XiaoMi-AI文件搜索系统
World File Search SystemHeng
引用Ruths L，Hengge J，Teixeira GQ，Haffner-Luntzer M，Ignatius A和Riegger J（2025）终端补体补体在软骨细胞上>
肌肉骨骼疾病骨关节炎（OA）是全球老年人慢性疼痛和残疾的主要原因。oa可以在所有滑膜中找到，但在膝盖和臀部等重量关节中更为明显。膝关节中的病理变化不限于关节软骨，因为OA会影响整个关节，因此滑膜倾斜，骨肥大的形成，软骨下骨硬化和退化的韧带是OA的进一步标志（1，2）。OA的病因被认为是与全身和局部因素相互作用的多因素（例如，衰老，女性性别，遗传倾向和超重）（3）。局部危险因素还包括前创伤性损伤，例如半月板或韧带，关节内骨折和软骨病变（4）。数十年来，已经研究了原发性OA和创伤后OA（PTOA）的病原机制，但是，当前可用的治疗方法都无法可靠地防止OA进展（5，6）。先前的研究表明，补体系统和细胞衰老都参与OA发病机理和特异性靶向可能是OA治疗的未来方法。补体系统是先天免疫系统的重要组成部分，以前的研究表明，在OA和PTOA进展过程中，它至关重要（7-11）。与健康个体相比，在来自OA患者和急性膝盖损伤后的滑动流体中发现了包括C3A，C5B-9，C4D和C3BBBP在内的补体激活产物水平升高（12，13）。除了软骨细胞和滑膜细胞的局部表达外（10）外，由于膝关节损伤引起的出血（11），也可能受到关节内补体成分的水平。在OA进展过程中的补体激活被认为可以通过各种微环境变化（例如，增强的蛋白酶活性和ROS的积累）以及与损伤相关的分子模式（DAMP）促进。 后者包括在坏死细胞死亡和软骨降解期间释放的细胞和基质衍生的成分（例如，II型胶原蛋白的分解产物）（2，10，14，15）。 补体系统的激活以级联的方式发生，导致过敏毒素C3a和C5a的产生以及末端补体复合物的形成（TCC；也称为C5B-9）。在OA进展过程中的补体激活被认为可以通过各种微环境变化（例如，增强的蛋白酶活性和ROS的积累）以及与损伤相关的分子模式（DAMP）促进。后者包括在坏死细胞死亡和软骨降解期间释放的细胞和基质衍生的成分（例如，II型胶原蛋白的分解产物）（2，10，14，15）。补体系统的激活以级联的方式发生，导致过敏毒素C3a和C5a的产生以及末端补体复合物的形成（TCC；也称为C5B-9）。
探索云南省亨丹山脉不同种群的迁移方向：基于基因组的分析
eothenomys miletus是一种居住在亨格山区（HDR）的地方性物种，并作为瘟疫和hantaviruses的主要宿主之一。虽然已经对大肠杆菌的生理特征进行了广泛的研究，但分子方面，尤其是Miletus的迁移方向，尚不清楚。在本研究中，我们利用基因组数据来研究四个人群的迁移方向：Ailaoshan（ALS），Jiangchuan（JC），Lijiang（LJ）和Deqin（DQ），它们分布在HDR内部到北部。我们的结果表明，ALS种群位于系统发育树的底部，混合物分析表明，ALS人群与JC和DQ种群更紧密相关。整合了分子遗传结构，米氏大肠杆菌的化石记录以及我们的研究结果，我们推断了米尔塔斯大肠杆菌的迁移方向可能是从南到北的，这表明DQ和JC种群可能起源于ALS的迁移。但是，LJ人群的迁移模式和起源需要进一步研究和讨论。此外，我们专注于识别不同人群中选择和局部适应的基因组信号。我们确定了与DQ：SIX1、64和SOX2中嗅觉位置相关的三个选择基因。我们假设这些基因可能与DQ人群对该地区微气候的适应有关。总而言之，本研究是第一个采用基因组学来探索Miletus的迁移方向，这对于未来对Eothenomys起源的研究至关重要。
挂起风扇
[15] Heng Fan, Hexin Bai, Liting Lin, Fan Yang, Peng Chu, Ge Deng, Sijia Yu, Harshit, Mingzhen Huang, Juehuan Liu, Yong Xu, Chunyuan Liao, Lin Yuan, and Haibin Ling, “LaSOT: A High-quality Large- scale Single Object Tracking Benchmark,” International Journal of Computer Vision (IJCV) , 129: 439–461, 2021.
电动机轴承故障检测的监督对比度学习 /作者=张，亨格鲁伊； Wang，Bingnan /CreationDate = 2024年9月4日 /受试者=电气系统，机器学习，多物理建模< /div < /div>
抽象的各种故障会导致电动机故障，从而导致停机时间和资产损失。故障检测技术在行业中非常需要预测和防止此类故障。机器学习的最新进展已启用数据驱动的模型，这些模型可以从电动机中监视的信号中识别故障。但是，这些信号可能很复杂，并且表明故障的特征是微妙的。因此，需要提取与信号故障相关的信息特征的有效方法。在本文中，我们探讨了对比度学习在检测相位电流信号的轴承断层中的使用。我们开发了一个模型架构，该模型结构由两个部分，一个特征提取器和一个分类器组成，其中特征提取器使用监督的对比度学习进行了预训练。在Pader-Born University轴承故障数据集上进行了测试，我们的模型达到了87％的高故障分类精度，这表现优于常规机器学习模型。我们还进行了消融测试，以证明该模型中基于对比的学习培训的重要性。通过研究模型的分类结果和提取的特征，我们进一步探讨了对比度学习在提取区分不同类别的特征中的效果。我们预计对比度学习可以奠定更准确的故障检测模型的基础，并将其扩展到其他实际的故障检测任务。
利用脂质纳米粒子与 mRNA 复合进行宫内非病毒基因编辑 高克娃 1,3#、李杰 2#、宋恒月 1,3,5、韩鹤松 2、吴永恒
利用与 mRNA 复合的脂质纳米粒子在宫内进行非病毒基因编辑 Kewa Gao 1,3# 、Jie Li 2# 、Hengyue Song 1,3,5 、Hesong Han 2 、Yongheng Wang 1,3,4 、Boyan Yin 1,3 、Diana L. Farmer 1,3 、Niren Murthy 2 * 和 Aijun Wang 1,3,4 * 1 加州大学戴维斯分校医学院外科系，加利福尼亚州萨克拉门托 95817，美国 2 加州大学伯克利分校生物工程系，加利福尼亚州萨克拉门托 94704，美国 3 加州大学戴维斯分校儿童再生医学研究所，加利福尼亚州萨克拉门托 95817，美国 4 加州大学戴维斯分校生物医学工程系，加利福尼亚州 95616，美国 5 中南大学湘雅三医院烧伤整形外科南方大学，湖南 410013，中国 *通讯作者：N. Murthy 教授，nmurthy@berkeley.edu A. Wang 教授，aawang@ucdavis.edu # 这些作者对本研究的贡献相同。
Ting Hu a, *, Qize Zhong a , Nanxi Li, Yuan Dong, Zhengji Xu, Yuan Hsing Fu, Dongdong Li, Vladimir Bliznetsov, Yanyan Zhou, Keng Heng Lai, Qunying Lin
摘要：由人工亚波长纳米结构制成的超透镜已展示出光聚焦和微型成像的能力。本文，我们报告了通过互补金属氧化物半导体兼容工艺在12英寸玻璃晶片上批量生产非晶硅超透镜的演示。所制备的超透镜的测量数值孔径为0.496，聚焦光斑尺寸在940nm波长处为1.26μm。将超透镜应用于成像系统以测试成像分辨率。可以清楚地观察到宽度为2.19μm的分辨率图的最小条。此外，同一系统演示了指纹成像，并证明了使用超透镜阵列来减小系统尺寸的概念，以实现未来的紧凑型消费电子产品。