XiaoMi-AI文件搜索系统
World File Search Systemmaldi
靶向解吸电喷雾电离质谱成像用于药物分布、毒性和组织分类研究
摘要：随着质谱成像 (MSI) 在药物研发中的应用越来越广泛，我们有机会开发出结合探索性高性能分析和更高容量、更快靶向 MSI 的分析流程。因此，为了实现更快的 MSI 数据采集，我们提出了利用三重四极杆 (TQ) 质谱分析仪的分析物靶向解吸电喷雾电离质谱成像 (DESI-MSI)。与传统的飞行时间 (TOF) 质谱分析仪相比，评估的平台配置提供了更高的灵敏度，因此有可能生成适用于药物研发的数据。该平台成功运行，采样率高达 10 次扫描/秒，与同类 DESI-TOF 设置上常用的 1 次扫描/秒相比具有优势。更高的扫描速率使得研究内源性脂质物种（如磷脂酰胆碱）和四种口服药物（厄洛替宁、莫西沙星、奥氮平和特非那定）的解吸/电离过程成为可能。这可用于了解解吸/电离过程的影响，从而优化操作参数，与 DESI-TOF 分析或基质辅助激光解吸/电离 (MALDI) 平台相比，提高了脑组织切片中奥氮平和主要奥氮平代谢物羟基奥氮平的化合物覆盖率。该方法可以减少记录信息量，从而将数据集的大小从每个实验高达 150 GB 减少到几百 MB。在案例研究中证明了该方法对绘制药物分布图、药物引起的肾毒性的空间分辨分析以及卵巢肿瘤标本的分子组织学组织分类的适用性，其性能得到了改善。
国际农业，环境与食品科学杂志
抽象的磷酸盐 - 溶解细菌是植物生长的细菌之一，可通过多种途径溶解土壤中不溶性的磷酸盐并促进植物生长。因此，它提供了一种替代选择，而不是应用破坏土壤化学和生态平衡的化学肥料。尽管最近关于磷酸盐溶解细菌的研究最近有所增加，但有关薄荷和茴香根际的研究仍然有限。需要研究可以溶解磷酸盐并替代化学肥料的不同根际局部细菌。已经确定，从薄荷（Mentha Piperita L.）和茴香（Foeniculum vulgare L.）根瘤菌获得的53种细菌分离株中，有15种在Pikovskaya Agar（PKA）介质上使用Maldi-tof MS MAST形成了一个透明（Halo）根源。评估了这些分离株的形态，生化和IAA产生以及通过NBRIP肉汤培养基中分离株对磷酸盐溶解的定量测量。从枯草芽孢杆菌MMS -7中注意到溶解度为281.6 mg l -1的最高效率。接下来是荧光症MMS -11，溶解值分别为263.4 mg l -1和苏云金芽孢杆菌MMS -3，溶解值分别为172.1 mg l -1。在磷酸盐溶解细菌分离株中，P溶解指数在PKA琼脂培养基上为1.2-3.7。此外，使用枯草芽孢杆菌MMS -7，在23.38 µg mL -1下的最高IAA产生。关键字：Mentha Piperita，foeniculum vulgare，磷酸盐溶解细菌，MALDI TOF MS接下来是荧光症MMS -11，其值为19.72 µg ml -1和苏云金芽孢杆菌，使用MMS -3，值为18.98 µg ml -1。这项研究表明，选定的局部分离株可以用作有效的基于磷酸盐的微生物肥料。
癌症诊断液体活检中基于液滴的微流体的最新进展
图2用于循环肿瘤细胞（CTC）基于液体活检的基于液滴的微流体。（a）使用交叉芯片进行CTC隔离的实验设置。根据CC的条款通过许可证复制。67版权所有2019，Ribeiro -Samy等。67（b）单个细胞水平上点突变分析的流动。经许可复制。68版权2021，Elsevier。 （c）方案说明显示了基于声学液滴定位技术的多功能酶 - 响应性GNP芯片，用于捕获和释放单个CTC的需求。 经许可复制。 69版权所有2019，美国化学学会。 （d）数字WGS平台的设计和操作。 根据CC的条款复制了NC许可证。 70版权所有2019，Ruan等。 70（e）数字 - rna -seq的示意图。 经许可复制。 77版权2020，美国化学学会。 （f）基于大小的纯化和细胞的封装（SPEC），然后进行酶分泌的荧光分析。 根据PANS许可条款复制。 80版权所有2018，Dhar等。 80（g）基于虚拟液滴的SCPS平台的总体工作原理。 经许可复制。 81版权2020，Elsevier。 （H）基于配对芯片的单个细胞免疫测定的工作原理。 经许可复制。 85版权2022，美国化学学会。 根据CC的条款复制了NC许可证。68版权2021，Elsevier。（c）方案说明显示了基于声学液滴定位技术的多功能酶 - 响应性GNP芯片，用于捕获和释放单个CTC的需求。经许可复制。69版权所有2019，美国化学学会。 （d）数字WGS平台的设计和操作。 根据CC的条款复制了NC许可证。 70版权所有2019，Ruan等。 70（e）数字 - rna -seq的示意图。 经许可复制。 77版权2020，美国化学学会。 （f）基于大小的纯化和细胞的封装（SPEC），然后进行酶分泌的荧光分析。 根据PANS许可条款复制。 80版权所有2018，Dhar等。 80（g）基于虚拟液滴的SCPS平台的总体工作原理。 经许可复制。 81版权2020，Elsevier。 （H）基于配对芯片的单个细胞免疫测定的工作原理。 经许可复制。 85版权2022，美国化学学会。 根据CC的条款复制了NC许可证。69版权所有2019，美国化学学会。（d）数字WGS平台的设计和操作。根据CC的条款复制了NC许可证。70版权所有2019，Ruan等。70（e）数字 - rna -seq的示意图。经许可复制。77版权2020，美国化学学会。（f）基于大小的纯化和细胞的封装（SPEC），然后进行酶分泌的荧光分析。根据PANS许可条款复制。80版权所有2018，Dhar等。80（g）基于虚拟液滴的SCPS平台的总体工作原理。经许可复制。81版权2020，Elsevier。（H）基于配对芯片的单个细胞免疫测定的工作原理。经许可复制。85版权2022，美国化学学会。根据CC的条款复制了NC许可证。（i）使用MA芯片从患者液体活检中分离出代谢活性细胞的实验工作流程。87版权2020，Rivello等。87（j）使用滴剂 - 需求喷墨打印技术和MALDI MS的开放空间平台中基于代谢的捕获和分析肿瘤细胞的插图。经许可复制。88版权2021，美国化学学会。
主题：疼痛管理和药物使用障碍治疗中的药物测试
80305药物测试，推定，任何数量的药物类别，任何数量的设备或程序；能够仅通过直接光学观察来读取（例如，使用免疫测定[例如，量油尺，杯子，卡片或墨盒]），包括在执行日期，每次服务日期，假定的药物测试，假定，任何数量的药品类别，任何数量的设备或程序；通过仪器辅助直接光学观察（例如，使用免疫测定[例如，量油尺，杯子，卡片或墨盒]），包括在执行时进行样品验证，每个服务日期80307药物测试，推定，任何数量的药物类别，任何数量的设备或过程；通过仪器化学分析仪（例如，使用免疫测定[EG，EIA，ELISA，EMIT，FPIA，IA，IA，KIMS，RIA]），色谱法（Eg，GC，GC，HPLC）和质谱法和质谱法需要或不带色谱法（例如或不具有色谱）（例如MALDI，TOF）在执行时包括样品验证，每个服务日期80320酒精80321酒精生物标志物； 1至2 80322酒精生物标志物； 3个或更多80324置胺，1至2 80325苯丙胺，3至4 80326 Amphetamine，5或更多80345 Barbiturates 80346 Benzodiazepines; 1- 12 80347苯二氮卓类药物； 13 or more 80348 Buprenorphine 80349 Cannabinoids, natural 80350 Cannabinoids, synthetic 1 to 3 80351 Cannabinoids, synthetic 4 to 6 80352 Cannabinoids, synthetic 7 or more 80353 Cocaine 80354 Fentanyl 80356 Heroin metabolite 80357 Ketamine and norketamine 80358 Methadone 80359甲基二乙酰苯丙胺（MDA，MDEA，MDMA）80360甲酯80361鸦片，一种或多种80362阿片类药物和鸦片类似物； 1至2 80363阿片类药物和阿片类似物； 3至4 80364阿片类药物和阿片类似物； 5个或更多80365羟考酮
具有可控凹度的微碗，用于精确的微尺度质谱分析
标题 可控凹度微碗可用于精确微尺度质谱分析 Linfeng Xu、Xiangpeng Li、Wenzong Li、Kai-chun Chang、Hyunjun Yang、Nannan Tao、Pengfei Zhang、Emory Payne、Cyrus Modavi、Jacqueline Humphries、Chia-Wei Lu 和 Adam R. Abate* L. Xu 博士、X. Li 博士、K. Chang 博士、C. Modavi 博士、P. Zhang 博士、AR Abate 教授 加利福尼亚大学旧金山分校生物工程和治疗科学系，美国加利福尼亚州旧金山 94158 电子邮件：adam@abatelab.org N. Tao 博士 Bruker Nano Surfaces，美国加利福尼亚州圣何塞 95134 H. Yang 博士 神经退行性疾病研究所，加利福尼亚大学威尔神经科学研究所，美国加利福尼亚州旧金山 94158 W. Li 博士、J. Humphries 博士、C. Lu、 Amyris Inc. 5885 Hollis St #100, Emeryville, CA, 94608 USA E. Payne 密歇根大学化学系，美国密歇根州安娜堡 48104 AR Abate Chan 教授 Zuckerberg Biohub，美国加利福尼亚州旧金山 94158 关键词：微碗、微孔阵列、质谱成像 摘要：图案化表面可通过分离和浓缩分析物来提高激光解吸电离质谱的灵敏度，但其制造可能具有挑战性。在这里，我们描述了一种简单的方法来制造带有微米级孔图案的基底，与平面相比，它可以产生更准确、更灵敏的质谱测量结果。这些孔还可以浓缩和定位细胞和珠子以进行基于细胞的分析。 1. 引言基质辅助激光解吸电离（MALDI）是一种软电离质谱（MS）技术，常用于蛋白质组学和代谢组学的生物学研究[1–
四个新颖的无结核分枝杆菌
作者分支机构：1个国际分枝杆菌学实验室，丹麦哥本哈根Statens Serum Institut； 2英国诺丁汉诺丁汉特伦特大学生物科学系； 3罗斯基尔德大学科学与环境系，丹麦4000 Roskilde； 4丹麦哥本哈根大学公共卫生系全球卫生科。*通信：Xenia Emilie Sinding Iversen，Xesi@ssi。DK关键字：burgundiense sp。nov。;分枝杆菌Holstebronense sp。nov。;分枝杆菌kokjensenii sp。nov。;分枝杆菌Wendilense sp。nov。;非结核分枝杆菌；新物种；分类学描述。†共享的最后作者身份：这些作者对工作也同样贡献。在线补充材料中提供了补充数字和两个补充表。006620©2025作者缩写：ALRT，近似似然比测试； AMR，抗菌素耐药性； ANI，平均核苷酸身份； AST，抗菌敏感性测试； BIC，贝叶斯信息标准； CD，蛋白质编码序列； CLSI，临床和实验室标准研究所； GGD，基因组到基因组距离； HPLC，高性能液相色谱； IRLM，分枝杆菌国际参考实验室；它的内部转录垫片； LJ，Löwenstein -Jensen； LPA，线探测测定； MALDI-TOF，基质辅助激光解吸电离时间； MB7H10，Middlebrook 7H10; MBT，MALDIBIOTYPER®； MGIT，分枝杆菌生长指示灯管； MHB，Mueller – Hinton汤； MIC，最少抑制浓度； MS，质谱； NCBI，国家生物技术信息中心； NTM，无结核分枝杆菌； ONT，牛津纳米孔技术； PGAP，原核基因组注释管道； PPS，病原体概率评分； SSI，Statens Serum Institut；结核病，结核病； TES，N-三三（羟甲基）甲基-2-氨基乙磺酸； WGS，全基因组测序； Zn，Ziehl – Neelsen。
快速物种分化和动杆菌的键入...
acinetobacter（A。）鲍曼尼（Baumannii）已成为一种难以治疗的医疗性细菌性人类病原体。A。Baumannii应在“一种健康”方法下处理，其在人类，动物和环境环境中的监视对于理解其合理的传播动态而言至关重要。准确鉴定鲍曼尼a，其克隆复合物和序列类型对于理解流行病学分布，进化关系和传播动力学很重要。广泛的基因分型技术用于分化calcoaceticus-baumannii（ACB）复合物。但是，没有用于快速测定的单一直接基因型方法。当前，存在两个多焦点序列分型（MLST）牛津和牧场方案；尽管被认为是序列键入的黄金标准，但协调方案并不是一个简单的过程。基于基于基因组测序的核心基因组多焦点序列（CGMLST）和核心单核苷酸多态性（CGSNP）是可靠且精确的序列键入；但是，它们的昂贵，具体取决于测序的质量并要求更高的计算技能。在过去十年中，基于飞行质谱（MALDI-TOF MS）物种鉴定的基质辅助激光解吸时间已成功地用于快速区分ACB复合物。MALDI键入非常快，更容易，便宜，并且与分子方法一样可靠。人工智能和机器学习的应用可能在克隆序列类型（ST）级别的标识中很有用。应变水平A. Baumannii识别置信度在增加了具有明确定义的分离株的内部参考光谱时提高了现有数据库。流动性分类学分类正在发展，正在描述更新的ST；因此，建立鲍曼尼曲霉参考光谱的中央存储库将有助于整个实验室协调，并在“一个健康”的观点上对鲍曼尼a。a。baumannii的全球级别监视计划有助于。本评论阐明了与鉴定活杆菌所采用的技术以及MALDI-TOF MS的潜在应用和未来观点有关的挑战。
CHEM-ENG 611 2025 年春季 第 1 页，共 7 页
讲师：Nianqiang Wu 办公室：159 Goessmann 实验室 电话：(413) 545-6175 电子邮件：nianqiangwu@umass.edu 主页：https://people.umass.edu/nianqiangwu/ 办公时间：周二和周四下午 3:45-4:30 或预约 讲座：周二和周四下午 2:30 - 3:45，Hasbrouck 实验室，Add 房间 107 课程描述：将介绍各种分析技术，例如质谱、SIMS、MALDI、FTIR（例如 ATR、PM-IRRAS 和 DRIFTS）、拉曼、SERS、XPS、UPS、XAENS、EXAFS、NMR、EPR、荧光、紫外-可见光谱和成像。将涵盖仪器的原理、结构和应用。重点将放在培养解决与特性相关的问题的能力上。特别关注选择适当的分析技术来表征材料、催化剂、生物分子、食品和设备的标准。先决条件：无。教材：(1)“表面分析：主要技术”，John C. Vickerman，Ian Gilmore，第二版，John Wiley & Sons，Inc.，（2009），ISBN：978-0470017647（旧版本：“表面分析 - 主要技术”，作者：John C. Vickerman，John Wiley & Sons；第一版，（1997），ISBN：0471972924）（2）“化学分析：现代仪器方法和技术”，Francis Rouessac，Annick Rouessac，John Wiley & Sons，第二版，（2007），ISBN：978-0-470-85903-2。有用的参考文献：(1)《分析化学：化学家和实验室技术人员的工具包》，Bryan M. Ham、Aihui MaHam，John Wiley & Sons，(2015)，ISBN：978-1-118-71484-3。(2)《分子光谱学手册》，DN Sathyanarayana 著，(2015)，ISBN-13：978- 9384588250。(3)《有机结构光谱学》，Joseph B. Lambert、Herbert F. Shurvell、David A Lightner、Robert Graham Cooks，Prentice Hall 著；第 1 版，（1997 年），ISBN：0132586908 (4) “材料科学中的表面分析方法”，作者 DJ O'Connor、Brett A. Sexton、Roger SC Smart，Springer；第 2 版，（2003 年），ISBN：3540413308 (5) 有机光谱学，作者 Lal Dhar Singh Yadav，Springer；第 1 版，（2005 年），ISBN：1402025742 (6) 在线 AFM 教科书，“扫描探针显微镜基础”，作者 VL Mironov，http://www.nanotech-america.com/dmdocuments/mironov_book_en.pdf (7) “表面和界面分析手册”，作者 John C. Riviere，CRC；第 1 版，（1998 年），ISBN：0824700805 (8) “有机化合物的结构测定：光谱数据表”，作者：E. Pretsch、P. Bühlmann、C. Affolter，Springer；第 3 版，（2004 年），ISBN：3540678158
Machine-Learning-e-modeling-Statistics.pdf
机器学习和统计建模先例：机器学习和统计学习的要素。学习算法。旋转方法。降低维度和正则化。设置方法。特殊主题。目标：提出基本概念和机器学习中使用的主要工具。讨论与主要算法的实施和应用有关的问题。在课程结束时，学生应有一个坚实的基础，可以批判性地使用这些方法，无论他们在工作的编程环境如何，都能理解和适应算法。示意性内容：机器学习元素和统计学习：什么是机器学习。什么是大数据。数据类型：结构化与非结构化。推论文化与预测性。维度的诅咒。学习算法：学习类型。监督学习算法。学习算法未被监督。雷莫尔方法：交叉验证和引导程序。维度和正规化减少：降低维度的主要方法。正则化方法。设置方法：业务和提升。花键。判别分析。基于概率的分类方法。k均值和变化。决策树。Agroupamentary的教学大纲。子运动退伍军人机器。分析两个主要成分。阅读和深度学习。参考书目：Hastie，T.，Tibishirani，R。在Friedman，J。（2016）。统计学习要素。Springer，第二版。James，G.，Witten，D.，Hastie，T。，intibishirani，R。（2017）。R. Springer中的应用程序的统计介绍。Murphy，K.P。 （2012）。 机器学习，可能的观点。 麻省理工学院出版社。 izbicki，R。在TM（2020）的桑托斯（Santos）。 早期学徒制：统计流产。 在我的http://www.rizbicki.ufscar.br/ame.pdf 中讨论Murphy，K.P。（2012）。机器学习，可能的观点。麻省理工学院出版社。izbicki，R。在TM（2020）的桑托斯（Santos）。早期学徒制：统计流产。在我的http://www.rizbicki.ufscar.br/ame.pdf 中讨论
Thomas Wollmann 博士论文
高内涵显微镜在生物学和医学领域取得了许多进展。这种快速发展的技术正在将细胞生物学转变为大数据驱动的科学。计算机视觉方法用于自动分析显微镜图像数据。近年来，深度学习变得流行起来，并在计算机视觉领域取得了重大成功。大多数可用的方法都是为处理自然图像而开发的。与自然图像相比，显微镜图像带来了特定领域的挑战，例如训练数据集小、对象聚类和类别不平衡。本文介绍了用于显微镜图像中对象检测和细胞分割的新型深度学习方法。对于荧光显微镜图像中的粒子检测，提出了一种基于领域自适应反卷积网络的深度学习方法。此外，提出了一种在异质组织病理学图像中有丝分裂细胞检测的方法，该方法结合了深度残差网络和霍夫投票。该方法用于乳腺癌全切片组织学图像的分级。此外，介绍了一种基于物体质心的粒子检测和细胞检测方法，该方法可以端到端训练。它包括一个新的质心提议网络、一个用于在图像尺度和锚点上集成检测假设的层、一个有利于先前锚点而不是回归位置的锚点正则化方案以及一种改进的非最大抑制算法。此外，提出了一种基于归一化互信息的新型损失函数，该函数可以应对强烈的类别不平衡，并且是在贝叶斯框架内推导出来的。对于细胞分割，引入了一种具有增加的接受场以捕获丰富语义信息的深度神经网络。此外，提出了一种结合卷积神经网络的多尺度特征聚合和循环神经网络的迭代细化的两种范式的深度神经网络。为了提高训练的鲁棒性并改善分割，提出了一种新的焦点损失函数。此外，还提出了一种用于生物医学图像分析流程的黑盒超参数优化框架。该框架具有模块化架构，将超参数采样和超参数优化分开。建议基于最小投影对损失函数进行可视化，以进一步了解优化问题。此外，还提出了一种迁移学习方法，该方法仅使用一个颜色通道进行预训练，并对更多颜色通道进行微调。此外，还提出了一种用于组织病理学幻灯片的无监督域自适应方法。最后，介绍了 Galaxy Image Analysis，这是一个基于 Web 的显微镜图像分析平台。已经开发了用于细胞培养中的细胞分割、小鼠脑组织中的粒子检测和 MALDI/H&E 图像配准的 Galaxy Image Analysis 工作流程。所提出的方法已应用于具有挑战性的合成和真实