XiaoMi-AI文件搜索系统
World File Search SystemMotif
使用 68Ga-PentixaFor PET 对 690 名实体或血液肿瘤患者的 CXC 基序趋化因子受体 4 表达进行成像
1 德国维尔茨堡大学医院核医学系；2 维也纳医科大学核医学分部，奥地利维也纳；3 日本冈山大学医学、牙科和药学研究生院；4 德国奥格斯堡大学医学院核医学系；5 德国维尔茨堡大学医院内科 II、胃肠病学和 ENETS 卓越中心；6 马里兰州巴尔的摩约翰霍普金斯大学医学院 Russell H Morgan 放射学和放射科学系；7 德国慕尼黑工业大学药物放射化学系；8 德国维尔茨堡 Pentixapharm Würzburg；9 奥地利维也纳医科大学药物化学系；10 德国维尔茨堡大学大学医院医学系 I 内分泌和糖尿病分部； 11 德国维尔茨堡大学医院内科 II、血液学和肿瘤学系。*,# 同等贡献。
草鱼（Ctenopharyngodon idella）中潜在抗病毒三部分基序蛋白（TRIM）的全基因组鉴定和表达分析
简单总结：草鱼Ctenopharyngodon idellus是我国重要的淡水养殖硬骨鱼类，年产量达5,533,083吨，但由草鱼呼肠孤病毒（GCRV）引起的出血病严重制约了草鱼的养殖。为了更好地控制草鱼出血病，基于抗病毒免疫分子标记的抗性草鱼品系的培育是一种潜在的解决方案。然而，草鱼抗GCRV感染的分子基础仍然很大程度上未知，大大限制了抗出血病草鱼的培育。鉴于三部分基序蛋白（TRIM）在动物抗病毒免疫中的重要性，我们利用隐马尔可夫模型生物序列分析软件（HMMER）和SMART对草鱼基因组中的TRIM进行鉴定，并分析其基因位点、结构和进化特征。我们还尝试基于两组转录组揭示草鱼在GCRV感染过程中的抗病毒TRIM及其介导的免疫过程。本研究为了解草鱼的TRIM和抗病毒免疫提供了信息。
纳米粒子表面与功能性肽基序
我们通过层纳米颗粒（LBL NP）报告了与阳离子肿瘤 - 渗透肽（TPP）的表面功能化，同时保持颗粒稳定性和电荷特性。这种策略消除了对肽的结构修饰的需求，并使表面化学物质难以修改或通过共价共轭策略无法访问。我们表明，羧化和硫化的LBL NP都能够容纳线性和环状TPP，并使用基于荧光的检测测定法，以量化每NP的肽载荷。我们还证明了在吸附后保持TPP活性，这表明足够数量的肽具有适当的表面取向，从而有效地在体外摄入了功能化的NP，这是通过流式细胞仪和
与情绪障碍表型相关的前岛叶基因表达相关的转录因子基序
摘要 情绪障碍是全球发病和死亡的主要原因，但情绪障碍中与大脑相关的分子病理生理学仍未得到充分定义。由于情绪障碍患者的前岛叶体积减小，因此从情绪障碍样本的尸检前岛叶中提取 RNA，并与未受影响的对照进行比较，以通过 RNA 测序识别 (a) 双相情感障碍 (BD; n = 37) 与 (vs.) 对照 (n = 33) 和 (b) 重度抑郁障碍 (MDD n = 30) 与对照以及 (c) 低与高轴 I 共病 (累积精神疾病负担的衡量标准) 中的差异表达基因 (DEG)。鉴于转录因子 (TF) 通过特定 DNA 结合结构域 (基序) 在基因表达中的调控作用，我们使用 JASPAR TF 结合数据库来识别 TF 基序。我们发现，BD 与对照组、MDD 与对照组以及高 I 轴共病与低 I 轴共病之间的 DEG 与已知调节 toll 样受体基因、细胞稳态控制基因以及参与胚胎、细胞/器官和大脑发育的基因表达的 TF 基序有关。通过使用荟萃分析成像结果来指导独立的尸检解剖以进行 RNA 测序，应用稳健的成像引导转录组学，以情绪障碍中前岛叶的灰质体积减少为目标，指导独立的尸检鉴定调节 DEG 的 TF 基序。我们对调节免疫、细胞稳态控制和发育基因表达的 TF 基序的发现提供了有关基因调控网络、控制它们的 TF 和情绪障碍中近似的潜在神经解剖表型之间的层次关系的新信息。
使用基于主题的图卷积多层网络进行图的表示学习
摘要 —图结构是一种常用的数据存储模式，事实证明图中节点的低维嵌入表示在各种典型任务中非常有用，例如节点分类、链接预测等。然而，现有的大多数方法都是从图中的二元关系（即边）出发，并没有利用图的高阶局部结构（即模体）。在这里，我们提出了 mGCMN —一种新颖的框架，它利用节点特征信息和图的高阶局部结构来有效地为以前看不见的数据生成节点嵌入。通过研究我们发现不同类型的网络具有不同的关键模体。并且，我们的方法相对于基线方法的优势已经在大量引文网络和社会网络数据集上的实验中得到了证明。同时，还揭示了分类准确率的提高与聚类系数之间的正相关性。相信利用高阶结构信息才能真正体现网络的潜力，这将大大提高图神经网络的学习效率，促进一种全新的学习模式的建立。
基于主题匹配的子图级注意力卷积网络用于图分类
图分类对于许多与图数据相关的实际应用（例如化学药物分析和社交网络挖掘）至关重要。传统方法通常需要特征工程来提取有助于区分不同类别的图的图特征。尽管最近提出了基于深度学习的图嵌入方法来自动学习图特征，但它们大多使用从图中提取的一些顶点排列进行特征学习，这可能会丢失一些结构信息。在这项工作中，我们提出了一种新的基于模体注意力图卷积神经网络用于图分类，它可以学习更有辨别力和更丰富的图特征。具体而言，我们开发了一种模体匹配引导的子图规范化方法来更好地保留空间信息。我们还提出了一种新的子图级自注意网络来捕捉不同子图的不同影响或权重。在生物信息学和社交网络数据集上的实验结果表明，与传统图核方法和最近的深度学习方法相比，所提出的模型显著提高了图分类性能。
Motif 编程手册 - O'Reilly
6 对话框简介................................................................................................................................................................107 6.1 对话框的用途...............................................................................................................................................107 6.2 对话框的结构...............................................................................................................................................110 6.3 创建 Motif 对话框......................................................................................................................................111 6.3.1 对话框头文件.......................................................................................................................................112 6.3.2 创建对话框....................................................................................................................................112 6.3.3 设置资源....................................................................................................................................113 6.3.4 对话框管理....................................................................................................................................114 6.3.5 关闭对话框....................................................................................................................................118 6.3.6 概括对话框创建....................................................................................................................................119 6.4 对话框资源....................................................................................................................................................120 6.4.1 默认按钮................................................................................................................................120 6.4.2 初始键盘焦点....................................................................................................................122 6.4.3 按钮大小...............................................................................................................................122 6.4.4 对话框标题...............................................................................................................................123 6.4.5 对话框大小调整.......................................................................................................................123 6.4.6 对话框字体.......................................................................................................................124 6.5 对话框回调例程....................................................................................................................124 6.6 穿透对话框抽象....................................................................................................................127 6.6.1 便利例程....................................................................................................................127 6.6.2 DialogShell......................................................................................................................128 6.6.3 内部小部件...............................................................................................................................130 6.7 对话框模态........................................................................................................................................131 6.7.1 实现模态对话框.......................................................................................................................133 6.7.2 强制立即响应....................................................................................................................................136 6.8 总结......................................................................................................................................................142