚类）以查找类原型或反事实；采用符号或神经符号建模来隔离由特定符号激活的神经网络部分（例如，手写符号可以识别为笔画组）；并获得语义相关的信息颗粒（例如通过表示学习）作为构建解释的概念。此外，一些人工智能方法构建了可通过设计解释的模型，即不需要任何额外的程序来解释其内部模型，因为它们不是黑匣子。当前研究的主要不足之一是了解可通过设计解释的模型在准确性方面是否与需要通过多种方式解释的黑匣子模型兼容。
对 FLG 空表型的研究：展示人类角质形成细胞的 CRISPR/Cas9 编辑方法
自从发现 FLG 功能丧失变异与寻常型鱼鳞病和特应性皮炎发病之间的关联以来，FLG 的功能一直在研究中。个体内基因组易感性、免疫混杂因素和环境相互作用使 FLG 基因型与相关因果关系之间的比较变得复杂。使用 CRISPR/Cas9，我们生成了人类 FLG 敲除 (D FLG) N/TERT-2G 角质形成细胞。通过对人类表皮等效培养物的免疫组织化学分析显示 FLG 缺乏。除了结构蛋白（外皮蛋白、角蛋白、角蛋白 2 和转谷氨酰胺酶 1）的（部分）损失外，角质层更致密，缺乏典型的篮状编织外观。此外，电阻抗光谱和经表皮失水分析强调了 D FLG 人类表皮等效物的表皮屏障受损。校正 FLG 可恢复颗粒层中角蛋白透明颗粒的存在、FLG 蛋白表达以及前面提到的蛋白质的表达。电阻抗光谱和经表皮失水的正常化反映了对角质层形成的有益影响。这项研究显示了 FLG 缺乏的因果表型和功能后果，表明 FLG 不仅在表皮屏障功能中起着核心作用，而且通过协调其他重要表皮蛋白的表达对表皮分化至关重要。这些观察结果为研究 FLG 在皮肤生物学和疾病中的确切作用奠定了基础。
农业中的塑料覆盖膜：它们的使用，环境问题，回收和替代品
摘要：农业塑料覆盖是增加农作物产量的重要园艺过程，因为它可以保留土壤水分，土壤温度和养分，并避免需要杂草除草剂。然而，由于残留的巨型塑料（MAP），微型塑料（MP）和纳米塑料（NP）在领域中存在着显着的负面影响，从而对环境造成了显着负面影响，从而对土壤特性损害，损害土壤中的微生物以及通过食品损害人体的微生物，并且通过食物损害人体。塑料覆盖物通常在土地上处置，或用于诸如热过程之类的技术中，以获得能量或回收利用，以生成塑料工业的塑料颗粒。偶尔需要进行预处理，在回收之前，例如从土壤中清洁覆盖物以进行回收过程。本综述概述了塑料，尤其是使用后塑料覆盖膜的数量和负面影响，及其分解产品，对环境，土壤和人类健康，并提供了替代方案。除了使用可生物降解薄膜的使用外，还讨论了收集和回收膜的可能性和问题。总体而言，通过使用厚实的薄膜，收集后的收集以及发达国家的回收利用的农业进步，以减少环境中的塑料废物。但是，NP构成了风险，因为它仍然完全不清楚它如何影响人类健康。塑料覆盖物的替代方法由于材料成本较高，因此几乎没有接受。
用于固体剂型开发的新兴人工智能 (AI) 技术
摘要：基于人工智能 (AI) 的配方开发是一种有前途的促进药物产品开发过程的方法。人工智能是一种多功能工具，包含多种算法，可应用于各种情况。以片剂、胶囊、粉末、颗粒等为代表的固体剂型是最广泛使用的给药方法之一。在产品开发过程中，包括关键材料属性 (CMA) 和工艺参数在内的多种因素都会影响产品特性，例如溶解速率、物理和化学稳定性、粒度分布和干粉的气溶胶性能。然而，传统的产品开发反复试验方法效率低下、费力且耗时。人工智能最近被认为是一种新兴的尖端药物配方开发工具，引起了广泛关注。本综述提供了以下见解：（1）制药科学中人工智能的一般介绍和监管机构的主要指导，（2）生成固体剂型数据库的方法，（3）数据准备和处理的见解，（4）人工智能算法的简介和比较，以及（5）人工智能在固体剂型中的应用和案例研究信息。此外，还将讨论基于深度学习的图像分析这一强大技术及其制药应用。通过应用新兴的人工智能技术，科学家和研究人员可以更好地理解和预测药物制剂的特性，从而促进更高效的药品开发过程。
利用细胞毒性颗粒胞吐作用增强T细胞启动双特异性抗体疗法的功效
T细胞吸引双特异性抗体（T-bsAb，也称为咬合）疗法已成为一种针对多发性骨髓瘤的强大治疗方法。鉴于T-bsAb治疗将内源性T细胞重定向以消除肿瘤细胞，因此，重新激发功能失调的T细胞可能是提高T-bsab功效的潜在方法。虽然各种免疫刺激细胞因子可以增强效应T细胞功能，但对于T-bSAB疗法的最佳细胞因子治疗尚未固定，部分原因是由于关注了由异形干扰素（IFN） - γγ驱动的细胞因子释放综合征。在这里，我们在功能上筛选免疫刺激性细胞因子，以确定T-bsab治疗的理想组合伴侣。此AP揭示了白介素（IL）-21作为潜在的免疫刺激性细胞因子，具有增强T-bsAb介导的颗粒酶B和perforin的释放的能力，而无需增加IFN-γ释放。转录组分析和功能表征强烈支持IL-21选择性地靶向细胞毒性颗粒胞外增生途径，但不能靶向促炎反应。值得注意的是，IL-21调节了细胞毒性效应功能的多个步骤，包括上调共激活CD226受体，增加细胞毒性颗粒，并在免疫突触中促进细胞毒性颗粒的递送。的确，T-bsab介导的骨髓瘤杀伤是细胞毒性颗粒依赖性的，IL-21启动显着增强了细胞毒性活性。此外，体内IL-21处理可在骨髓T细胞中诱导细胞毒性效应子重编程，显示出协同的抗肌瘤作用与T-BSAB治疗结合使用。一起，通过IL-21利用细胞毒性颗粒胞吐途径可能是通过T-BSAB治疗获得更好反应的潜在方法。
Sergei Winogradsky
过渡到圣彼得堡大学音乐学院的钢琴研究。经过多年的学术挫败感，他加入了圣彼得堡大学的实验室。在那里他追求自然科学，并最终获得了化学和植物学的硕士学位。（1）虽然微生物学不是科学家的新概念，但他们对微生物的代谢多样性及其与地球的关系知之甚少。Winogradsky的突破之一是发现自养细菌。（2）通过他在斯特拉斯堡大学的安东·德巴里（Anton Debary）实验室的工作，他确定了一个非凡的微生物群体，能够利用无机化合物作为能源。Winogradsky见证了乞g和硫酸细胞中硫颗粒的外观和消失，他将这些生物称为“ Chemolithotrophs”。这些化学物质可以驱动元素能量周期，例如氮和硫。（1）这一开创性的发现挑战了所有生命仅依赖于光和有机化合物来维持生存的普遍观念。在1888年，Winogradsky在Debary实验室的努力即将结束，现在是时候开始他职业生涯的下一阶段了。氮在微生物生命周期中的作用。Winogradsky在苏黎世大学的卫生研究所，证实了英国化学家罗伯特·沃灵顿（Robert Warington）关于细菌对无机氨和亚硝酸盐氧化转化的理论。（1）Winogradsky鉴定了多个硝化细菌属，其中一些是硝化细菌，硝基杆菌，硝基瘤和硝基球菌。（3）当他于1899年回到圣彼得堡时，Winogradsky确定了强制性的Anaerobe梭子座巴氏菌，这证明某些生物可以修复大气氮。
抗CD20单克隆抗体概述
免疫系统相关的效应机制包括补体依赖性细胞毒性 (CDC) 和 Fcγ 受体 (FcγR) 介导的效应。FcγR 在几种免疫细胞上表达，例如中性粒细胞、巨噬细胞和自然杀伤 (NK) 细胞。通过 FcγR 的信号传导会触发抗体依赖性细胞介导的细胞毒性 (ADCC) 和细胞介导的吞噬作用 (ADCP)。11 补体的经典途径负责 CDC 活性，这是由于 C1q 和利妥昔单抗之间的结合。因此，该连接诱导膜攻击复合物的构成增加、调理作用引起的吞噬活性增强以及其他效应免疫成分的更多募集。12 在 mAb 通过 Fc 区与效应细胞 (FcγRIII) 相互作用后，ADCC 途径驱动由 NK 细胞介导的细胞毒性反应。活化的 NK 细胞通过膜通透性（释放穿孔素颗粒）和诱导程序性细胞死亡（通过颗粒酶 B 引发的 caspase 机制）导致靶细胞死亡。13,14 据报道，CDC 对 ADCC 机制可能产生不利影响，因为两者都竞争 mAb-CD20 复合物。体外研究表明利妥昔单抗具有更强的 CDC 活性；然而，体内模型报告称 ADCC 更有效。15 因此，CDC 对利妥昔单抗抗肿瘤作用的总体影响需要进一步的数据。最后，当 mAb 与巨噬细胞、单核细胞和中性粒细胞表面的其他 FcγR 相互作用时，就会发生 ADCP，从而导致靶细胞的吞噬。
引用Zhang A，Xu Q，Jiang J，Zhao Z，Zhang L，Tao K，Cao G，Zhang J，Ding L，Ding L，Meng Z，Dong W和Wang C（2023），定性和定量确定
在2019年12月，在湖北省武汉市发现了许多病毒性肺炎病例。到2020年2月，全国范围内有20,000多例2019年冠状病毒疾病（Covid-19），有425例患者死亡。在这次暴发中，西方医学在不识别病原体的情况下进行有针对性的治疗很难，但是传统中药（TCM）可以通过综合征分化和治疗迅速确定原因（Zeng等，2020）。covid-19属于TCM中“流行病”类别，其病理变化首先出现在间质肺中（Yang and Fan，2021）。主要症状是发烧，干性咳嗽和疲劳。在严重的情况下，可能会发生肺合并（Miao等，2020; Xiong，2020; Zhan等，2020）。鉴于这些症状，应用了许多处方，例如金胡乌拉甘格颗粒，Shufeng Jiedu胶囊，Jingfang颗粒和Jinbei口服液体（JB。l），并在诊所显示出明显的治愈作用。在其中，JB。L在2020年2月在山东省（第二版）的新型冠状病毒肺炎的中药诊断和治疗计划中列出，我们随后的临床数据分析表明，JB的效果。L优于单一化学疗法组（Li等，2021）。JB。它具有补充气和滋养阴，驱除血液停滞和去除痰液的作用。因此，在本实验中，JB的化学组成。L is composed of Astragali radix , Codonopsis radix , Angelica sinensis , Glehniae radix , Scutellariae radix , Fritillariae cirrhosae bulbus , Chuanxiong rhizoma , Salvia miltiorrhiza radix , Pinelliae rhizoma praeparatum cumalumine , Lonicerae japonicae fl os , Forsythiae Fructus和Glycyrrhizae radix。尽管TCM处方具有一定的理论和临床应用基础，但复合TCM处方的材料基础很复杂，而动作机制是多种多样的，这给TCM的有效性带来了基本材料研究。近年来，连字符技术是对复杂矩阵中未知化合物的快速定性分析的强大工具，尤其是超出性液态色谱，以及四极杆的时间串联串联质量光谱法（UPLC-Q-Q-TOF-MS），这是有益于其高分辨率和敏感性的。这些方法已被证明是对TCM制剂快速分析的有效和高度敏感的工具（Gao等，2014; Zhang等，2017a; li等，2018; Wang等，2018; Sun等，2021）。此外，UPLC与三极四极质量光谱法（UPLC-QQQ-MS/MS）可以很好地应用于通过多个反应监测（MRM）模式对TCM多个化学成分的定量分析，这在TCM的现代化中具有很大的意义（Wu et and an e et al。 ）。研究TCM效率的材料基础是解决TCM有效作用原理的先决条件，而确定TCM的有效组成部分是主要任务。l通过UPLC-Q-TOF-MS/MS定性确定，并且主要功能组件通过UPLC-MS/MS定量分析。这是关于JB化学成分的系统分析的第一个报告。l，为质量控制和对其药效学的深入研究提供了基础。
EGNN-C+：可解释的演化粒状神经网络及其在弱监督 EEG 数据流分类中的应用
摘要 — 我们引入了一种改进的增量学习算法，用于进化粒神经网络分类器 (eGNN- C+)。我们使用双边界超框来表示颗粒，并定制自适应程序以增强外框对数据覆盖和噪声抑制的鲁棒性，同时确保内框保持灵活性以捕获漂移。分类器从头开始发展，动态合并新类别，并执行局部增量特征加权。作为一种应用，我们专注于脑电图 (EEG) 信号中与情绪相关的模式的分类。情绪识别对于增强计算机系统的真实感和交互性至关重要。挑战恰恰在于开发高性能算法，能够有效地管理生理数据中的个体差异和非平稳性，而无需依赖特定于受试者的校准数据。我们从 28 名玩电脑游戏的人获得的 EEG 信号的傅里叶频谱中提取特征 - 这是一个公共数据集。每个游戏都会引发不同的主要情绪：无聊、平静、恐惧或快乐。我们分析单个电极、时间窗口长度和频带，以评估由此产生的独立于用户的神经模型的准确性和可解释性。研究结果表明，两个大脑半球都有助于分类，尤其是颞叶 (T8) 和顶叶 (P7) 区域的电极，以及额叶和枕叶电极的贡献。虽然模式可能出现在任何波段中，但 Alpha (8-13Hz)、Delta (1-4Hz) 和 Theta (4-8Hz) 波段按此顺序与情绪类别表现出更高的对应性。eGNN-C+ 证明了学习 EEG 数据的有效性。即使面对高度随机的时变 4 类分类问题，它也能使用 10 秒时间窗口实现 81.7% 的准确率和 0.0029 II 的可解释性。