XiaoMi-AI文件搜索系统
World File Search Systemnity
用杂种量子绑定一个预测
药物设计中的中心是对生物分子的鉴定，它们独特而牢固地结合了9靶蛋白，同时最大程度地降低了它们与他人的相互作用。相应地，精确的结合效果10预测，可以从大量的稳定物质中准确选择合适的候选物，这可以大大减少与实际实验方案相关的费用。12在这方面，最近的进步表明，与其他传统计算方法相比，深度学习方法表现出卓越的性能13，尤其是随着大型数据集的出现。14这些方法是复杂且非常耗时的，因此代表着重要的15个瓶颈，用于其开发和实际应用。在这种情况下，16个Quantum机器学习的新兴领域有望增强众多经典的机器学习算法-17 rithms。在这项工作中，我们向前迈出了一步，并提出了一个混合量子卷积18神经网络，该网络能够将经典对应物的复杂性降低20％，而19仍保持最佳性能。此外，这导致在训练阶段的20个成本和时间最高可节省40％的成本和时间，这意味着21种药物设计过程的大幅加速。22
药物靶标的定量预测模型...
交互作用，这与从数据集收集的数据信息一致。这表明本文构建的最佳模型可以准确地用于DTI的定性预测。但是，如图5和图6，占| D |的百分之八十分配为1.5-2.0。差异范围在2.0之内，为98.95％（EC50）96.63％（kd）| D |分别。这表明预测值和实验值之间存在误差。对预测和实验数据的进一步比较表明，所有预测值都大于实验真实值，并且在一定的误差范围内。原因可能是由于用于将数据存储在不同数据库中的不同标准而导致的系统错误。可以用校正因子设置该案例 - 所有差异的平均值
DeepGS：用于药物靶标结合亲和力预测的图形和序列的深度表示学习
摘要：准确预测药物-靶标结合亲和力 (DTA) 是药物发现中的一项关键任务。大多数传统的 DTA 预测方法都是基于模拟的，这严重依赖于领域知识或具有靶标的 3D 结构的假设，而这些知识通常很难获得。同时，传统的基于机器学习的方法应用各种特征和描述符，并且仅仅依赖于药物-靶标对之间的相似性。最近，随着可用的亲和力数据的增加和深度表示学习模型在各个领域的成功，深度学习技术已应用于 DTA 预测。然而，这些方法考虑了标签/独热编码或分子的拓扑结构，而没有考虑氨基酸和 SMILES 序列的局部化学背景。基于此，我们提出了一种新颖的端到端学习框架 DeepGS，该框架使用深度神经网络从氨基酸和 SMILES 序列中提取局部化学背景，以及从药物中提取分子结构。为了协助对符号数据的操作，我们建议使用先进的嵌入技术（即 Smi2Vec 和 Prot2Vec）将氨基酸和 SMILES 序列编码为分布式表示。同时，我们提出了一种在我们的框架下运行良好的新分子结构建模方法。我们进行了大量的实验，将我们提出的方法与最先进的模型（包括 KronRLS、SimBoost、DeepDTA 和 DeepCPI）进行了比较。大量的实验结果证明了 DeepGS 的优越性和竞争力。
MGraphDTA：用于解释药物靶标结合的深度多尺度图神经网络†
为了找到一种对特定蛋白质有效且安全的药物，药理学家必须测试数千种化合物。5然而，药物靶标相互作用（DTA）的实验测量既耗时又耗资源。DTA预测的计算机模拟方法因其效率高、成本低而备受关注。现有的计算机模拟方法主要可分为三类：基于结构的方法、基于特征的方法和深度学习方法。基于结构的方法可以通过考虑小分子和蛋白质的三维结构来探索潜在的结合位点。对接是一种成熟的基于结构的方法，它使用多种模式定义和评分函数来最小化结合的自由能。分子动力学模拟是另一种流行的基于结构的方法，它可以提供有关单个粒子运动随时间变化的最终细节。6然而，基于结构的方法非常耗时，如果蛋白质的三维结构未知，则无法使用。7
带边界的渐近双曲riemannian歧管的阳性质量定理
接下来，通过与（2）相似的计算来检查平均曲率，相对于正常指向附近的共包构边界，通过与（2）的计算进行检查，将证明简化为与球形拓扑处的单个共形边界的情况。We can therefore cut away an asymptotic end of M by introducing a new boundary component { Ω= ϵ } , with ϵ sufficient small so that this new boundary component satisfies, say, H > 0 with respect to the outward normal (thus H < 0 < n − 1 with respect to the inward normal).此边界组件将成为新的，截断，多种多样的边界的一部分，但仍以m表示。
iClamp方法：肌苷化学标记和亲和力分子纯化
■Intellectual property rights: Japanese application 2023-175606 (application 2023-10-10) Name of the invention: Methods for labeling inosine bases, detection methods for detecting inosine bases, sequencing methods for sequencing nucleic acids containing inosine bases, inosine base labeling agents, and kits JST Patent application support system (PC T): S2023-0543-N0 Name of the invention: A Novel Technique to Explore Adenosine Deamination via Inosine Chemical Labeling and Affinity Molecular Purification ■Name of public funding projects utilized: AMED Bridge Research Promotion Project Seeds A (Main) 2022基础研究B（总统）（总裁）2022-2024基础研究B（总统）（总统）2019-2021支持研究活动开始（总统）2018年挑战研究（开发）（共享）（共享）2024-2026
生发中心依赖性和 - 非依赖性的免疫反应在人类癌症中肿瘤的B细胞
b细胞在免疫中起着重要作用，主要是通过产生高质量浆细胞（PC）和记忆B（BMEM）细胞。分别依赖于抗原结合和微环境提供的B细胞受体（BCR）固有和外在信号的B细胞（BCR）固有和外在信号的整合。近年来，滤觉B（TIL-B）细胞（TIL-B）和PC（TIL-PC）中的肿瘤已被揭示为人类癌症中抗肿瘤反应的重要参与者，但是它们的相互作用和动态仍然很少知道。在淋巴机构中，B细胞反应涉及BMEM细胞和PC产生的生发中心（GC）依赖性和与GC独立的途径。affiential bcr库的成熟发生在GC反应中，具有B细胞信号积分的特定时空动力学。通常，抗原通过抗原触发GC独立于产生大量PC而无需BCR重生的抗原的生产。了解免疫反应中的B细胞动力学需要多种工具和读数（例如单细胞表型和RNA-SEQ），原位分析，BCR曲目分析，BCR特异性和依次范围的fifirity分析和功能测试和功能测试。在这里，我们回顾了如何将这些工具应用于不同类型的实体瘤中的TIL-B细胞和TIL-PC。我们评估了涉及涉及GC依赖性或独立于GC的局部响应的TIL-B细胞动力学不同模型的已公开证据，以及由抗原特异性PC的产生。总的来说，我们强调了需要进行更整合的B细胞免疫学研究，以合理研究TIL-B细胞作为抗肿瘤疗法的杠杆作用。
分层图表示学习用于预测药物-靶标结合亲和力
由于与二元相互作用预测相比，药物-靶标结合亲和力 (DTA) 的识别具有更具体的解释能力，因此在药物发现过程中引起了越来越多的关注。最近，由于其令人满意的性能，许多基于深度学习的计算方法来预测药物和靶标之间的结合亲和力。然而，之前的工作主要集中于编码药物和靶标的生物学特征和化学结构，缺乏从药物-靶标亲和力网络中挖掘必要的拓扑信息。在本文中，我们提出了一种用于药物-靶标结合亲和力预测的新型分层图表示学习模型，即 HGRL-DTA。我们模型的主要贡献是建立一个分层图学习架构，以结合药物/靶标分子的固有属性和药物-靶标对的拓扑亲和力。在这个架构中，我们采用了一种消息广播机制来整合从全局级亲和图和局部级分子图中学习到的层次化表示。此外，我们设计了一个基于相似性的嵌入图来解决推断未见药物和靶标表示的冷启动问题。不同场景下的综合实验结果表明，HGRL-DTA 明显优于最先进的模型，并且在所有场景中都表现出更好的模型泛化能力。
引用纸浆版本（APA）：Cleary，S。R.，Seflova，J.，Cho，E.E.，E.E.，Bisht，K.，Khandelia，H.，Espinoza-Fonseca，L.M。，L. M.，＆Robia，S.L。（2024）。
磷兰班（PLB）是一种跨膜小肽，可调节心脏肌肉中的肌质网Ca 2+ -ATPase（SERCA），但这种调节的物理机制仍然很熟悉。PLB降低了活性SERCA的Ca 2+敏感性，从而增加了泵循环所需的Ca 2+浓度。然而，当不存在ATP时，PLB不会降低Ca 2+与SERCA的结合，这表明PLB不会抑制SERCA Ca 2+ afintient。对这些看似冲突的结果的主要解释是，PLB在与Ca 2+结合相关的SERCA酶促循环中的转变减慢了转运Ca 2+的依赖性，而不会实际影响Ca 2+协调位点的等电数。在这里，我们考虑了另一个假设，即在没有ATP的情况下，Ca 2+结合的测量可忽略核苷酸结合的重要变构效应，从而增加了SERCA Ca 2+结合效果。我们推测PLB通过逆转这种同义来抑制SERCA。为了测试这一点，我们使用了荧光的SERCA生物传感器来量化非循环SERCA的Ca 2+在存在和不存在不可用的ATP-ANALOG AMPPCP的情况下。核苷酸激活增加了SERCA Ca 2+的原性，并且通过PLB的共表达逆转了这种效果。有趣的是，在没有核苷酸的情况下，PLB对Ca 2+的原性没有影响。这些结果调解了先前的ATPase分析与Ca 2+结合测定的冲突观察结果。此外，SERCA的结构分析揭示了连接ATP和Ca 2+结合位点的新型变构途径。我们提出的这一途径被PLB结合所破坏。因此，PLB通过通过ATP中断泵的变构激活而降低了SERCA的平衡Ca 2+。因此，PLB通过通过ATP中断泵的变构激活而降低了SERCA的平衡Ca 2+。