一名38岁的女性从未吸烟,在胸部X射线上呈现心脏轮廓扩大,胸部计算机断层扫描(CT)扫描显示左上叶下叶段中有一个小的肺结节,双侧的双侧淋巴结肿大,介质淋巴结和大量的经percardial percardial effusion(图1)。经过支气管肿瘤活检和其他检查显示临床IVA(T1AN3M1A)肺部肺癌。EGFR突变和ALK易位。通过顺铂(pemetrexed和bevacizumab)的五个一线化学疗法进行了部分反应,开始使用pemetrexed和bevacizumab的维持化学疗法。在维护治疗的两个周期后获得了完全反应。第一次诊断四年后,当完成43个维持化疗的周期时,胸部CT扫描在主要病变处显示出很小的阴影(图1(b))。挽救部分叶切除术,并在切除的标本中确认可行的癌细胞。ROS1融合转录本未通过使用Oncoguide®AmoyDX®试剂盒从样品中检测到。他们也对BRAF突变进行了负面影响。手术九个月后,她的肺癌复发了双侧纵隔和肺淋巴结淋巴结,多种骨转移和多个脑转移(图1(c))。几种有症状的脑转移是
来自 1 美国印第安纳州印第安纳波利斯印第安纳大学医学院儿科系 Herman B. Wells 儿科研究中心和 2 糖尿病与代谢疾病中心;3 美国马里兰州罗克维尔国立卫生研究院国家转化科学促进中心;4 美国纽约州纽约市西奈山伊坎医学院伊坎基因组学和多尺度生物学研究所遗传学和基因组科学系;5 美国康涅狄格州斯坦福德西奈山大学 Sema4 项目;6 美国印第安纳州印第安纳波利斯印第安纳大学医学院药理学和毒理学系、7 斯塔克神经科学研究所、8 生物化学和分子生物学系和 9 解剖学、细胞生物学和生理学系
摘要:头颈部腺样囊性癌(AdCC)起源于涎腺,具有较高的复发和转移风险,患者预后较差。本研究旨在筛选与AdCC相关的关键基因,以进一步研究其诊断和预后意义。本研究以基因表达综合(GEO)数据库中的AdCC样本数据集GSE36820,GSE59702和GSE88804为样本,探究与正常组织相比,AdCC中基因的异常共表达情况。通过GEO2R和FunRich软件筛选,共获得115个DEG。经Enrichr功能注释分析,这些DEG主要富集在SOX2、AR、SMAD和MAPK信号通路中。利用相互作用基因检索工具 (STRING) 建立了 DEG 的蛋白质-蛋白质网络,并通过基于 WEB 的基因集分析工具包 (WebGestalt) 进行注释,结果显示,DEG 中富集了参与心肌细胞增殖和细胞外基质组织的蛋白质。京都基因与基因组百科全书 (KEGG) 分析显示,ITGA9、LAMB1 和 BAMBI 与 PI3K-Akt 和 TGF-β 通路相关。此外,通过 OncomiR 和 miRNA 通路词典数据库 (miRPathDB) 鉴定出 36 个潜在的靶 miRNA。总之,富集分析显示 SLC22A3、FOXP2、Cdc42EP3、COL27A1、DUSP1 和 HSPB8 起着关键作用;KEGG 分析显示,ITGA9、LAMB1 和 BAMBI 参与了重要通路; ST3Gal4是所有获得的DEGs的PPI网络的关键组成部分;SPARC、COL4A2和PRELP在泛癌症研究中与多种恶性肿瘤高度相关;hsa-miR-29-3p、hsa-miR-132-3p和hsa-miR-708-5p是AdCC中的潜在调控因子。所涉及的通路、生物学过程和miRNA已被证明在AdCC的发生、生长、侵袭和转移中发挥重要作用。在本研究中,这些鉴定的DEG被认为对AdCC具有潜在影响,但尚未在该疾病中进行研究。分析结果有助于我们了解AdCC的分子机制和生物学过程,这可能有助于靶向治疗或诊断。
Compound EC 50 (µM) EC 90 (µM) CC 50 (µM) Niclosamide 1.1 1.7 >100 Penfluridol 2.6 4.7 19.00 Digoxin 0.6 1.5 55.00 Metergoline 3.7 8.5 40.00 Imatinib 5.0 12.0 91.00 Efloxate 12.7 25.2 >100 Ebastine 5.2 11.6 45.00 Protoporphyrin IX 0.1 0.4> 100霉酚酸酯3.6 18.7> 100 pimozide 3.9 13.7 21.00 lanatoside C 0.1 0.1 0.3 80.00头孢烷1.0 4.4 20.00 clofazimine 2.8 21.9> 100 remdesivir 1.6 4> 100> 100> 100
搬迁沙田污水处理厂往岩洞的实时大数据人工智能环境影响评估 (AIEIA) 执行摘要 搬迁沙田污水处理厂往岩洞(本项目)的环境影响评估中,位于沙田马场和周边河道的彭福公园鹭鸟林被列为环境指标之一。目前,香港对鸟类生态栖息地的监测主要以人为观察为主,而人为观察的时间间隔有限。由于繁殖季节环境变化微妙,人为不易分辨鸟类行为的细微变化。渠务署藉此机会与香港科技大学合作,通过在项目下对彭福公园鹭鸟林进行先导观察,探索将最先进的绿色人工智能 (AI) 技术融入环境监测。观察是明智行动的第一步。完整的阵列数据收集系统 (ADCS) 和实时数据提取管道架构经过全面设计,可实现模块化,并可成功部署在各种结构中,确保在所有环境中可靠运行。ADCS 具有多种优势,可满足户外环境长期监测的需求:(i) 自动连续录制;(ii) 高分辨率视频;(iii) 高帧率视频;(iv) 巨大的本地数据存储;(v) 保护恶劣环境(例如极端天气条件)。采用一种新的视频压缩标准高效视频编码 (H.265) 来处理、存储和传输高分辨率视频,同时保持视频质量。在户外环境中实现数据采集自动化之后,实施了 AI 算法,以从长达数月的数据中检测鸟类。本研究重点是检测大白鹭和小白鹭,即研究地点的主要鸟类。AI 算法开发的主要挑战是缺乏香港鸟类的标记数据集。为了解决这个问题,我们利用 3D 建模制作了大白鹭和小白鹭的合成鸟类数据集。在虚拟图像的开发过程中,我们应用了姿势和身体大小等显著特征的大量变化,这反过来又迫使模型专注于专家用来区分鸟类物种的细粒度鸟类特征,例如颈部和头部。经过训练的 AI 模型能够在不同背景下以高预测分数区分和定位鸟类物种,平均准确率达到 87.65%。我们的人工智能 ADCS 解决方案比传统的人工观察具有多种潜在优势,能够在不同的天气条件下为不同物种的鸟类计数、行为研究、空间偏好以及种间和种内相互作用提供密集的表面。这项研究的结果和发现有利于未来规划环境监测工作以及项目下的工作阶段,以尽量减少对彭福公园鹭鸟林的潜在环境影响。
结果:在MMR基因中,在DHPLC基因变异筛选中鉴定了三个家族,该家族在MMR基因中具有致病性/可能的致病性种系变体。所有家庭在几代人的几个家庭成员中都有CRC的历史。肿瘤分析表明,与突变基因以及MSI相对应的MMR蛋白IHC染色的丢失。在MLH1中鉴定出a的a family A,一种结构变体,4至13的重复。预计重复将导致氨基酸520的框架和氨基酸539的过早终止密码子。在家庭B中,在MLH1中发现了1个碱基对缺失,从而在氨基酸491中产生移牌和终止密码子。在家庭C中,我们确定了MSH2中的一个剪接位点变体,该变体预计将导致剪接供体部位的损失。结论:我们在19个测序家族中的三个中,在MMR基因中完全确定了三种致病/可能的致病变异。基于洞察力和Clinvar数据库,MLH1变体是外显子4至13的复制和移码变体的新颖。 Clinvar的一个提交者报告了MSH2剪接网站变体。作为一种变体类别,在MMR基因文献中很少报道重复,尤其是涵盖多个外显子的文献。
大米的细菌疫病(BB)的抗抗病性抗病性是由于病原体xanthomonas oryzae PV的进化和适应而是一项持续挑战。oryzae(XOO),耕种水稻品种。对这种病原体的毒力的基础是转录激活剂(TAL)效应子,可激活宿主基因的转录,对病原体的毒力,效果或两者兼而有之。宿主植物的耐药性预计如果针对影响病原体毒力和舒适性的策略性毒力因子会更耐用。我们表征了TAL7B,这是一种导致大米病原体毒力的少量毒力因子,是病原体的效果因子,并且在XOO的地理上多样化的菌株中广泛存在。为了识别对这种保守效应器的抵抗来源,我们使用了带有质粒寄生的TAL7B副本的高毒素菌株来筛选Indica多父母的高级高级杂交(魔术)种群。,特定于TAL7B(QBB-TAL7B)。总体而言,有150个预测TAL7B基因靶标与QBB-TAL7B QTL重叠。其中21个在预测的效应结合元件(EBE)位点中显示了多态性,而23个完全失去了EBE序列。接种和生物信息学研究表明,TAL7B特异性QTL之一QBB-TAL7B -8中的TAL7B靶向是一个疾病敏感性基因,并且该基因座的抗性机制可能是通过易感性丧失。我们的工作表明,较小的毒力因素显着促进疾病,并提供了一种潜在的新方法来识别有效的疾病抗性。
摘要:大豆是一种具有大量蛋白质含量的谷物产品。据信,源自大豆蛋白的生物活性肽具有维持脑部健康的能力,例如神经递质系统。大脑图 - ping是研究功能性人脑的大脑电活动的映射。在这项研究中,提出了基于功率谱的2D脑图,以查看使用19-通道Elec -trocephalogram消耗大豆肽之前的青少年脑活动的差异。在实验中,涉及16至24岁年龄范围的青少年(在实验前的7-8小时内禁食)。2D脑图 - PING结果表明,消耗大豆肽后,从α波中看到的受试者的活性增加了5%。
类别:炎症和免疫药学神经药物学作者姓名,电子邮件和分支机构benedicto crespo-facorro a,b * miguel ruiz-deguilla a,b * vázquez-burgon b,d和 ana c。 g†耶稣sainz h†
在 AI 监考考试中,学生在考试期间受到监控以确保学术诚信,就像监考人员在校园考试中监控学生一样。网络摄像头记录考试过程,任何诚信问题都会被标记以供审查。在大多数情况下,考试过程中标记的问题与诚信无关,可以避免,例如说话或远离摄像头。上一次考试中,超过 70% 的标记事件与学术不端行为无关,而是 AI 识别出的可轻松预防的行为。为了避免考试中不必要的标记,以下是本次考试中 AI 监考考试中应避免的首要事项。