XiaoMi-AI文件搜索系统
World File Search Systemresolved
在固有罕见的地下水两亲脚下生物多样性的系统性和高度解决的建模
fi g u r e 5地下水两亲物种丰富的瑞士。（a）基于占用模型中包含的12种物种（有关SDS，请参见附录S1，图S1.5），预测瑞士各个1×1 km细胞的平均物种丰富度。黑点表示采样位置。（b）在20×20 km细胞之间的区域物种丰富度，由12种建模物种的1×1 km预测编译。（c）很少发现的未建模物种的原始出现。（d）很少发现的，未模块化的物种对每个20×20 km细胞的α多样性的贡献，包括常见的模型输出和很少发现的物种的原始出现。
高光谱成像用于硅纳米柱阵列的高通量、空间分辨光谱散射测量
摘要：现代高通量纳米图案化技术（如纳米压印光刻技术）使得在大面积基底（cm 2 至 m 2 规模）上制造纳米结构阵列（尺寸为 10 至 100 纳米的特征）成为可能，例如硅晶片、玻璃片和柔性卷对卷网。制造这种大面积纳米结构阵列 (LNA) 的能力创造了广阔的设计空间，实现了广泛的应用，包括光学设备（例如线栅偏振器、透明导体、彩色滤光片和抗反射表面）以及电子元件的构建块（例如超级电容器、传感器和存储器架构）。然而，现有的计量方法将难以与制造方法一起扩展。例如，扫描电子显微镜 (SEM) 和原子力显微镜 (AFM) 具有微米级视场 (FOV)，这妨碍了对以每分钟平方米的速度制造的 LNA 进行全面特性分析。散射测量方法具有更大的 FOV（通常为几百微米到几毫米），但传统散射测量系统一次只测量一个点的样品，这也使得它们对于大规模 LNA 制造来说太慢。在这项工作中，我们展示了使用高光谱成像对传统光谱散射测量方法进行并行化，将该技术的吞吐量提高了 106-107 倍。我们通过使用高光谱成像和反射光谱的逆向建模来展示这种方法，以微米级空间分辨率获得毫米和厘米级 Si 纳米柱阵列结构的三维几何数据。这项工作表明，可以对各种 LNA 进行几何测量，并有可能在大面积上实现高速测量，这对于未来的 LNA 制造至关重要。
单倍型解析的染色体水平鳄梨基因组可用于分析新的鳄梨基因
鳄梨 (Persea americana) 是木兰科植物的一种，木兰科植物是被子植物的早期分支谱系，其果实营养丰富，在全球具有很高的价值。在这里，我们报告了商业鳄梨品种 Hass 的染色体水平基因组组装，该品种占世界鳄梨消费量的 80%。使用由遗传图谱支持的先前发布的基因组版本进一步组装由 Pacific Biosciences HiFi 读数产生的 DNA 重叠群。总组装体为 913 Mb，重叠群 N50 为 84 Mb。分配给 12 条染色体的重叠群代表 874 Mb，覆盖了 98.8% 的胚性植物基准单拷贝基因。蛋白质编码序列注释确定了 48 915 个鳄梨基因，其中 39 207 个可归因于功能。基因组含有 62.6% 的重复元素。研究了基因组中感兴趣的特定生物合成途径。分析表明，鳄梨中庚糖生物合成的主要途径可能是通过景天庚酮糖 1,7 双磷酸，而不是通过其他途径。内切葡聚糖酶基因数量众多，与鳄梨使用纤维素酶催熟果实一致。尽管经历了多次基因组复制事件，但鳄梨基因组似乎在同源染色体之间有有限数量的易位。与相关物种的蛋白质组聚类允许识别鳄梨和樟科其他成员特有的基因，以及在单子叶植物和真双子叶植物分化前或分化时分化的物种特有的基因。该基因组提供了一种工具，以支持未来开发产量和果实质量更高的优质鳄梨品种。
在量子点超晶格中调和时空分辨激子传输的复合电动力机制
量子点（QD）固体是有希望的光电材料；进一步提高其设备功能需要了解其能量传输机制。The commonly invoked near-field Förster reso- nance energy transfer (FRET) theory often underestimates the exciton hopping rate in QD solids, yet no consen- sus exists on the underlying cause.为了响应，我们使用了时间分辨超快刺激的发射消耗（STED）显微镜，这是STED的超快速转化，以在泰氏剂掺杂的核心/核心/钙含量的核/钙含量硫化物硫化物硫化物 - 硫化物 - 硫化物 - 壳QD超弹药中的超快转化。我们测量了由于激子在超晶格内采样异质的能量景观而导致的伴随时间分辨的激子衰减。通过单粒子发射光谱量化异质性。这套强大的多模式集合集合对激子传输的动力学蒙特卡洛模拟提供了足够的约束，以阐明一种复合运输机制，该机制包括近场和以前被忽视的远场排放/吸收性贡献。发现这种机制提供了一个急需的统一框架，可以在其中表征QD固体中的传输和设备设计的其他原理。
胰腺癌的单细胞和空间分辨地图集揭示了与临床结果相关的免疫表型
摘要 - 胰腺导管腺癌（PDAC），占胰腺肿瘤的90％的占90％的特征，其预后不良，5年生存率仅为12％。大多数患者被诊断出患有转移性或局部晚期疾病，只有15％有资格进行治疗切除术。PDAC表现出对化学疗法，靶向疗法和免疫疗法的抗性，这主要是由于其高度异质性肿瘤微环境（TME）。在这项研究中，我们对公开可用的SCRNA，空间转录组学和批量RNA测序数据集进行了整合分析，以研究TME组成和肿瘤结构对PDAC进展，治疗反应，治疗反应和临床结果的影响。我们确定了具有不同细胞组成，功能特征和免疫调节性细胞 - 细胞相互作用的TME亚型。在空间上不同的细胞壁细分市场和基因模块揭示了原发性肿瘤和转移性病变的异质性。发现与患者生存相关的独特集群，为TME生物学及其临床意义提供了新的见解。这些发现强调了整合多摩管方法以揭示PDAC TME复杂性的重要性，并强调了其为治疗策略提供信息并改善患者结果的潜力。
通过串行晶体学解决的光解中电子转移的定向超快构象变化
蛋白质中的电荷转移反应对生命很重要，例如修复DNA的光溶酶中，但结构动力学的作用尚不清楚。在这里，使用飞秒X射线晶体学，我们报告了电子沿着果蝇（6-4）光解酶中电子四个保守的色氨酸链传递时发生的结构变化。在Femto和Picsecond延迟时，第一个色氨酸对黄素的光摄影导致在关键的天冬酰胺，保守的盐桥和附近水分子的重新安排上引起定向的结构反应。我们检测到电荷诱导的结构变化，接近第二个色氨酸到20 ps的第二个接近的结构变化，将附近的蛋氨酸鉴定为氧化还原链中的活跃参与者，从第四次色氨酸附近的20 ps鉴定。光解酶经历了其结构的高度定向和仔细的定时适应。这质疑马库斯理论中线性溶剂响应近似的有效性，并表明进化已经优化了快速蛋白波动以进行最佳电荷转移。
利用表面曲率实现空间分辨的 X 射线反射率：液态铜上的石墨烯域
X 射线反射率 (XRR) 被广泛用于研究硬质和软质凝聚态材料的表面和界面，包括二维材料、纳米材料和生物系统。它能够以亚埃的精度推导出材料表面区域沿法线的横向平均电子密度分布。[4–6] 这有助于确定各种参数，包括表面粗糙度、单层或多层材料的结构以及毛细波对液体表面的影响。高亮度同步加速器 X 射线束能够在环境条件下实时在分子水平上分辨材料结构，而其他表面敏感实验技术几乎无法做到这一点。[7] 此类实验的例子是使用专用设备和样品池研究液体表面和界面。[8–11] 然而，存在与液体 XRR 相关的特殊问题。液体和支撑物之间的润湿角会导致样品液体弯曲，这通常会使数据分析复杂化。 [12] 这个问题可以通过利用能够处理大面积样品的样品环境来解决，例如朗缪尔槽 [13] 应用特殊的数据处理方法 [12,14] 或使用 X 射线纳米束。 [15] 然而，在某些情况下，可以充分利用样品曲率，例如 Festersen 等人 [15] 使用宽平行同步加速器光束“一次性”记录 XRR 曲线，但散射矢量 q 的范围有限。 专用于原位和/或原位 XRR 研究的样品环境 [16] 的最新发展开辟了新的机遇，例如，通过化学气相沉积 (CVD) 研究在液态金属催化剂 (LMCats) 上生长 2D 材料的过程。 [17] 这些系统有望生长高质量的材料 [18] 但同时，对实验的要求很高。 [19] 它们必须适应高操作温度、高材料蒸发以及在大气压下暴露于反应气体混合物。此外，它们还局限于有限尺寸的样本
一种优化的定量蛋白质组学方法建立了细胞类型的小鼠脑分泌
要了解细胞如何在神经系统中进行通信，必须定义其分泌组，这对于原代细胞的挑战很大，因为需要大细胞数。在这里，我们通过开发“用点击糖的高性能分泌蛋白富集”（HISPECS）方法来小型分泌组分析。为了证明其广泛的效用，HISPEC用于确定脑切片对LPS诱导的神经炎症的分泌反应，并使用原代星形胶质细胞，微神经胶质，神经元和寡聚细胞来建立细胞类型分辨的小鼠脑秘密资源。该资源允许映射CSF蛋白的细胞起源，并揭示出意外的体外和体内分泌的蛋白质出乎意料的是蛋白水解裂解的膜蛋白extodomain。两个例子是神经分泌的Adam 22和CD 200，我们将其确定为阿尔茨海默氏症连接蛋白酶贝丝的底物1。hispecs和脑部分泌资源可以被广泛利用，以系统地研究蛋白质分泌和脑功能，并鉴定CNS疾病的细胞类型特异性生物标志物。
采用空间分辨的X射线反射的表面曲线：液体铜上的石墨烯结构域
X射线反射率（XRR）被广泛用于研究硬和软凝结物质材料的表面和界面，包括2D材料，纳米材料和生物系统。它允许沿其正常的横向平均电子密度曲线沿其正态分子延伸，并具有子角度的精度。[4-6]这有助于确定各种参数，包括表面粗糙度，单层或多层材料的结构以及毛细血管对液体表面的影响。高毛利率同步X射线束可以在环境条件下实时解决分子水平的材料结构，而其他表面敏感的实验技术几乎无法访问。[7]此类实验的示例是使用专用设备和样品单元的液体表面和界面进行研究。[8–11]但是，与液体的XRR相关的特定问题。液体和支撑之间的润湿角会引起样品液体的曲率，这通常使数据分析复杂化。[12]可以通过利用能够使用大面积样品（例如Langmuir槽，[13]）使用特殊数据处理方法的样本环境来解决此问题。[15]但是，在某些情况下，可以有利地利用样品曲率，例如Festersen等。[15]使用宽平行的合成光束将XRR曲线记录在“一击”中，但在散射矢量q的范围内有限。[17]这些系统正在促进高质量材料的生长[18]，但同时在实验上可能非常苛刻。最新的样本环境的发展[16]发表于原位和/或操作XRR研究开放了新的机会，例如，通过化学蒸气沉积（CVD）对2D材料在液态金属催化剂（LMCAT）上的生长过程中对2D材料进行了研究。[19]必须适应高运行温度，高材料蒸发以及在大气压下暴露于反应性气体的混合物中。此外，它们仅限于有限尺寸的样本
使用深度迁移学习识别单细胞空间分辨转录组学数据中的高风险细胞
背景：通过检查空间分辨转录组学平台组织样本中的高风险细胞和区域，可以深入了解特定疾病过程。对于现有方法，虽然可以识别细胞类型或簇并将其与疾病属性相关联，但无法以相同的方式关联单个细胞，这可能导致无法识别与疾病属性相关的细胞子集，尤其是当疾病相关细胞与非疾病相关细胞聚集在一起时。方法：DEGAS（单细胞诊断证据量表）[5] 使用复杂的深度迁移学习算法解决了上述问题，该算法旨在识别肿瘤样本单细胞 RNA 测序数据中的高风险成分。DEGAS 采用基因表达数据的潜在表示和域适应将疾病属性从患者转移到单个细胞。在这项研究中，我们展示了 DEGAS 在适应单细胞空间分辨转录组学平台（如 10X Genomics Xenium 平台和 Nanostring 的 CosMx 平台）产生的数据方面的多功能性。通过整合上述平台的空间位置信息，DEGAS 不仅可以识别组织样本中的高风险成分，还可以精确定位与疾病状态相关的载玻片内的位置。结果：我们在多个平台上评估了 DEGAS，包括 10X Genomics Xenium 和 Nanostring CosMx。DEGAS 成功识别了高风险细胞和区域，并通过已知标记进行了验证。此外，DEGAS 还应用于我们新生成的 T2D Xenium 数据集和公开的黑色素瘤 Xenium 数据集。我们在公开的正常和肝细胞癌组织的 Nanostring CosMx FFPE 样本上测试了 DEGAS，揭示了与关键途径相关的高风险细胞和拓扑结构。值得注意的是，高风险区域主要富集在肿瘤组织中，DEGAS 揭示了与侵袭性疾病标志物和细胞类型多样性相关的异质性。关键词：单细胞 RNA 测序、空间分辨转录组学、域适应、深度迁移学习