XiaoMi-AI文件搜索系统
World File Search Systemstudi
可行性研究/演示项目-ESA空间解决方案
In principle, it is expected that all the tasks of the feasibility study are performed in close coordination with the involved customers/users (leveraging on their connections to other customers/users and important stakeholders, assisting in the definition of the customer/user needs and requirements as well as in the service and system definition, supporting the proof of concept (e.g.设施，原位支持，参与），提供有关目标应用程序/服务的有用性的反馈，有助于可行性分析（例如价格可接受性），协助准备路线图和潜在的示范项目，促进各自社区的服务等）。因此，可以预期文档D1到D2的内容可以充分反映其参与和贡献。
水杨酸与非配位吡拉西坦 Cu(II)配合物共晶的合成、结构、Hirshfeld 表面分析及分子对接研究
1. 引言共晶是由活性药物成分 (API) 和共晶形成剂 (或构象异构体) 形成的，作为固体药物形成的有前途的替代方案，正在引起制药界越来越多的关注。迄今为止，科学家已经合成了各种类型的不常见共晶，其中含有金属配合物作为晶体形成剂和 API [1–3]。与单组分晶体相比，这些共晶增强了各种药学相关特性，包括提高了溶解度、溶解速率、水合稳定性、荧光性能和生物利用度 [4]。API 和共晶形成剂之间的相互作用通过非离子和非共价的分子间相互作用发生，例如范德华力和氢键。因此，未使用的氢键供体和受体位点的存在对于共晶的形成至关重要 [5,6]。
微生物相互作用对多孔介质中地下氢存储的影响：对实验，数值和现场研究的全面综述
在可再生能源的快速发展中，能源供应的间歇性和不稳定构成了严重的挑战，并对能源存储系统施加了更高的要求。在各种储能技术中，功率到水的耦合方法（H 2）和地下H 2存储（UHS）提供了诸如扩展存储持续时间和大规模容量之类的优点，这使它对未来的发展非常有希望。然而，在UHS期间，特别是在多孔培养基中，微生物代谢过程，例如甲烷生成，乙酰发生和硫酸盐还原可能导致H 2征服和副产物的产生。这些微生物活动可能会对UHS的效率和安全性产生积极和负面影响。因此，本文对多孔培养基中UHS中微生物相互作用的实验，数值和领域进行了全面综述，旨在捕获研究进度并阐明微生物效应。首先概述了UHS的主要类型和关键的微生物代谢过程。随后，本文介绍了用于研究气体岩石岩石相互作用和界面培养物，数值研究中使用的模型和模拟器的实验方法，以及实施了内部试验的程序。此外，它分析和讨论了微生物相互作用及其对多孔媒体中UHS的积极和负面影响，重点是H 2消耗，H 2流和存储安全性。©2024作者。Elsevier B.V.的发布服务代表KEAI Communications Co. Ltd.根据这些见解，网站选择的建议，工程操作以及对UHS的现场监控以及潜在的未来研究方向。这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/ 4.0/）下的开放访问文章。
作物基因组学及全基因组关联研究进展综述
1）云贵作物科学研究所 本作品采用知识共享署名4.0国际许可协议（CC BY 4.0）授权。https://creativecommons.org/licenses/by/4.0/legalcode
CALIPERS：用于表型分析实验和再生研究的细胞周期感知活体成像
1. 意大利帕维亚大学合成生理学实验室 2. 意大利米兰人类科技城 3. 意大利都灵大学“Guido Tarone”分子生物技术中心 * 通讯作者：francesco.pasqualini@unipv.it；moises.disante@unipv.it 摘要 在活细胞成像中测量细胞结构和功能以及细胞周期进程一直很有挑战性，因为荧光泛素细胞周期指示剂 (FUCCI) 和大多数表型传感器都使用绿色 (GFP) 和红色 (RFP) 荧光蛋白。我们介绍了 CALIPERS，一种用于表型分析实验和再生研究的细胞周期感知活细胞成像方法。CALIPERS 使用一种名为 FUCCIplex 的定制 FUCCI 传感器，该传感器与基于 GFP 和 RFP 的传感器进行光谱多路复用。为了证明 CALIPERS 的广泛应用范围，我们用上皮和人类诱导性多能干细胞多色报告基因系在增殖、迁移、心脏药物检测和再生医学研究中对其进行了验证。正文组学和成像技术的融合为基础科学 1,2 、药物检测 3 和再生医学 4 中的细胞表型的高级评估提供了动力。此外，参考人类诱导性多能干细胞 (hiPSC) 和多谱系分化的强大协议（例如心肌细胞、hiPSC-CM）增强了可重复性 5 ，并将表型分析工作扩展到类器官 6,7 和器官芯片 8,9。然而，细胞周期 (CC) 可能会混淆这些研究，因为随着细胞在分裂后生长（G1 期）、复制其 DNA（S）、在随后的分裂前生长（G2）或分裂（M）10 ，基因表达、形态和行为会发生变化。这在分子表型分析中得到了很好的解决，因为由于同时测量许多 CC 基因/蛋白质 11 ，大多数组学研究都具有 CC 感知能力。然而，基于成像的 CC 感知表型分析具有挑战性。通过对 G1/S/G2/M 标记物进行特定染色，可以使化学固定样品的结构表型分析具有 CC 感知能力 12 。然而，功能表型分析只有通过活细胞成像 13,14 才有可能，目前很难使用标准荧光显微镜同时评估 CC 以及细胞结构和功能。事实上，绿色和红色荧光蛋白 (GFP、RFP) 为荧光泛素细胞周期指标 (FUCCI) 10 和大多数表型传感器 15 提供动力。在这里，我们引入了一个可复用的 FUCCI 传感器 FUCCIplex，并展示了 CC 感知实时成像，用于人类上皮细胞（HaCaT，图 1）和 hiPSC（图 2）中的表型分析实验和再生研究（CALIPERS）。为了创建 FUCCIplex，我们将 fastFUCCI 传感器 16 中的 GFP 和 RFP 替换为 miRFP670（iRFP）和 mTurquoise2（CFP）。因此，FUCCIplex 细胞的细胞核在 G1 中包含 CFP，在 G1-S 过渡期包含 CPF 和 iRFP，在 S/G2/M 期仅包含 iRFP（图 1a）。为了展示 CALIPERS，我们在 HaCaT 细胞中共表达了 FUCCIplex 和肌动蛋白结合肽 RFP-LifeAct 17，并使用 40 小时以上的活细胞荧光成像来追踪细胞在每个 CC 期所花费的时间（图 1b 和补充视频 1 和 2）。我们证实 HaCaT 细胞约 40% 的时间处于 G1 期，其余时间处于 S/G2/M 期，这与使用 FUCCIplex 或 DNA 标记在静态图像和流式细胞术实验中测得的 CC 期占有率一致（图 1c-d 和扩展图 1）。此外，我们开发了一个开源插件，可将 CFP 和 iRFP 强度转换为 FUCCIphase 信号，该信号可追踪 CC 完成百分比并实现 CC 感知的形态和运动分析（图 1e、补充视频 3 和扩展图 2）。
ECDC 研究疫苗对因实验室确诊的 SARS-CoV-2 或季节性流感而住院的严重急性呼吸道感染的有效性的核心方案，版本 4.0
Cyril Barbezange、Nathalie Bossuyt、Sarah Denayer、François Dufrasne、Sébastien Fierens、Melissa Vermeulen（Sciensano，比利时）； Thomas Demuyser、Xavier Holemans、Benedicte Lissoir、Lucie Seyler、Els Van Nedervelde（Universitair Ziekenhuis 布鲁塞尔，比利时）、（沙勒罗瓦大医院，比利时）； Marieke Bleyen、Door Jouck、Koen Magerman（Jessa Ziekenhuis，比利时）； Marc Bourgeois、Benedicte Delaere（比利时鲁汶天主教大学）； Evelyn Petit、Marijke Reynders（Algemeen Ziekenhuis Sint-Jan Bugge-Oostende，比利时）； Nicolas Dauby、Marc Hainaut（CHU 圣皮埃尔，比利时）； Maja Ilić、Pero Ivanko、Zvjezdana Lovrić Makarić、Iva Pem Novosel、Goranka Petrović、Petra Smoljo、Irena Tabain（克罗地亚公共卫生研究所）； Diana Nonković（克罗地亚斯普利特-达尔马提亚县公共卫生学院教学）； Hana Orliková（捷克国家公共卫生研究所，NIPH）； Anna Maisa、Isabelle Parent、Sibylle Bernard-Stoecklin、Sophie Vaux（法国 Santé Publique）； Odile Launay、Louise Lefrançois、Zineb Lesieur、Liem Luong、Claire Rekacewicz、Yacine Saidi（I-REIVAC，法国）； Silke Buda、Ralf Dürrwald、Ute Preuß、Janine Reiche、Kristin Tolksdorf、Marianne Wedde、Carolin Hackmann、Annika Erdwiens、Barbara Biere、Djin-Ye Oh（罗伯特·科赫研究所，德国）； Gergő Túri、Krisztina J Horváth、Beatrix Oroszi（匈牙利 Semmelweis 大学）； Lisa Domegan、Róisín Duffy、Margaret Fitzgerald、Joan O'Donnell（爱尔兰卫生服务主管健康保护监测中心）； Giedre Gefenaite、Indrė Jonikaitė、Monika Kuliešė、Aukse Mickiene、Roberta Vaikutytė（立陶宛健康科学大学）； Françoise Berthet, Ala'a Al Kerwi（卢森堡国家卫生局）； Myriam Alexandre、Nassera Aouali、Guy Fagherazzi（卢森堡卫生研究所）； Marc Simon（卢森堡中心医院）； Maria-Louise Borg、John Paul Cauchi、Ausra Dziugyte、Tanya Melillo（马耳他卫生部）； Verónica Gómez、Raquel Guiomar、Nuno Verdasca、Licínia Gomes、Camila Henriques、Daniela Dias、Ausenda Machado、Ana Paula Rodrigues（Instituto Nacional de Saúde Doutor，葡萄牙）； Débora Pereira、Margarida Tavares（Unidade Local de Saúde de São João，葡萄牙）； Paula Pinto、Cristina Bárbara（Unidade Local de Saúde de Lisboa Norte，葡萄牙）； Odette Popovici（INSP 罗马尼亚）、Mihaela Lazar（“Cantacuzino”国家军事医学研究与发展研究所，罗马尼亚）； Isabela Ioana Loghin（罗马尼亚雅西传染病临床医院和“Gr. T. Popa”医药大学）； Corneliu Petru Popescu（罗马尼亚布加勒斯特卡罗尔·达维拉医药大学维克多·巴贝斯传染病和热带病临床医院博士）； Grupo SiVIRA de vigilancia y efectividad vacunal (isciii.es)（西班牙急性呼吸道感染监测系统）；伊万·马丁内斯·巴兹、卡米诺·特罗巴霍·桑马丁、艾齐贝尔·埃切维里亚、伊齐亚尔·卡萨多·布埃萨、Jesús Castilla (Instituto de Salud Pública y Laboral de Navarra – IdiSNA – CIBERESP，西班牙)； Ana Navascués、Miguel Fernández-Huerta、Carmen Ezpeleta（纳瓦拉大学医院 - IdiSNA，西班牙）。
Simon Lebek 教授，医学博士，FESC 在德国雷根斯堡完成了医学研究，并在 Pro
Simon Lebek 医学教授、FESC 在德国雷根斯堡完成了医学研究，在 Lars S. Maier 教授的指导下获得了博士学位。在那里，Lebek 博士专注于心肌功能和各种心血管疾病的潜在病理机制。在获得实验内科医学资格后，Lebek 博士加入了美国达拉斯 UT 西南医学中心 Eric N. Olson 教授的实验室，并获得了德国研究基金会 (DFG) 的 Walter Benjamin 奖学金的支持。在那里，他采用 CRISPR-Cas 基因编辑来破坏病理信号通路，作为治疗常见心血管疾病的策略。2023 年，Lebek 博士被 DFG 海森堡计划录取，这使他能够在雷根斯堡建立自己的独立研究小组。自 2024 年 4 月起，他一直担任雷根斯堡大学医院的内科、实验心脏病学和基因编辑教授。
使用2D MRI SLICES诊断的比较研究中的机器学习方法
MRI是一种无创成像方法，可防止患者暴露于对比剂或电离辐射。MRI提供了大脑的高分辨率图像，该图像具有检测与AD相关的大脑结构的细微变化的能力。 可以使用有关大脑的结构，功能和代谢方面可以从MRI获得的信息来识别 AD。 重复的MRI扫描使得可以跟踪疾病的发育并评估治疗的有效性。 此外，为了创建可以自动检测和量化与AD相关的脑形态和认知过程的变化的模型，研究人员在研究中采用了各种机器学习方法，例如深度学习技术。大脑的高分辨率图像，该图像具有检测与AD相关的大脑结构的细微变化的能力。AD。重复的MRI扫描使得可以跟踪疾病的发育并评估治疗的有效性。此外，为了创建可以自动检测和量化与AD相关的脑形态和认知过程的变化的模型，研究人员在研究中采用了各种机器学习方法，例如深度学习技术。