XiaoMi-AI文件搜索系统
World File Search Systemsequences
使用基于保守模型的优化设计细胞类型的启动子序列
基因疗法有可能通过将治疗性遗传货物传递给疾病相关细胞来治疗疾病。对其广泛使用的一种局限性是缺乏较短的调节序列或启动子，该序列会差异地诱导靶细胞中传递的遗传货物的表达，从而最大程度地减少其他细胞类型的副作用。这种细胞类型特异性的启动子很难使用现有方法发现，需要手动策划或访问来自靶向和未靶向细胞的启动子驱动表达的大型数据集。基于模型的优化（MBO）已成为一种以自动化方式设计生物学序列的有效方法，最近已用于启动子设计方法。但是，这些方法仅使用昂贵的大型培训数据集进行了测试，并专注于为明显不同的细胞类型设计启动子，从而忽略了与与具有相似调节特征的紧密相关细胞类型设计启动子相关的复杂性。因此，我们引入了一个综合框架，用于利用MBO以数据有效的方式设计启动子，重点是发现类似细胞类型的启动子。我们将保守的目标模型（COM）用于MBO，并突出显示了实际的考虑因素，例如改善序列多样性，估算模型不确定性的最佳实践，并选择用于实验验证的最佳序列集。使用三种相对相似的血液癌细胞系（Jurkat，K562和THP1），我们表明我们的方法在实验验证了设计的序列后发现了许多新型细胞型特异性启动子。对于K562细胞，我们发现了一个启动子，该启动子的细胞类型特异性比最初用于训练模型的最初数据集高75.85％。
学习同时进行手指按压序列时的皮质变化
摘要 关于运动技能习得背后的皮质改变仍存在争议。在这项针对年轻人的纵向研究中，我们在 6 周内每周进行一次表现和神经影像学 (7 T MRI) 测量，以研究与学习用非惯用手同时按压手指的序列相关的神经变化。干预组 (n = 33)（在家练习手指序列）和对照组 (n = 30，未在家练习）均表现出总体表现改善，但是干预组进行强化训练的序列表现改善更多，且与未进行强化训练的序列相比更一致。与未进行训练的序列相比，双侧顶叶和运动前皮质的大脑活动对于训练过的序列有所减少。未检测到与训练相关的主要感觉运动区域的变化。训练过和未训练序列之间的激活模式相似性在次要感觉运动区域降低，但在主要感觉运动区域没有降低，而不同训练过序列之间的激活模式相似性没有显示出可靠的变化。无论是试验中激活模式的变异性，还是大脑结构的估计值，都没有显示出与练习相关的、达到统计显著性的变化。总体而言，学习配置序列的主要相关性是次级运动区域大脑活动的减少。
语言经验塑造了节奏声音序列的预测编码
摘要 感知系统严重依赖先验知识和预测来理解环境。预测可以来自多种信息源，包括基于孤立时间情况的上下文短期先验，以及由于长期接触统计规律而产生的上下文无关的长期先验。虽然短期预测对听觉感知的影响已得到充分证实，但长期预测如何影响早期听觉处理尚不清楚。为了解决这个问题，我们记录了两种不同语序（西班牙语：函子首字母 vs 巴斯克语：函子尾字母）的母语使用者的脑磁图数据，让他们聆听简单的二进制声音序列，这些声音持续时间交替，偶尔会省略。我们假设，听觉系统结合上下文转换概率，使用与母语语序相关的特征韵律线索（持续时间）作为内部模型，对传入的非语言声音进行长期预测。与我们的假设一致，我们发现由声音省略引起的不匹配负波的幅度随说话者的语言背景而变化，并且在左听觉皮层最为明显。重要的是，聆听音调而不是持续时间交替的二元声音不会产生群体差异，证实上述结果是由假设的长期“持续时间”先验驱动的。这些发现表明，对特定语言的体验可以塑造人类感知的一个基本方面——有节奏的声音的神经处理——并为听觉皮层中的长期预测编码系统提供了直接证据，该系统使用一生中学习到的听觉方案来处理传入的声音序列。
重新审查合成ORF序列对工程线路1逆转录的影响
A.从左到右：每个构造的示意图，一个来自逆转录术539分析的代表性井以及相对于SML1的逆转录效率。L1SPA_DBL_SMBB包含L1SPA_DOBLE的ORF1和540 ORF2序列，在ORF1P启动密码子（如SML1），541），541和SML1结构的删除3'UTR上具有Kozak共识。Restore_3'utr等于l1spa_dbl_smbb，但完整的L1SPA 3'UTR恢复了Neo Cassette的上游542。grr_after_neo等效于543 L1SPA_DBL_SMBB，但与Neo 544盒的下游放置的L1SPA 3'UTR的G-RICH区域，并删除了人类L1 Polyadyenylation信号。直方图显示了三个545生物复制测定的平均值，每个测定法包括每个构造的三个技术重复。三角形，正方形，546和钻石形状表示每个生物学重复的个体值，误差线547代表生物学重复之间的标准偏差。548
电池电池的在线电化学阻抗光谱的二进制序列
手稿收到2022年5月6日；修订于2022年7月5日； 2022年7月15日接受。出版日期2022年8月16日；当前版本的日期2022年9月8日。这项工作得到了欧洲领导力（ECSER）联合企业的电子组件和系统的支持（JU），根据赠款101007247； JU获得了欧盟2020年Horizon的研究与创新计划的支持，以及芬兰，德国，爱尔兰，瑞典，意大利，奥地利，冰岛和瑞士的支持。副编辑协调审核过程的是Chao Tan博士。（通讯作者：Roberta Ramilli。）Roberta Ramilli，Marco Crescentini和Pier Andrea Traverso在电气，电子和信息工程部（DEI），“ G。Marconi，“博洛尼亚大学，意大利博洛尼亚40136（电子邮件：Roberta。） ramilli@unibo.it; m.crescentini@unibo.it; pierandrea.traverso@unibo.it）。 Francesco Santoni，Alessio de Angelis和Paolo Carbone与佩鲁吉亚大学工程系，意大利佩鲁吉亚06125（电子邮件：francesco.santoni@unipg.it; Alessio.deangelis@deangelis@unipg.it; Paolo; Paolo; Paolo。 carbone@unipg.it）。 数字对象识别10.1109/tim.2022.3196439Marconi，“博洛尼亚大学，意大利博洛尼亚40136（电子邮件：Roberta。ramilli@unibo.it; m.crescentini@unibo.it; pierandrea.traverso@unibo.it）。Francesco Santoni，Alessio de Angelis和Paolo Carbone与佩鲁吉亚大学工程系，意大利佩鲁吉亚06125（电子邮件：francesco.santoni@unipg.it; Alessio.deangelis@deangelis@unipg.it; Paolo; Paolo; Paolo。carbone@unipg.it）。数字对象识别10.1109/tim.2022.3196439
使用圆形扩张卷积网络的DNA序列的自我监督学习
由于其内在特性，DNA分子通常沿线性序列表示表现出远距离相互作用。因此，当建模DNA序列对于获得更准确的基于序列的推断很重要。最近为此目的开发了许多深度学习方法，但它们仍然遭受两个主要问题的困扰。首先，现有的方法只能handle短DNA片段，从而失去更长的范围相互作用。第二，当前方法需要大量的监督标签，同时错过序列中的大多数订单信息。因此，有必要开发有效的深度神经网络建模框架，以提取广泛的上下文信息，以实现基于序列的推理任务。我们的新框架（名为Revolution）将完整的DNA序列作为输入，无需任何凝结，可以对高达10KBP的DNA序列进行准确的预测。在变异效应预测中，我们的方法平均在49种人体组织中增加了接收器工作特征（AUROC）下的面积19.61％。革命还通过预测开放染色质区域（OCR）的平均为2.36％的AUROC来提高植物序列的作用。可以在https：// github上自由访问数据，模型和代码。com/wiedersehne/Revolution-dnapretraining。
植物地理学
我们的目标是解决Apis Labiosa和Apis Dorsata亚种之间的系统发育关系A. d。 Dorsata，A。D。 Binghami和A. d。 Breviligula，几位作者提出了最后两个物种。我们使用用最大似然方法分析的线粒体COX1和COX2基因序列对巨型蜜蜂进行了系统发育分析。在广义上，我们在多萨塔（A. dorsata）内获得了四个进化枝的支持：上面提到的三个亚种或物种，以及来自南部的第四个谱系。但是，我们的分析并未解决四个谱系之间的系统发育关系。在印度存在两个遗传区分开的“ A. dorsata”群体的存在与存在两个空腔巢蜜蜂的存在，即A. Cerana Cerana和A. c。印度（分别是黑山蜜蜂和黄色平原蜜蜂）。这表明过去的气候或地质事件可能暂时将印度人口与亚洲大陆的人群暂时隔离，从而导致分歧，并可能将印度巨人和空腔巢蜜蜂的物种形成，然后是东亚形式对印度的重新殖民化。对这些独特的谱系的认识对于保护计划很重要，因此可以考虑它们的各个分布，生态和迁移模式，因此可以维持它们所代表的遗传多样性。
识别核心 MRI 序列以实现可靠的自动脑转移分割
a 慕尼黑工业大学伊萨尔医院放射肿瘤学系；b 德国转化放射治疗联盟 (DKTK)，慕尼黑合作伙伴网站；c 慕尼黑亥姆霍兹中心放射医学研究所 (IRM)、放射科学系 (DRS)；d 信息学系；e 德国慕尼黑工业大学 TranslaTUM - 中央转化癌症研究所；f 瑞士苏黎世苏黎世大学医院放射肿瘤学系；g 马格德堡大学医院放射肿瘤学系；h 德国耶拿弗里德里希席勒大学耶拿大学医院放射治疗和放射肿瘤学系；i 瑞士苏黎世苏黎世大学医院定量生物医学系；j 诊断和介入神经放射学系； k 慕尼黑工业大学伊萨尔右翼医院神经外科系，慕尼黑；l 海德堡大学医院放射肿瘤学系；m 海德堡放射肿瘤学研究所 (HIRO)，国家放射肿瘤学中心 (NCRO)，海德堡；n 德国哥廷根大学医学中心放射肿瘤学系；o 瑞士阿劳州立大学阿劳分校 KSA-KSB 放射肿瘤学中心；p 富尔达综合医院放射肿瘤学系，富尔达；q 基尔石勒苏益格-荷尔斯泰因大学医学中心放射肿瘤学系；r 弗莱堡大学医学中心放射肿瘤学系；s 德国癌症联盟 (DKTK)，弗莱堡合作伙伴中心，弗莱堡，德国；t 塞浦路斯利马索尔欧洲大学德国肿瘤中心放射肿瘤学系； u 法兰克福及德国北部 Saphir 放射外科中心，Guestrow；v 法兰克福大学医院神经外科系，法兰克福；w 慕尼黑工业大学医学人工智能与信息学研究所，慕尼黑；x 亥姆霍兹人工智能，亥姆霍兹慕尼黑中心，诺伊尔贝格，德国