XiaoMi-AI文件搜索系统
World File Search Systemseq
fork-seq：DNA复制的单分子分析
Magali Hennion，Bertrand Theulot，Jean-Michel Arbona，Benjamin Audit，Olivier Hyrien。fork-seq：DNA复制的单分子分析。分子生物学中的方法，2022年，酵母功能基因组学。方法和协议，2477，pp.107-128。10.1007/978-1-0716-2257-5_8。hal-03817454
基因组测序和群体增强的实用性，以支持Marfan综合征中的剪接变体解释
此预印本版的版权持有人于2025年2月23日发布。 https://doi.org/10.1101/2025.02.18.25321172 doi：medrxiv preprint
乌克兰战争的经济和金融后果
摘要 战争影响了乌克兰的社会经济状况，并导致邻国经济形势恶化。在这种情况下，有必要对军事行动造成的经济损失进行评估，并预测近期的主要经济指标，同时考虑到战争的影响。这项研究的目的是计算战争开始100天内的经济损失、住宅设施和关键基础设施的破坏，评估GDP下降的潜在幅度并计算预计的财政损失。GDP下降的计算基于国际货币基金组织、世界银行集团和乌克兰政府的预测。预期的GDP下降额是使用GAP分析方法计算出来的，基于这些机构在战前时期的预测和战争期间GDP水平的计算。根据研究结果，战争造成的经济损失不仅包括国内生产总值（GDP）的损失和减少，还包括失去的发展机会和不劳而获的利润。除了国内生产总值的减少外，乌克兰的损失还表现在公共债务水平的上升、国家货币的贬值、黄金和外汇储备的减少以及外国直接投资的流出 3 。
哪种植物特征会增加土壤碳固执？长期杨树遗传多样性试验的经验证据
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2025年2月22日发布。 https://doi.org/10.1101/2025.02.17.638464 doi：biorxiv Preprint
使用瓷砖扩增子（Heptile）和基于探针的富集在Illumina和Nanobore平台上的整个基因组测序
乙型肝炎病毒（HBV）全基因组测序（WGS）目前受到限制，因为许多临床样品的DNA病毒载荷（VL）低于使用当前测序方法产生完整基因组所需的阈值。我们使用基于探针的捕获和瓷砖放大器PCR（Hep-tile）开发了两种泛基因型病毒富集方法，用于HBV WGS。我们使用模拟样品证明了这两种富集方法都是泛基因型（基因型A-J）。使用临床样品，我们证明了HEP-TILE放大成功地放大了最低的HBV VL测试（30 IU/ mL）的完整基因组，并且可以使用纳米孔和Illumina平台对PCR产物进行测序。基于探针的捕获，具有Illumina测序需要VL> 300,000 IU/mL，以生成全长HBV基因组。捕获 - 紫罗兰和Hep-tile-nanopore管道在具有已知DNA序列的模拟样品中具有100％的共识测序精度。一起，这些方案将促进HBV序列数据的产生，从而使HBV分子流行病学的更准确，更具有代表性的描述，对持久性和发病机理进行启示，并增强对感染及其治疗结果的理解。
2022 年欧洲猴痘疫情早期序列中的遗传变异，包括基因重复和缺失
1：柏林夏里特医学院病毒学研究所，柏林自由大学、柏林洪堡大学和柏林健康研究所的企业成员，德国柏林 10117。 2：德国感染研究中心（DZIF），合作站点 Charité，德国柏林 10117。 3：英国剑桥大学动物学系病原体进化中心，唐宁街，剑桥，CB2 3EJ，4：Vivantes Auguste-Victoria-Klinikum 内科系 - 传染病，Rubensstr。 125, 12157，柏林，德国 5：柏林夏里特医学院传染病和呼吸医学系，柏林自由大学、柏林洪堡大学和柏林健康研究所的企业成员，13353，柏林，德国。 6：德国柏林夏里特医学院皮肤病学、性病学和过敏症系循证医学分部（dEBM），柏林自由大学、柏林洪堡大学和柏林卫生研究所的企业成员 7：柏林劳动医学中心 - Charité Vivantes GmbH，德国柏林 13353。
通过显式能量景观优化进行蛋白质序列设计
摘要蛋白质设计问题是确定折叠成所需结构的氨基酸序列。鉴于安芬森的折叠热力学假设，这可以改写为找到一个氨基酸序列，其中最低能量构象是该结构。由于这种计算不仅涉及所有可能的氨基酸序列，还涉及所有可能的结构，因此大多数当前方法都侧重于更易处理的问题，即为所需结构找到最低能量的氨基酸序列，通常在第二步通过蛋白质结构预测检查所需结构确实是设计序列的最低能量构象，并丢弃在许多情况下并非如此的大部分设计序列。这里我们表明，通过将梯度通过 trRosetta 结构预测网络从所需结构反向传播到输入氨基酸序列，我们可以直接优化所有可能的氨基酸序列和所有可能的结构，并在一次计算中明确设计预测折叠成所需结构而不是任何其他结构的氨基酸序列。我们发现，考虑了完整构象景观的 trRosetta 计算比 Rosetta 单点能量估计更能有效地预测从头设计蛋白质的折叠和稳定性。我们将通过景观优化进行的序列设计与 Rosetta 中的标准固定骨架序列设计方法进行了比较，并表明前者的结果对竞争低位状态的存在很敏感，而后者则不然。我们进一步表明，通过结合这两种方法的优势，可以设计出更具漏斗形的能量景观：低分辨率 trRosetta 模型用于排除替代状态，高分辨率 Rosetta 模型用于在设计目标结构处创建深度能量最小值。意义计算蛋白质设计主要侧重于寻找在目标设计结构中能量非常低的序列。然而，在折叠过程中最相关的不是折叠状态的绝对能量，而是折叠状态与最低位替代状态之间的能量差。我们描述了一种可以捕捉整个折叠景观的深度学习方法，并表明它可以增强当前的蛋白质设计方法。
基因组序列分析确定多个系统萎缩的新风险基因座
ruth chia, 1, 82 anindita ray, 2, 82 zalak shah, 2 jinhui ding, 3 paola ruffo, 1, 4 masashi fujita, 5 vilas menon, 5 saraz-tienzar, 1 paolo reho, 2 karri kaivola, 2 karri kaivola, 2 karri kaivola, 2 karri kaivola, 2 karri kaivola, Walton, 6 Regina H. Reynolds, 7, 8, 9 Ramita Karra, 1 Shaimaa Sait, 2 Fulya Akcimen, 1 Monica Diz-Fairen, 10 ignacio Alvarez, 10 AlesSandra Fanciuli, 11 Nadia Stefanova, 11 Klaus Sppi, 11 Susanne Duerr, 11 Fabian Leys, 11 Florian Krismer, 11 Victoria Sidoroff, 11 Alexander Zimprich, 12 Walter Pirker, 13 Olivier Rascol, 14 Alexandra Faubert-Samier, 15 WassiliOS G.SSSSSRER, 15, 16, 17 Franca Ois Tisson, 15, 16 Anne Pavy-Le Traon, 18 Maria Teresa Pellecchia, 19 Paolo Barone, 19玛丽亚·克劳迪娅·拉西洛（Maria Claudia Russillo），19胡安·马大（JuanMarı'n-Lahoz），20，21，22，22 Jaime Kulisevsky，20，21 Soraya Torres，21 Pablo Miri，23，24，25 Maria Teresa a”劳拉·帕克宁（Laura Parkinen），米歇尔（Michele）t。
TIPS-VF：具有序列，长度和位置意识的可变长度DNA片段的增强向量表示
TIPS-VF：具有序列，长度和位置意识的可变长度DNA片段的增强向量表示Marvin I.de los santos logia.co，马尼拉大都会，菲律宾Midelossantos1215@gmail.com摘要，在机器学习过程中准确编码和表示遗传序列的能力对于生物技术的进步至关重要，这对于生物技术的进步至关重要，特别是基因工程和合成生物学。传统的序列编码方法在处理序列变异性，保持阅读框架完整性并保留生物学相关的特征中面临着显着的限制。这项初步研究介绍了TIPS-VF（可变长度片段的翻译器互动预种植者），这是一个简单有效的编码框架，旨在解决代表机器学习遗传序列的一些关键挑战。结果表明，TIPS-VF启用了可变的长度序列表示，该表示可以保留生物学环境，同时确保编码与密码子边界的对齐，从而特别适合模块化遗传结构。TIPS-VF在截断和碎片分析，序列同源性检测，域评估和剪接连接识别方面表现出卓越的性能。与需要固定长度输入的常规方法不同，TIPS-VF动态适应序列长度变化，保留基本特征，例如域相似性和序列基序。此外，TIPS-VF通过将序列嵌入与三个可能的开放式阅读框架统一，改善了开放的阅读框架识别并增强了向量零件和质粒元素的识别。总的来说，TIPS-VF提供了一个强大的，生物学上有意义的编码框架，通过结合序列，长度和位置意识来克服传统序列表示的约束。TIPS-VF编码基础架构可在https://tips.logiacommunications.com上找到。利益冲突：作者宣布没有利益冲突资金资金信息：无
GraphComm：一种基于图的深度学习方法，用于预测单细胞 RNAseq 数据中的细胞间通讯
1 加拿大多伦多大学健康网络玛格丽特公主癌症中心 2 加拿大多伦多大学医学生物物理学系 3 德国亚琛工业大学实验医学与系统生物学研究所 4 加拿大多伦多人工智能矢量研究所 5 加拿大多伦多彼得·蒙克心脏中心 6 加拿大多伦多大学计算机科学系 7 加拿大多伦多大学实验室医学与病理生物学系