XiaoMi-AI文件搜索系统
World File Search Systemesis
较小但强大：小分子植物纤维素生物合成抑制剂的更新
始终引用已发布的版本，因此作者将通过跟踪引用计数的服务获得识别，例如scopus。如果您需要从TSPACE引用作者手稿的页码，因为您无法访问已发布的版本，则使用记录页面上找到的永久性URI（句柄）来引用TSPACE版本。
牙龈卟啉单胞菌引起宿主胰岛素抵抗的研究进展
牙龈卟啉单胞菌（P. gingivalis）是一种革兰氏阴性口腔厌氧菌，在牙周炎的发病过程中起关键作用。P. gingivalis表达多种毒力因子，破坏先天性和适应性免疫，使其在宿主体内存活、繁殖并破坏牙周组织。除了牙周病外，P. gingivalis还与全身性疾病有关，胰岛素抵抗是其中重要的病理基础。P. gingivalis引起全身炎症反应，破坏胰岛素信号通路，诱导胰腺b细胞功能减退和数量减少，导致胰岛素敏感性降低，从而产生胰岛素抵抗（IR）。本文系统综述了P. gingivalis引起胰岛素抵抗的机制研究，讨论了P. gingivalis与基于胰岛素抵抗的全身性疾病的关联，并最终提出了相关的治疗方法。总之，通过系统地综述牙龈卟啉单胞菌通过胰岛素抵抗引起全身性疾病的相关机制，我们希望为未来相关全身性疾病的基础研究和临床干预提供新的见解。
ESR1突变驱动对ER+乳腺癌中CDK4/6抑制剂的抗性
图3。（a）MCF7_ESR1 WT，MCF7_ESR1 Y537S和MCF7_ESR1 D538G细胞用9浓度的palbociclib±雌激素剥夺（E2-）或1 nm fulvesterant处理。治疗6天后，通过曲面测定法测量细胞活力。（b）MCF7_ESR1 WT的肿瘤生长（n = 12），MCF7_ESR1 Y537S（n = 8）或MCF7_ESR1 D538G（N = 8）异种移植物在卵巢肌切除术中。小鼠用车辆或50mg/kg Palbociclib P.O.持续4周。（c）在（b）中描述的肿瘤处理结束时肿瘤体积的折叠变化的比较。（d）（b）中肿瘤的IHC染色定量。数据代表平均值±SD；使用Dunnett的事后测试使用单向方差分析进行统计分析。
通过量子假设测试的量子分类的最佳可证明的鲁棒性
量子机学习模型与其经典同行相比，有可能提供加速和更好的预测精度。然而，这些量子算法与它们的经典算法一样，也已被证明也很容易受到输入扰动的影响，尤其是对于分类问题。这些可能是由于嘈杂的实现而引起的，也可以作为最坏的噪声类型的对抗性攻击。为了开发防御机制并更好地理解这些算法的可靠性，在存在自然噪声源或对抗性操纵的情况下了解其稳健性至关重要。从量子分类算法涉及的测量值是自然概率的，我们发现并形式化了二进制量子假设测试与可证明可证明可靠的量子分类之间的基本联系。此链接导致紧密的鲁棒性条件，该条件对分类器可以忍受的噪声量构成约束，而与噪声源是自然的还是对抗性的。基于此结果，我们开发了实用协议以最佳证明鲁棒性。最后，由于这是针对最坏情况类型的噪声类型的鲁棒条件，因此我们的结果自然扩展到已知噪声源的场景。因此，我们还提供了一个框架来研究量子分类方案的可靠性，超出了对抗性，最坏情况的噪声场景。
泛加拿大肿瘤药物审查初步经济指导报告 Darolutamide (Nubeqa) 用于治疗非转移性去势抵抗性前列腺癌
免责声明 不能替代专业建议 本报告主要旨在帮助加拿大卫生系统领导者和政策制定者做出明智的决定，从而提高医疗服务的质量。虽然患者和其他人可以使用本报告，但本报告仅供参考和教育之用。本报告不应被用作对特定患者护理的临床判断或任何决策过程中的其他专业判断的替代，也不应被用作专业医疗建议的替代。 责任 pCODR 对所披露的任何信息、药物、疗法、治疗、产品、流程或服务的准确性、完整性或实用性不承担任何法律责任。信息按“原样”提供，建议您在依赖之前自行验证并咨询医学专家。您不应要求 pCODR 对您如何使用本报告中提供的任何信息负责。pCODR 生成的报告由基于制药商、肿瘤组织和其他来源提供的信息的解释、分析和意见组成。pCODR 对此类解释、分析和意见的使用不承担任何责任。根据 pCODR 的基础文件，pCODR 提供的任何调查结果对任何组织（包括资助机构）均不具有约束力。pCODR 特此声明，对于使用 pCODR 生成的任何报告，不承担任何责任（为进一步明确，“使用”包括但不限于资助机构或其他组织决定遵循或忽略 pCODR 报告中提供的任何解释、分析或意见）。资金 加拿大肿瘤药物审查由各省和地区共同资助，魁北克省除外，目前魁北克省不参与 pCODR。
心内膜 HAND2 基因调控网络的单细胞评估揭示了影响心脏形态发生的关键 HAND2 依赖性通路
1 印第安纳医学院儿科、解剖学、医学和分子遗传学系 Herman B Wells 儿科研究中心，美国印第安纳州印第安纳波利斯 46202 2 印第安纳大学基因组学和生物信息学中心，美国布卢明顿 3 劳伦斯伯克利国家实验室环境基因组学和系统生物学部，美国加利福尼亚州伯克利 94720 4 加利福尼亚大学比较生物化学项目，美国加利福尼亚州伯克利 94720。 5 美国能源部联合基因组研究所，劳伦斯伯克利国家实验室，美国加利福尼亚州伯克利 94720 6 伯尔尼大学生物医学研究系 (DBMR)，瑞士伯尔尼 7 伯尔尼大学医院心脏病学系，瑞士伯尔尼
基因组，转录组和代谢组分析的氨基化albus albus提供了对南部疫病病原体的进化和抗性的见解
结果和讨论：在这里，我们组装并注释了A. albus的完整基因组，提供了一个染色体级的组件，总基因组大小为5.94 GB，而Cortig N50为5.61 MB。A. albus基因组组成了19,908个基因家族，其中包括467个独特的家族。与A. konjac相比，A. albus的基因组大小稍大，可能受到了最近的全基因组重复事件的影响。转录和代谢分析揭示了参与苯基 - 丙型生物合成的差异表达基因（DEG）和差异积累的代谢产物（DEG）的显着富集，植物激素信号传递，苯基丙氨酸代谢，苯丙氨酸的代谢和生物合成的生物合成，苯基烷胺，Tyroptanin和Tyropt。这些发现不仅提高了对A. albus的遗传和进化特征的理解，而且还为未来研究Konjac对南部疫病疾病的抗性机制的研究奠定了基础。
RET 抑制可克服 ER+ 乳腺癌对 CDK4/6 抑制剂和内分泌疗法的耐药性
方法：为了确定与联合内分泌治疗和 CDK4/6i 耐药相关的基因表达改变，我们对两种对该联合治疗有耐药性的 ER+ 乳腺癌细胞模型进行了 RNA 测序。通过 siRNA 介导的 RET 沉默和 FDA/EMA 批准的 RET 选择性抑制剂 selpercatinib 在耐药乳腺癌细胞和患者来源的类器官 (PDO) 中的靶向抑制来评估 RET 的功能作用。使用全局基因表达和通路分析从机制上评估 RET 沉默。通过对接受内分泌治疗的原发性肿瘤进行基因阵列分析，以及对接受联合 CDK4/6i 和内分泌治疗的患者的转移性病变进行免疫组织化学评分，研究了 ER+ 乳腺癌中 RET 表达的临床相关性。
使用电阻记忆和超声波换能器进行神经形态物体定位
现实世界的传感处理应用需要紧凑、低延迟和低功耗的计算系统。混合忆阻器-互补金属氧化物半导体神经形态架构凭借其内存事件驱动计算能力，为此类任务提供了理想的硬件基础。为了展示此类系统的全部潜力，我们提出并通过实验演示了一种用于现实世界对象定位应用的端到端传感处理解决方案。从仓鸮的神经解剖学中汲取灵感，我们开发了一种生物启发的事件驱动对象定位系统，将最先进的压电微机械超声换能器传感器与基于神经形态电阻式存储器的计算图结合在一起。我们展示了由基于电阻式存储器的巧合检测器、延迟线电路和全定制超声传感器组成的制造系统的测量结果。我们使用这些实验结果来校准我们的系统级模拟。然后使用这些模拟来估计对象定位模型的角度分辨率和能量效率。结果揭示了我们的方法的潜力，经评估，其能量效率比执行相同任务的微控制器高出几个数量级。
g-hop：相互作用重建的生成性手动对象和掌握合成
和一个锅的不同）或意图（例如通过刀与使用它进行切割），我们人类可以毫不费力地描绘出与日常生活中日常物体的这种互动。在这项工作中，我们的目标是构建一个可以同样生成合理的手动配置的计算系统。具体来说，我们学习了一个基于扩散的常规模型，该模型捕获了3D相互作用期间手和对象的关节分布。给定一个类别的描述，例如“握着板的手”，我们的生成模型可以合成人手的相对配置和表达（见图1个顶部）。我们解决的一个关键问题是，该模型是什么好的HOI表示。通常通过空间（签名）距离场来描述对象形状，但人的手通常是通过由发音变量控制的参数网格建模的。我们提出了一个均匀的HOI表示，而不是在生成模型中对这些不同的代表进行建模，并表明这允许学习一个共同生成手和对象的3D扩散模型。除了能够合成各种合理的手和物体形状的综合外，我们的扩散模型还可以在跨任务的辅助推理之前作为通用，而这种表示是所需的输出。例如，重建或预测相互作用的问题对于旨在向人类学习的机器人或试图帮助他们的虚拟助手来说是核心重要性。重建的视频重新投影错误）或约束（例如我们考虑了这些行沿着这些行的两个经过深入研究的任务：i）从日常交互剪辑中重建3D手对象形状，ii）鉴于任意对象网格，合成了合理的人类grasps。为了利用学到的生成模型作为推论的先验，我们注意到我们的扩散模型允许在任何手动对象配置给定的（近似）log-likelihood梯度计算（近似）log-likelihoodhoodhood。我们将其纳入优化框架中，该框架结合了先前的基于可能性的指南与特定于任务的目标（例如已知对象网格的合成）推理。虽然理解手动相互作用是一个非常流行的研究领域，但现实世界中的数据集限制了3D中这种相互作用的限制仍然很少。因此，我们汇总了7种不同的现实世界交互数据集，从而导致157个对象类别的相互作用长期收集，并在这些范围内训练共享模型。据我们所知，我们的工作代表了第一个可以共同生成手和对象的生成模型，并且我们表明它允许综合跨类别的各种手动相互作用。此外，我们还经验评估了基于视频的重建和人类掌握合成的任务的先前指导的推断，并发现我们所学的先验可以帮助完成这两个任务，甚至可以改善特定于特定于任务的状态方法。