XiaoMi-AI文件搜索系统
World File Search Systemmotifs
不可避免的RNA图案和结构服务器
[1]可根据旋转不变性的最小值RNA结构基序的可扩展且可解释的识别，撰写的，Zhou，Malik，Tang，Mathews和Huang。重新梳理202 5。预印本：https：//arxiv.org/abs/2402.17206。[2]通过竞争对手结构的产生和结构分解，Zhou，Tang，Mathews和Huang通过竞争结构的产生和结构分解识别。RECOMB 2024，LNCS 14758的RECOMB会议记录，Springer。https://arxiv.org/abs/2311.08339 [3] RNA设计通过structure-ware Multi-Frontier合奏优化，作者：Zhou，Dai，Li，Li，Ward，Mathews和Huang。ISMB 2023的会议记录；生物信息学，39（supp。 1）。 https://doi.org/10.1093/bioinformatics/btad252ISMB 2023的会议记录；生物信息学，39（supp。1）。https://doi.org/10.1093/bioinformatics/btad252
dipwmsearch：用于搜索 di-PWM 图案的 Python 包
摘要 动机 在序列中寻找概率基序是注释假定转录因子结合位点 (TFBS) 的常见任务。有用的基序表示包括位置权重矩阵 (PWM)、双核苷酸 PWM (di-PWM) 和隐马尔可夫模型 (HMM)。双核苷酸 PWM 结合了 PWM 的简单性（矩阵形式和累积评分函数），但也加入了基序中相邻位置之间的依赖关系（不同于忽略任何依赖关系的 PWM）。例如，为了表示结合位点，HOCOMOCO 数据库提供了来自实验数据的 di-PWM 基序。目前，两个程序 SPRy-SARUS 和 MOODS 可以在序列中搜索 di-PWM。结果 我们提出了一个 Python 包 dipwmsearch，它为这项任务提供了一种原创且高效的算法（它首先枚举 di-PWM 的匹配词，然后立即在序列中搜索它们，即使它包含 IUPAC 代码）。用户可以通过 Pypi 或 conda 轻松安装，使用文档化的 Python 界面和可重复使用的示例脚本，从而顺利使用 di-PWM。可用性和实施：dipwmsearch 可在 https://pypi.org/project/dipwmsearch/ 和 https://gite.lirmm.fr/rivals/dipwmsearch/ 下根据 Cecill 许可获得。
端粒的结构基序及其在调节途径中的作用
摘要：端粒是专门的结构，在真核细胞中线性染色体的末端发现，在维持基因组的稳定性和完整性方面起着至关重要的作用。它们由重复的DNA序列，ssDNA悬垂和几种相关的蛋白质组成。端粒的长度与人类的细胞衰老有关，维持的缺陷与各种疾病有关。端粒的关键结构基序可保护脆弱的染色体末端。端粒DNA还具有形成各种复杂DNA高阶结构的能力，包括T环，D环，R环，G-Loops，G-Quadruplexes和I-Motifs，在互补的C-rich链中。虽然已经确定了许多端粒上的基本蛋白质，但它们的相互作用和结构细节的复杂性仍未完全了解。这种观点强调了在理解与人类端粒相关的结构方面的最新进步。它强调了端粒的意义，探索各种端粒结构基序，并深入研究端粒和端粒酶的结构生物学。还讨论了有助于保护端粒的端粒环，其拓扑结构和相关蛋白质。
基于Dayak ngaju
摘要：中央卡利曼丹社区Dayak Ngaju的数学教育在其固有文化中起着重要作用，包括蜡染/雕刻/绘画图案。这些主题中嵌入的道德信息是Dayak Ngaju社区的生活哲学。这项研究旨在描述基于这些主题对学生的学习成果和回答实施民族心理学习模型的影响。该研究使用了混合方法和解释性设计。该研究对象由两个9年级课程组成，在印度尼西亚中部卡利曼丹市Palangka Raya的一所公立初中，将其视为未选择的选择。仪器包括测试后，问卷调查（定量数据），工作表和访谈指南（定性数据）。结果表明该模型的实施影响了学习成果。学生也对模型的实施做出了积极的反应。他们感到在解决工作表中解决问题，回答问题或完成任务方面受到挑战。此外，学生们通过创建实用视频来展示Dayak Ngaju主题的积极态度和绘画来发展积极的态度。关键字：Dayak ngaju图案，民族心理学，学习成果，当地智慧，学生工作表
揭示多个神经元种群中并发信号的基序
现代记录技术现在使我们能够从不同大脑网络中不同神经元群体中记录。但是，尤其是当我们考虑多个（超过两个）人群时，需要新的概念和统计框架来表征这些人群中信号的多维，同时流动。在这里，我们开发了一个确定每个潜在维度所描述的人群的子集，（2）这些人群之间信号流的方向，以及（3）这些信号在实验试验内部和整个实验试验中如何演变。我们在模拟中说明了这些特征，并通过将其应用于猕猴视觉区域V1和V2中神经元种群的先前研究的录音来进一步验证该方法。然后，我们研究了与多个Neuropixels探针同时记录的区域V1，V2和V3D区域跨层隔室的相互作用。我们的方法揭示了与视网膜一致性相关的这三个领域的选择性交流的签名。这项工作推进了多个神经元种群中并发信号的研究。
基于喹酮和吡嗪图案的有机阴极材料的设计
尽管有机阴极材料场迅速扩张，但仍然缺乏通过易于合成的材料，具有稳定的循环和高能量密度。在此，我们报告了可以用作阴极材料的市售前体中的小有机分子的两步合成。氧化的四喹氧化物毒素（OTQC）是通过将附加的奎诺酮氧化氧化氧化氧化氧化氧化氧化氢活性中心引入结构中的四喹啉氧化菌（TQC）衍生而来的。修饰增加了材料的电压和容量。OTQC的高特异性容量为327 MAHG -1，平均电压为2.63 V，而Li -Ion电池中的Li/Li +。对应于材料水平上860 WHKG -1的能量密度。此外，该材料表现出极好的循环稳定性，在400个循环后的容量保持量为82％。同样，使用水解物中的TQC与TQC相比，OTQC表现出增加的平均电压和特异性能力，达到326 MAHG -1的特异性容量，平均电压为0.86 V，Vs. Zn/Zn 2+。除了良好的电化学性能外，这项工作还对与容量衰减有关的氧化还原机制和降解机制提供了额外的深入分析。
MotifDb：蛋白质-DNA 结合序列基序的注释集合
tbl.tfClassExample <- data.frame(motifName=c("MA0006.1", "MA0042.2", "MA0043.2"), chrom=c("chr1", "chr1", "chr1"), start=c(1000005, 1000085, 1000105), start=c(1000013, 1000092, 1000123), score=c(0.85, 0.92, 0.98), stringsAsFactors=FALSE) # 这里我们说明如何添加具有所需名称的列：tbl.tfClassExample$shortMotif <- tbl.tfClassExample$motifName tbl.out <- associateTranscriptionFactors(MotifDb, tbl.tfClassExample, source="TFClass", expand.rows=TRUE) dim(tbl.out) # 许多 tfs 已映射，主要是 FOX 家族基因 tbl.motifDbExample <- data.frame(motifName=c("Mmusculus-jaspar2016-Ahr::Arnt-MA0006.1", "Hsapiens-jaspar2016-FOXI1-MA0042.2", "Hsapiens-jaspar2016-HLF-MA0043.2"), chrom=c("chr1", "chr1", "chr1"), start=c(1000005, 1000085, 1000105), start=c(1000013, 1000092, 1000123), score=c(0.85, 0.92, 0.98),字符串因子=FALSE）
纳米粒子表面与功能性肽基序
我们通过层纳米颗粒（LBL NP）报告了与阳离子肿瘤 - 渗透肽（TPP）的表面功能化，同时保持颗粒稳定性和电荷特性。这种策略消除了对肽的结构修饰的需求，并使表面化学物质难以修改或通过共价共轭策略无法访问。我们表明，羧化和硫化的LBL NP都能够容纳线性和环状TPP，并使用基于荧光的检测测定法，以量化每NP的肽载荷。我们还证明了在吸附后保持TPP活性，这表明足够数量的肽具有适当的表面取向，从而有效地在体外摄入了功能化的NP，这是通过流式细胞仪和
人Dickkopf-3（DKK-3）在发育，免疫调节和癌症中的多面作用
对诱导的，特定于频率的神经活动的经典分析通常在试验中平均带限制功率。 最近，已广泛理解的是，在个别试验中，β频段活性是作为瞬态爆发而不是振幅调节的振荡而发生的。 大多数Beta爆发研究将它们视为单一，并具有刻板印象的波形。 但是，我们表明爆发形状各不相同。 使用爆发产生的生物物理模型，我们证明了波形可变性是通过产生β爆发的突触驱动器的可变性来预测的。 然后，我们使用一种新颖的自适应爆发检测算法来识别基于操纵杆的到达任务中记录的人类MEG传感器数据的爆发，并应用主成分分析以爆发波形来定义一组维度或图案，以最能解释波形方差。 最后，我们证明了特定范围的波形图案的突发，生物物理模型未完全解释的波形基序，差异化有助于运动相关的β动力学。 感觉运动β爆发不是均匀的事件，并且可能反映了不同的计算过程。对诱导的，特定于频率的神经活动的经典分析通常在试验中平均带限制功率。最近，已广泛理解的是，在个别试验中，β频段活性是作为瞬态爆发而不是振幅调节的振荡而发生的。大多数Beta爆发研究将它们视为单一，并具有刻板印象的波形。但是，我们表明爆发形状各不相同。使用爆发产生的生物物理模型，我们证明了波形可变性是通过产生β爆发的突触驱动器的可变性来预测的。然后，我们使用一种新颖的自适应爆发检测算法来识别基于操纵杆的到达任务中记录的人类MEG传感器数据的爆发，并应用主成分分析以爆发波形来定义一组维度或图案，以最能解释波形方差。最后，我们证明了特定范围的波形图案的突发，生物物理模型未完全解释的波形基序，差异化有助于运动相关的β动力学。感觉运动β爆发不是均匀的事件，并且可能反映了不同的计算过程。