XiaoMi-AI文件搜索系统
World File Search Systemencode
用mRNA编码的膜结合的HIV膜膜疫苗接种诱导动物模型中和中和抗体
。cc-by 4.0国际许可（未经Peer Review尚未获得认证）是作者/资助者，他已授予Biorxiv的许可证，以永久显示预印本。这是该版本的版权持有人，该版本发布于2025年1月25日。 https://doi.org/10.1101/2025.01.24.634423 doi：Biorxiv Preprint
超乙酰化微管在 EBV 编码的 BHRF1 蛋白调控的先天免疫逃逸中发挥重要作用
先天免疫是抵御病毒的第一道防线，其中线粒体在诱导干扰素 (IFN) 反应中起着重要作用。BHRF1 是一种在 Epstein-Barr 病毒再激活过程中表达的多功能病毒蛋白，它会调节线粒体动力学并破坏 IFN 信号通路。线粒体是一种可移动的细胞器，借助细胞骨架，特别是微管 (MT) 网络，它可以在细胞质中移动。微管会经历各种翻译后修饰，其中包括微管蛋白乙酰化。在本研究中，我们证明 BHRF1 会诱导微管过度乙酰化以逃避先天免疫。事实上，BHRF1 的表达会诱导缩短的线粒体聚集在细胞核旁边。这种“线粒体聚集体”围绕着丝粒组织，其形成依赖于微管。我们还观察到 α-微管蛋白乙酰转移酶 ATAT1 与 BHRF1 相互作用。使用 ATAT1 敲低或不可乙酰化的 α-微管蛋白突变体，我们证明了这种高乙酰化对于线粒体聚集体的形成是必需的。在 EBV 重新激活期间也观察到了类似的结果。我们研究了导致线粒体聚集的机制，并确定了运动蛋白是线粒体聚集所需的马达。最后，我们证明了 BHRF1 需要 MT 高乙酰化来阻止 IFN 反应的诱导。此外，MT 高乙酰化的丧失会阻止自噬体定位到靠近线粒体聚集体的位置，从而阻碍 BHRF1 启动线粒体自噬，而线粒体自噬对于抑制信号通路至关重要。因此，我们的结果揭示了 MT 网络及其乙酰化水平在诱导亲病毒线粒体自噬中的作用。
Andrew V. Sutherland稀疏的自动编码器用于增强学习模型中的可解释性
最近的工作表明，稀疏的自动编码器（SAE）能够有效地发现语言模型中的人解释功能，从玩具模型到最先进的大语言模型等等。这项工作探讨了SAE的使用是否可以推广到机器学习的其他品种，特定的，加固学习，以及如何（如果有的话）将SAES适应这一实质上不同的任务所需的修改。本研究使用玩具加强学习环境来进行经验实验，研究了SAE代表强化学习模型作为可解释特征的能力的定性和定量度量。发现SAE成功地将深Q网络的内部激活分解为可解释的特征，此外，这些人解释的某些特征代表了对仅凭深度Q网络单独输出而无法发现的基本任务的内部理解。
DNA编码的库筛选发现针对隐性变构结合位点的有效DNMT2抑制剂
。cc-by-nc-nd 4.0国际许可证。根据作者/资助者，它是根据预印本提供的（未经同行评审的认证），他已授予Biorxiv的许可证，以在2025年1月16日发布的此版本中在版权所有者中显示预印本。 https://doi.org/10.1101/2025.01.15.632061 doi：Biorxiv Preprint
BGC地图集：探索细菌基因组中编码的全球化学多样性的网络资源
1天然产品的转化基因组挖掘，培养基和感染医学研究所Tübingen（IMIT）（IMIT），研究学研究所生物医学信息学研究所（IBMI），Tübingen，Auf der Morgenstelle 28，72076Tübingen2 28，72076Tübingendenoker -Nord nord sworkity flative forkitizan of Denok nove nord swiment fin Plads，220，2800 Kongens Lyngby，丹麦3计算生物学，国家农业食品生物技术研究所（NABI），S.A.S.德国6生物信息学中心Saar和Saarland大学，Saarland信息学校园，E2 1，66123Saarbrücken，德国7分子生命科学系和瑞士生物信息学研究所和苏黎世大学，苏黎世大学，苏黎世大学，Winterthurerstrasse，190年Drovendaalsesteeg 1 Radix West，6708pb Wageningen，荷兰9德国感染研究中心（DZIF），合作伙伴Tübingen，Auf der Morgenstelle 28，72076Tübingen，德国，德国
Contramae：癌症生存预测的对比度对齐掩盖自动编码器框架
摘要 - 随着多模式融合技术的快速发展，病理图像与基因组学数据的整合已在癌症生存预测中取得了令人鼓舞的结果。但是，大多数现有的多模型模型不是通过结合病理学和基因组学模态来预训练的，而忽略了不同模态之间固有的任务无关联的关联。尽管某些自我监督的方法通过预训练的目标（例如相关性和均方误差）来对齐多模式信息，但它们缺乏深入的多模式相互作用。为了解决这些问题，我们提出了Contramae，这是一种对比度对齐的掩盖自动编码器框架，以融合病理学图像和基因组学数据，以进行癌症存活预测。具体而言，我们引入了一个对比目标，以使多形态保持一致并构建其内在的一致性。此外，我们设计了两个重建目标，以通过互补偿双方所缺乏的信息来捕获多模式之间的复杂关系。在生存预测中，将Contramae编码器的病理和基因组学编码串联为产生生存风险评分的最终表示。实验结果表明，在五个癌症基因组图集（TCGA）中，CONTORAMA的表现优于五个癌症数据集的现有最新方法。该代码可从https://github.com/suixuewang/contramae获得。
MIT 开放存取文章 量子自动编码器......
1 香港大学计算机科学系 QICI 量子信息与计算计划，香港薄扶林道。2 香港大学计算机科学系人工智能技术实验室，香港薄扶林道。3 北京大学前沿计算研究中心。4 北京大学计算机学院。5 麻省理工学院理论物理中心。6 牛津大学计算机科学系，英国牛津帕克斯路 OX1 3QD。7 圆周理论物理研究所，加拿大安大略省滑铁卢 N2L 2Y5 Caroline Street North 31 号。8 香港大学深圳科研创新研究院，中国深圳市南山区月星二路。9 浙江大学计算机科学与技术学院，中国。
中脑编码没有听觉皮层的声音检测行为
摘要 听觉涉及分析声音的物理属性，并将分析结果与其他感觉、认知和运动变量相结合，以指导适应性行为。听觉皮层被认为是整合声音和背景信息的关键，并被认为通过其巨大的下行投射与皮层下听觉结构共享由此产生的表征。通过对参与声音检测任务的小鼠下丘皮层受体壳中的细胞活动进行成像，我们发现大多数神经元编码的信息超出了刺激的物理属性，并且可以从这些神经元的活动中高度准确地解码动物的行为。令人惊讶的是，在双侧皮层损伤导致中脑听觉皮层输入被切断的小鼠中也是如此。这表明皮层下听觉结构可以获取大量非声学信息，并且可以独立于听觉皮层携带比以前认为的更丰富的神经表征。
3D云通过地理空间意识到的蒙版自动编码器
swath（1.4 km）。此外，凭借其太阳同步轨道，Cloudsat在同一当地时间经过赤道，将观察结果限制为在一天中的特定时间内“快照”。相比之下，成像仪器在更广泛的视野和更高的时间分辨率上进行测量，但它们仅提供“自上而下”的视角，并且不会直接测量大气曲线。但是，将不同光谱通道中的图像与大气轮廓重叠的测量结合在一起，可以推断雷达轨道以外的垂直轮廓。Barker等。[3，4]通过强度像素匹配，开发了一种将地球保健曲线扩展到3D的算法。最近的工作[5，6，7]使用了基于ML的方法（例如U-NET，CGAN，线性回归，随机森林，XGBoost），以从“自上而下”的测量中估算垂直云信息。特别是Brüning等人。[5]从MeteoSat第二代（MSG）旋转增强的可见和红外成像仪（Seviri）的卫星图像进行了训练，并具有Cloudsat Cloud Cloud Radar（CPR）反射率，重建3D云结构。对于所有方法，模型训练需要数据源之间的精确空间和时间对齐。由于雷达卫星的立交桥有限（图1b），轮廓测量值少于可用的图像（为了进行比较，MSG/Seviri每年产生40 TB的图像数据，而CPR每年产生150 GB）。然后，我们使用匹配的图像profile对进行了3D云重建任务的预训练模型。自我监督学习（SSL）的最新进展（SSL）在大型未标记数据集的训练前模型中表现出了希望，但它们在云研究中的应用仍然不足。在这项工作中，我们将SSL方法（MAE，MAE，[8]）和GeoSpatemance Authewawe AutoCododers（基于Satmae，[9]）应用于2010年的多光谱MSG/SEVIRI数据。我们的结果表明，预训练始终提高此任务的性能，尤其是在热带对流带等复杂地区。具有地理空间意识的预训练模型（即时间和坐标编码），尤其是胜过随机初始化的网络和更简单的U-NET体系结构，从而改善了重建结果。该代码将在接受后提供。
用于生物研究的基因编码生物发光葡萄糖指示剂
还使用特异性引物插入了 MglB (D236A) 中的突变。通过重叠 PCR 连接每个扩增片段，并通过热融合法亚克隆到线性化质粒中 [14]。所选载体为用于细菌表达的 pRSET B、用于哺乳动物表达的 pcDNA3 和用于植物表达的 pRI201_AN。将叶绿体定位信号、核酮糖二磷酸羧化酶小链 1A (RBCS1a) [15] 序列通过 Gly-Gly-Ser-Gly-Gly 接头融合在 LOTUS-Glc 和 LOTUS-Glc (D236A) 的 N 末端。为了共表达 miniSOG2 和 LOTUS-Glc，我们将 LOTUS-Glc 和 miniSOG2 与可自裂解的 P2A 肽连接起来 [16]。使用热休克法对大肠杆菌 (E. coli) 菌株 XL10-Gold 进行转化，并在 2 mL LB 培养基中用 0.1 mg/ml 氨苄青霉素在 37 ◦ C 下培养单个菌落过夜。通过碱性-SDS 裂解从收集的细菌沉淀中进行小规模 DNA 制备。使用 BigDye Terminator v1.1 循环测序试剂盒 (Thermo Fisher Scientific) 通过染料终止子循环测序确认质粒序列。LOTUS-Glc 及其变体的 DNA 序列显示在注释 S1 中。