XiaoMi-AI文件搜索系统
World File Search Systemcombinations
无效分离子是可遗传物质的新组合吗？它们应该受到管制吗？
通过基因组编辑和其他基因技术，可以创建一类称为无效分离子的生物。这些转基因生物 (GMO) 是基因技术的产物，但有人认为，在染色体分离或插入删除后，该技术不会留下任何痕迹。从这个角度来看，法规是多余的，因为使用基因技术造成危害的任何独特潜力也已被消除。我们通过回顾基因技术监管目的的早期历史来解决这个国际关注的问题。用于引导诱变的技术的有效成分，例如定点核酸酶，如 CRISPR/Cas，因每次反应产生危害的可能性较低而受到推崇。然而，其他人认为这是试剂的理想工业特性，这将导致基因组编辑得到更多使用，并使承诺的危害缓解无效。观点之间的争论围绕着法规是否可以改变负责任地使用基因技术的风险。我们得出结论，基因技术，即使用于制造无效分离子，也具有使监管成为减轻潜在危害的合理选择的特征。这些特征是，它允许人们更快地造成更多危害，即使它也创造了好处；危害的可能性随着该技术的使用增加而增加，但安全性不会增加；并且法规可以控制危害的扩大。
引用：Jin，Wengong等。 “深度学习确定了治疗Covid-19的协同药物组合。”美国国家学院
迫切需要对Covid-19的有效治疗。然而，发现针对严重急性呼吸综合症2（SARS-COV-2）活性的单药疗法一直具有挑战性。组合疗法在抗病毒疗法中起着重要作用，因为它们的效率提高和毒性降低。最近的方法应用了深度学习，以确定具有广泛先前数据集的疾病的协同药物组合，但这些疾病不适用于具有有限组合数据的新疾病，例如COVID-19。鉴于药物协同作用通常是通过抑制离散的生物学靶标而发生的，我们在这里提出了一种神经网络结构，该神经网络结构共同学习药物 - 靶标相互作用和药物 - 药物协同作用。该模型由两个部分组成：药物 - 靶标相互作用模式和目标 - 疾病关联模块。此设计使该模型还可以利用药物 - 靶标相互作用数据和单药抗病毒活性数据，此外还可以使用可用的药物 - 药物组合数据集（本质上可能很小）。通过局限于其他生物学信息，我们的模型在协同预测准确性上的性能要比具有有限的药物组合训练数据的前提方法要好得多。我们通过经验验证了我们的模型预测，并发现了两种药物组合，Remdesivir和Reserpine以及Remde-Sivir和IQ-1，它们在体外表现出强大的抗病毒SARS-COV-2协同作用。我们的方法在这里应用于解决Covid-19的紧急威胁，可以很容易地扩展到其他疾病，而这些疾病的存在 - 化学 - 化学组合数据的缺乏。
针对非小细胞肺癌中驱动 KRAS 突变的有效药物组合
摘要：药物基因组学是一个快速发展的领域，其目标是为每位患者提供个性化治疗 1。此前，我们开发了新药机会计算分析 2 (CANDO) 平台，用于多尺度治疗发现，通过分析化合物与大型蛋白质库的相互作用，筛选出针对任何 3 适应症/疾病的最佳化合物。我们在 4 CANDO 5 平台内实施了全面的精准医疗药物发现流程，以确定哪些药物最有可能对非小细胞肺癌 (NSCLC) 的突变表型有效，其依据的假设是具有相似相互作用 7 特征（或特征）的药物将具有相似的行为，因此表现出协同作用。CANDO 8 预测 EGFR 抑制剂奥希替尼最有可能与四种 KRAS 抑制剂产生协同作用。 9 细胞增殖试验验证研究证实，奥希替尼与 10 ARS-1620（一种 KRAS G12C 抑制剂）和 BAY-293（一种泛 KRAS 抑制剂）联合使用，通过作用于突变型 KRAS 表现出协同作用，11 降低细胞增殖。我们的精准医疗管道可用于 12 识别能够与 KRAS G12C 抑制剂产生协同作用的化合物，并通过了解它们在蛋白质组学/相互作用组学尺度上的行为来评估它们 13 成为药物的可能性。14
抗癌和靶向药物的有效组合用于治疗胰腺癌
胰腺癌具有高度侵袭性和致死性。由于缺乏有效的早期检测方法，胰腺癌经常被诊断为晚期。吉西他滨已成为胰腺癌患者的标准化疗药物超过20年，但其抗肿瘤作用有限。因此，FOLFIRINOX（亚叶酸钙、氟尿嘧啶、伊立替康、奥沙利铂）以及使用吉西他滨和顺铂和卡培他滨等常规药物的联合疗法也被使用；然而，这些疗法并未导致完全缓解。因此，有必要开发新的有效的胰腺癌治疗方法。最近，一些研究报告称，吉西他滨和靶向药物的组合对胰腺癌细胞具有显著的抗肿瘤作用。由于吉西他滨诱导DNA损伤反应，与DNA损伤反应相关的蛋白质可以成为新的基于吉西他滨的联合疗法的合适额外靶点。此外，致癌突变的KRAS触发的KRAS/ RAF/MEK/ERK信号和自噬在胰腺癌中经常被激活。因此，胰腺癌的这些特征是开发有效新疗法的潜在靶点。
![b'我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依曼熵、量子 R\xc2\xb4enyi 熵、迹距离和 \xef\xac\x81delity。所提出的算法在低秩情况下的表现明显优于最知名的（甚至是量子的）算法，其中一些算法实现了指数级加速。特别是，对于秩为 r 的 N 维量子态，我们提出的用于计算冯·诺依曼熵、迹距离和 \xef\xac\x81delity（加性误差 \xce\xb5 内）的量子算法的时间复杂度为 \xcb\x9c O r 2 /\xce\xb5 2 、 \xcb\x9c O r 5 /\xce\xb5 6 和 \xcb\x9c O r 6 。 5 /\xce\xb5 7 . 5 1 。相比之下，已知的冯·诺依曼熵和迹距离算法需要量子时间复杂度为 \xe2\x84\xa6( N ) [AISW19,GL20,GHS21]，而最著名的 \xef\xac\x81delity 算法需要 \xcb\x9c O r 21 . 5 /\xce\xb5 23 . 5 [WZC + 21]。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。它是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。特别是，我们基于强大的量子奇异值变换（QSVT）[GSLW19]，引入了一种用于密度算子及其（非整数）正幂的特征值变换的新技术。我们的技术相对于现有方法的优势在于，不需要对密度算子进行任何限制；与之形成鲜明对比的是，以前的方法通常需要密度算子的最小非零特征值的下限。此外，我们还提供了一些独立感兴趣的技术，用于（次规范化）密度算子的迹估计、线性组合和特征值阈值投影仪，我们相信这些技术在其他量子算法中会很有用。'](/simg/4/4e9553780581bbfda8e4d6bb48115782efffb2a7.webp)
b'我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依曼熵、量子 R\xc2\xb4enyi 熵、迹距离和 \xef\xac\x81delity。所提出的算法在低秩情况下的表现明显优于最知名的（甚至是量子的）算法，其中一些算法实现了指数级加速。特别是，对于秩为 r 的 N 维量子态，我们提出的用于计算冯·诺依曼熵、迹距离和 \xef\xac\x81delity（加性误差 \xce\xb5 内）的量子算法的时间复杂度为 \xcb\x9c O r 2 /\xce\xb5 2 、 \xcb\x9c O r 5 /\xce\xb5 6 和 \xcb\x9c O r 6 。 5 /\xce\xb5 7 . 5 1 。相比之下，已知的冯·诺依曼熵和迹距离算法需要量子时间复杂度为 \xe2\x84\xa6( N ) [AISW19,GL20,GHS21]，而最著名的 \xef\xac\x81delity 算法需要 \xcb\x9c O r 21 . 5 /\xce\xb5 23 . 5 [WZC + 21]。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。它是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。特别是，我们基于强大的量子奇异值变换（QSVT）[GSLW19]，引入了一种用于密度算子及其（非整数）正幂的特征值变换的新技术。我们的技术相对于现有方法的优势在于，不需要对密度算子进行任何限制；与之形成鲜明对比的是，以前的方法通常需要密度算子的最小非零特征值的下限。此外，我们还提供了一些独立感兴趣的技术，用于（次规范化）密度算子的迹估计、线性组合和特征值阈值投影仪，我们相信这些技术在其他量子算法中会很有用。'
b'我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依曼熵、量子 R\xc2\xb4enyi 熵、迹距离和 \xef\xac\x81delity。所提出的算法在低秩情况下的表现明显优于最知名的（甚至是量子的）算法，其中一些算法实现了指数级加速。特别是，对于秩为 r 的 N 维量子态，我们提出的用于计算冯·诺依曼熵、迹距离和 \xef\xac\x81delity（加性误差 \xce\xb5 内）的量子算法的时间复杂度为 \xcb\x9c O r 2 /\xce\xb5 2 、 \xcb\x9c O r 5 /\xce\xb5 6 和 \xcb\x9c O r 6 。 5 /\xce\xb5 7 . 5 1 。相比之下，已知的冯·诺依曼熵和迹距离算法需要量子时间复杂度为 \xe2\x84\xa6( N ) [AISW19,GL20,GHS21]，而最著名的 \xef\xac\x81delity 算法需要 \xcb\x9c O r 21 . 5 /\xce\xb5 23 . 5 [WZC + 21]。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。它是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。特别是，我们基于强大的量子奇异值变换（QSVT）[GSLW19]，引入了一种用于密度算子及其（非整数）正幂的特征值变换的新技术。我们的技术相对于现有方法的优势在于，不需要对密度算子进行任何限制；与之形成鲜明对比的是，以前的方法通常需要密度算子的最小非零特征值的下限。此外，我们还提供了一些独立感兴趣的技术，用于（次规范化）密度算子的迹估计、线性组合和特征值阈值投影仪，我们相信这些技术在其他量子算法中会很有用。'
dtsyn：一个基于双转化器的神经网络，可预测协同药物组合
抽象的药物组合疗法在解决肿瘤异质性问题时在许多方面都优于单一治疗癌症治疗。对于湿lab实验，由于可能的药物对搜索空间，筛选新型的协同药对具有挑战性。因此，已经开发了计算方法来预测具有潜在协同功能的药物对。尽管当前模型取得了成功，但对其他数据集的概括的力量以及了解化学化学相互作用或化学样本相互作用机制的理解是缺乏研究，从而阻碍了实际应用的当前算法。在本文中，我们提出了一种基于多头注意力机制的DTSYN（药物对协同预测的双变压器模型）的深神经模型，以鉴定新的药物组合。我们设计了一种细粒状变压器，用于捕获化学下结构基因和基因 - 基因关联以及一种用于提取化学化学化学和化学细胞线相互作用的粗粒状变压器。dtsyn在曲线（ROC AUC）下达到了最高的接收器工作特征区域，为0.73，0.78。0.82和0.81在四个不同的交叉验证任务上，表现优于所有竞争方法。此外，DTSYN在五个独立数据集中实现了最佳的真实正率（TPR）。消融研究表明，两个变压器块都导致了DTSYN的性能。此外，DTSYN可以在化学物质和细胞系之间提取相互作用，这可能代表了药物作用的机制。因此，我们设想模型是通过使用化学物质和转录组数据来确定协同药物对优先级的有价值工具。
乳腺癌、结肠癌和胰腺癌细胞的有效药物组合
抗癌药物组合可克服耐药性并提供新的治疗方法 1,2。可能的药物组合数量远远超过临床上可以测试的数量。系统地确定活性组合及其最有效的组织和分子环境的努力可以加速联合治疗的开发。在这里，我们评估了 2,025 种临床相关的双药组合的效力和功效，生成了一个包含 125 种分子特征的乳腺癌、结直肠癌和胰腺癌细胞系的数据集。我们表明药物之间的协同作用很少见且高度依赖于环境，而靶向药物的组合最有可能产生协同作用。我们结合多组学分子特征来识别组合生物标志物并指定协同药物组合及其活性环境，包括基底样乳腺癌和微卫星稳定或 KRAS 突变型结肠癌。我们的结果表明，伊立替康和 CHEK1 抑制在微卫星稳定或 KRAS – TP53 双突变结肠癌细胞中具有协同作用，导致细胞凋亡并抑制肿瘤异种移植生长。本研究确定了不同分子亚群中临床相关的有效药物组合，并可作为指导合理开发组合药物治疗的资源。
KRAS突变肺癌的免疫原性模型用于研究靶向治疗和免疫治疗的联合治疗
。CC-BY 4.0 国际许可证永久有效。它是在预印本（未经同行评审认证）下提供的，作者/资助者已授予 bioRxiv 许可，可以在该版本中显示预印本。版权所有者于 2022 年 1 月 17 日发布了此版本。；https://doi.org/10.1101/2020.12.22.423126 doi: bioRxiv preprint
关于药品-器械组合质量要求指南草案的评论概述（EMA/CHMP/QWP/BWP/259165/2019） www.ema.europa.eu/en/
和塑料，但需要某处有一个小节来研究该设备在以下方面对环境的影响： - 包括任何推进剂的输送系统的碳足迹 - 吸入器本身的碳足迹 - 要求将此数据包含在患者信息表中，并提供关于如何降低足迹的建议，例如通过回收政策 2019 年 1 月 1 日，联合国环境规划署提出的《蒙特利尔议定书》基加利修正案生效，各国承诺逐步减少使用 F 气体（有关哮喘吸入器，请参阅 ozone.unep.org）。 英国的回应是一个需要进行实质性改进的国家的例子： 在英国，定量吸入器占 NHS 碳足迹的 4%，因此英国议会启动了一项计划来解决这个问题。 “我们建议在 NHS 内推广低 GWP 吸入器，除非有特定的医疗原因不这样做。推广应包括提高人们对低 GWP 吸入器的认识，并在 NICE、医学界和患者中进行培训。 NHS 应设定目标，到 2022 年，至少 50% 的处方吸入器是低 GWP 的。它应该发布年度进展报告。我们很失望地发现，只有很少的 MDI 得到负责任的处理。因此，我们建议政府应与医疗专业人员、药剂师、制药行业和患者合作，显著改善 MDI 的回收利用；这既有利于环境，也有利于经济。政府应确保
泛 KRAS 抑制剂 BAY 的组合细胞毒性……
大约 25% 的非小细胞肺癌 (NSCLC) 患者发生 KRAS 突变，第一种特异性抑制剂显示出有希望的反应，可以通过同时干扰下游信号通路来改善。表现出 KRAS 突变的细胞系对影响葡萄糖利用、信号转导和细胞存活的调节剂表现出特定的敏感性。具有更广泛抗癌范围的新型 SOS1 靶向抑制剂（如 BAY-293 和 BI-3406）通过阻碍 SOS1-KRAS 相互作用来抑制 KRAS。本研究的目的是检查 BAY-293 与已揭示 KRAS 突变细胞系特定弱点的调节剂的假定协同作用。本研究使用 MTT 测试和根据 Chou-Talalay 方法计算组合指数来测试 BAY-293 组合对一系列奥希替尼耐药原发性 NSCLC 细胞系的细胞毒性。结果表明，BAY-293 与葡萄糖代谢调节剂、细胞增殖抑制剂、几种化疗药物和一系列不同的调节剂协同作用，从而证实了表达突变 KRAS 的细胞的化学敏感性。总之，BAY-293 与多种药物一起对奥希替尼耐药的原发性 NSCLC 细胞系产生细胞毒性。单独使用泛 KRAS 抑制剂在体内可能因对正常组织的毒性而受到限制，但通过将其用作合适的药物组合的一部分而变得可行。这项研究表明，BAY-293 组合对 NSCLC 细胞有效，而 NSCLC 细胞无法进一步接受突变 EGFR 靶向治疗，结果同样适用于胰腺癌和结肠癌。