XiaoMi-AI文件搜索系统
World File Search System从头
用生成人工智能解锁从头抗体设计
作者：Furong Liu 1,2†，Zhenlin Yang 3,4†， *，Chao Wang 1，Raoul Martin 2，Wenjie Qiao 5，Jan E. Carette 5，Jan E. Carette 5，Sheng Luan 1，Sheng Nogales 1，Eva Nogales 3,4,6,7,7,7,8，Brian Staskawicz 1,2 *工厂：1,2 *工厂：1,CRIAL KICIALIA;伯克利，94720，美国加利福尼亚州2创新基因组学院，加利福尼亚大学伯克利分校；美国加利福尼亚州加利福尼亚州94720，94720，加利福尼亚大学伯克利分子和细胞生物学系，美国加利福尼亚州伯克利分校4霍华德·休斯医学研究所，加利福尼亚大学伯克利分校，加利福尼亚大学伯克利分子，美国分子生物物理学和综合生物成像级5号小学生和综合生物学系。美国加利福尼亚州伯克利的QB3-Berkeley，加利福尼亚大学伯克利分校，加利福尼亚州伯克利分校，美国加利福尼亚州伯克利分校8劳伦斯·伯克利国家实验室，加利福尼亚州伯克利，美国加利福尼亚州†这些作者为这项工作做出了同样的贡献。*相应的作者：zhenlinyang@berkeley.edu（Z.Y.），stask@berkeley.edu（B.J.S.）摘要：植物和动物中对微生物病原体的先天免疫反应受到细胞内受体的调节，称为核苷酸结合亮氨酸重复蛋白（NLR）蛋白。在植物中，这些NLR在识别病原体效应子中起着至关重要的作用，从而启动了免疫防御机制的激活。值得注意的是，某些NLR用作“助手” NLR免疫受体（HNLR），与“传感器” NLR免疫受体（SNLR）同步串联工作，以协调下游信号事件以表达疾病的抵抗力。此外，我们发现了NRC4的十二体状态，其中嵌入了线圈螺旋（CC）域在这项研究中，我们重组并确定了细胞死亡4（NRC4）抗性所需的HNLR的冷冻结构。自动活跃的NRC4形成了先前意外的六聚体构型，触发与Ca 2+涌入相关的免疫反应到细胞质中。
molScore：从头开始的评分和评估框架
https://doi.org/10.26434/chemrxiv-2023-c4867-v2 orcid：https：//orcid.org/0000-0000-0002-1610-3499 consemrxiv notect content consect consentrxiv contemr-rxiv notect content。许可证：CC由4.0
两种隐龟的从头基因组组装
了解物种间染色质构象的进化对于阐明基因组的结构和可塑性至关重要。线性远距离基因座的非随机相互作用以物种特异性模式调节基因功能，影响基因组功能、进化，并最终影响物种形成。然而，来自非模式生物的数据很少。为了捕捉脊椎动物染色质构象的宏观进化多样性，我们通过 Illumina 测序、染色体构象捕获和 RNA 测序为两种隐颈龟 (cryptodiran，藏颈龟) 生成从头基因组组装：Apalone spinifera (ZZ/ZW，2 n = 66) 和 Staurotypus triporcatus (XX/XY，2 n = 54)。除了在线性基因组中检测到的融合/裂变事件外，我们还检测到龟类的三维 (3D) 染色质结构与其他羊膜动物存在差异。也就是说，全基因组比较揭示了龟类染色体重排的不同趋势：（1）鳖科（Trionychidae）的基因组改组率较低，而鸡（可能是龟类的祖先）与核型高度保守；（2）动胸龟科（Kinosternidae）和翠龟科（Emydidae）的融合/裂变率中等。此外，我们还发现了一种染色体折叠模式，这种模式使以前在龟类中未检测到的“着丝粒 - 端粒相互作用”成为可能。“着丝粒 - 端粒相互作用”（本文发现）加上“着丝粒聚集”（之前在蜥蜴类中报道过）的组合龟类模式对于羊膜动物来说是新颖的，它反驳了以前关于羊膜动物 3D 染色质结构的假设。我们假设，在龟类中发现的不同模式起源于羊膜动物祖先状态，该状态由核结构定义，微染色体之间存在广泛的关联，这些关联在线性基因组改组后得以保留。
igflow：从头抗体设计的流匹配
在这项工作中，我们提出了IGFlow，这是抗体结构从头设计的SE（3）流量匹配模型。我们专注于生成抗体的新型可变结构域区域，并评估模型在1）无条件重链和轻链生成以及2）互补性确定区域（CDRS）的框架条件循环设计。我们的结果表明，IgFlow生成的抗体在结构上与自然观察到的抗体相似。我们将我们的方法与IGDIFF进行了比较，IGDIFF是一种无条件变量域生成的SE（3） - 扩散模型，在可设计性上。此外，我们在抗体设计中通常遇到的两个有条件的CDR介入任务上对IGFLOW和IGDIFF进行了基准测试。我们发现，Igdiff和Igflow在无条件设计抗体时都表现出色，并且IGFlow有条件地设计具有比IGDIFF更高自符合性的完整CDR循环。总体而言，我们的方法为抗体生成提供了另一种方法，具有其他计算益处，包括样本数据效率和推理速度。
牛皮癣从头或PD-1检查点抑制剂加重
1。Ainsworth C.免疫学：许多分层的东西。自然。2012; 492：S52 --- 4。 2。 Fife Bt，Pauken Ke。 PD-1途径在自身免疫性和外围耐受性中的作用。 Ann n y Acad Sci。 2011; 1217：45 --- 59。 3。 Francisco LM，Sage PT，Sharpe AH。 在耐受性和自身免疫性中的PD-1途径。 Immunol Rev. 2010; 236：219 --- 42。 4。 张X，黄Y，杨X。 PD-L1在抗肿瘤免疫中的复杂作用：最近的更新。 细胞分子免疫。 2021; 18：2067 --- 98。 5。 Brahmer JR，Drake CG，Wollner I，Powderly JD，Picus J，Sharfman WH等。 第一阶段的反编程死亡1（MDX-11106）在难治性实体瘤中的研究：安全性，临床活性，药效学和免疫学相关性。 J Clin Oncol。 2010; 28：3167 --- 75。 6。 Sunshine J，Taube JM。 PD-1/PD-L1抑制剂。 Curr Opin Phar-Macol。 2015; 23：32 --- 8。 7。 Nagai H，MutoM。通过免疫检查抑制剂治疗而导致的免疫相关不良事件的最佳管理：审查和更新。 int J Clin Oncol。 2018; 23：410 --- 20。 8。 Buchbinder EI，Desai A. CTLA-4和PD-1途径：相似的抑制作用，差异和含义。 Am J Clin Oncol。 2016; 39：98 --- 106。 9。 Hawkes EA，Grigg A，Chong G.淋巴瘤中编程的细胞死亡-1抑制作用。 lancet oncol。 10。2012; 492：S52 --- 4。2。Fife Bt，Pauken Ke。 PD-1途径在自身免疫性和外围耐受性中的作用。 Ann n y Acad Sci。 2011; 1217：45 --- 59。 3。 Francisco LM，Sage PT，Sharpe AH。 在耐受性和自身免疫性中的PD-1途径。 Immunol Rev. 2010; 236：219 --- 42。 4。 张X，黄Y，杨X。 PD-L1在抗肿瘤免疫中的复杂作用：最近的更新。 细胞分子免疫。 2021; 18：2067 --- 98。 5。 Brahmer JR，Drake CG，Wollner I，Powderly JD，Picus J，Sharfman WH等。 第一阶段的反编程死亡1（MDX-11106）在难治性实体瘤中的研究：安全性，临床活性，药效学和免疫学相关性。 J Clin Oncol。 2010; 28：3167 --- 75。 6。 Sunshine J，Taube JM。 PD-1/PD-L1抑制剂。 Curr Opin Phar-Macol。 2015; 23：32 --- 8。 7。 Nagai H，MutoM。通过免疫检查抑制剂治疗而导致的免疫相关不良事件的最佳管理：审查和更新。 int J Clin Oncol。 2018; 23：410 --- 20。 8。 Buchbinder EI，Desai A. CTLA-4和PD-1途径：相似的抑制作用，差异和含义。 Am J Clin Oncol。 2016; 39：98 --- 106。 9。 Hawkes EA，Grigg A，Chong G.淋巴瘤中编程的细胞死亡-1抑制作用。 lancet oncol。 10。Fife Bt，Pauken Ke。PD-1途径在自身免疫性和外围耐受性中的作用。Ann n y Acad Sci。2011; 1217：45 --- 59。3。Francisco LM，Sage PT，Sharpe AH。在耐受性和自身免疫性中的PD-1途径。Immunol Rev.2010; 236：219 --- 42。4。张X，黄Y，杨X。PD-L1在抗肿瘤免疫中的复杂作用：最近的更新。细胞分子免疫。 2021; 18：2067 --- 98。 5。 Brahmer JR，Drake CG，Wollner I，Powderly JD，Picus J，Sharfman WH等。 第一阶段的反编程死亡1（MDX-11106）在难治性实体瘤中的研究：安全性，临床活性，药效学和免疫学相关性。 J Clin Oncol。 2010; 28：3167 --- 75。 6。 Sunshine J，Taube JM。 PD-1/PD-L1抑制剂。 Curr Opin Phar-Macol。 2015; 23：32 --- 8。 7。 Nagai H，MutoM。通过免疫检查抑制剂治疗而导致的免疫相关不良事件的最佳管理：审查和更新。 int J Clin Oncol。 2018; 23：410 --- 20。 8。 Buchbinder EI，Desai A. CTLA-4和PD-1途径：相似的抑制作用，差异和含义。 Am J Clin Oncol。 2016; 39：98 --- 106。 9。 Hawkes EA，Grigg A，Chong G.淋巴瘤中编程的细胞死亡-1抑制作用。 lancet oncol。 10。细胞分子免疫。2021; 18：2067 --- 98。5。Brahmer JR，Drake CG，Wollner I，Powderly JD，Picus J，Sharfman WH等。 第一阶段的反编程死亡1（MDX-11106）在难治性实体瘤中的研究：安全性，临床活性，药效学和免疫学相关性。 J Clin Oncol。 2010; 28：3167 --- 75。 6。 Sunshine J，Taube JM。 PD-1/PD-L1抑制剂。 Curr Opin Phar-Macol。 2015; 23：32 --- 8。 7。 Nagai H，MutoM。通过免疫检查抑制剂治疗而导致的免疫相关不良事件的最佳管理：审查和更新。 int J Clin Oncol。 2018; 23：410 --- 20。 8。 Buchbinder EI，Desai A. CTLA-4和PD-1途径：相似的抑制作用，差异和含义。 Am J Clin Oncol。 2016; 39：98 --- 106。 9。 Hawkes EA，Grigg A，Chong G.淋巴瘤中编程的细胞死亡-1抑制作用。 lancet oncol。 10。Brahmer JR，Drake CG，Wollner I，Powderly JD，Picus J，Sharfman WH等。第一阶段的反编程死亡1（MDX-11106）在难治性实体瘤中的研究：安全性，临床活性，药效学和免疫学相关性。J Clin Oncol。2010; 28：3167 --- 75。 6。 Sunshine J，Taube JM。 PD-1/PD-L1抑制剂。 Curr Opin Phar-Macol。 2015; 23：32 --- 8。 7。 Nagai H，MutoM。通过免疫检查抑制剂治疗而导致的免疫相关不良事件的最佳管理：审查和更新。 int J Clin Oncol。 2018; 23：410 --- 20。 8。 Buchbinder EI，Desai A. CTLA-4和PD-1途径：相似的抑制作用，差异和含义。 Am J Clin Oncol。 2016; 39：98 --- 106。 9。 Hawkes EA，Grigg A，Chong G.淋巴瘤中编程的细胞死亡-1抑制作用。 lancet oncol。 10。2010; 28：3167 --- 75。6。Sunshine J，Taube JM。PD-1/PD-L1抑制剂。 Curr Opin Phar-Macol。 2015; 23：32 --- 8。 7。 Nagai H，MutoM。通过免疫检查抑制剂治疗而导致的免疫相关不良事件的最佳管理：审查和更新。 int J Clin Oncol。 2018; 23：410 --- 20。 8。 Buchbinder EI，Desai A. CTLA-4和PD-1途径：相似的抑制作用，差异和含义。 Am J Clin Oncol。 2016; 39：98 --- 106。 9。 Hawkes EA，Grigg A，Chong G.淋巴瘤中编程的细胞死亡-1抑制作用。 lancet oncol。 10。PD-1/PD-L1抑制剂。Curr Opin Phar-Macol。2015; 23：32 --- 8。 7。 Nagai H，MutoM。通过免疫检查抑制剂治疗而导致的免疫相关不良事件的最佳管理：审查和更新。 int J Clin Oncol。 2018; 23：410 --- 20。 8。 Buchbinder EI，Desai A. CTLA-4和PD-1途径：相似的抑制作用，差异和含义。 Am J Clin Oncol。 2016; 39：98 --- 106。 9。 Hawkes EA，Grigg A，Chong G.淋巴瘤中编程的细胞死亡-1抑制作用。 lancet oncol。 10。2015; 23：32 --- 8。7。Nagai H，MutoM。通过免疫检查抑制剂治疗而导致的免疫相关不良事件的最佳管理：审查和更新。int J Clin Oncol。2018; 23：410 --- 20。 8。 Buchbinder EI，Desai A. CTLA-4和PD-1途径：相似的抑制作用，差异和含义。 Am J Clin Oncol。 2016; 39：98 --- 106。 9。 Hawkes EA，Grigg A，Chong G.淋巴瘤中编程的细胞死亡-1抑制作用。 lancet oncol。 10。2018; 23：410 --- 20。8。Buchbinder EI，Desai A. CTLA-4和PD-1途径：相似的抑制作用，差异和含义。Am J Clin Oncol。2016; 39：98 --- 106。 9。 Hawkes EA，Grigg A，Chong G.淋巴瘤中编程的细胞死亡-1抑制作用。 lancet oncol。 10。2016; 39：98 --- 106。9。Hawkes EA，Grigg A，Chong G.淋巴瘤中编程的细胞死亡-1抑制作用。lancet oncol。10。2015; 16：e234 --- 45。Weber JS，Postow M，Lao CD，Schadendorf D.用反编程的Death-1代理处理后不良事件的管理。肿瘤学家。2016; 21：1230 --- 40。11。Delaunay M，Cadranel J，Lusque A，Meyer N，Gunant V，Moro-Sibilot D等。与癌症患者中与间质性肺部疾病有关的免疫检查抑制剂。EUR RESSIR J.2017; 10：50。 12。 Soularue E，Lepage P，Colombel JF，Coutzac C，Faleck D，Marthey L，2017; 10：50。12。Soularue E，Lepage P，Colombel JF，Coutzac C，Faleck D，Marthey L，
利用生成人工智能解锁从头抗体设计
生成式人工智能 (AI) 有可能大大提高抗体设计的速度、质量和可控性。传统的从头抗体发现需要耗费大量时间和资源来筛选大型免疫或合成库。这些方法对输出序列的控制也很少，这可能导致先导候选药物结合效果不佳且可开发性较差。几个研究小组已经引入了生成式抗体设计模型，并获得了有希望的计算机证据 [1–10]，但是，没有一种方法能够通过实验验证基于 AI 的生成式从头抗体设计。在这里，我们使用生成式深度学习模型以零样本方式从头设计针对三个不同靶标的抗体，其中所有设计都是单轮模型生成的结果，没有后续优化。具体来说，我们使用高通量湿实验室功能筛选了超过 100 万种设计用于结合人表皮生长因子受体 2 (HER2) 的抗体变体。我们的模型成功设计了抗体重链中的所有 CDR，并计算了通过结合校准的似然度。我们分别实现了重链 CDR3 (HCDR3) 和 HCDR123 设计的 10.6% 和 1.8% 的结合率，比从观察到的抗体空间 (OAS) 中随机抽样的 HCDR3 和 HCDR123 高四倍和十一倍 [11]。我们进一步使用表面等离子体共振 (SPR) 表征了 421 种 AI 设计的结合剂，发现其中三种比治疗性抗体曲妥珠单抗结合更紧密。这些结合剂高度多样化，与已知抗体的序列同一性低，并采用可变的结构构象。此外，这些结合剂在我们之前引入的自然性指标 [12] 上得分很高，表明它们可能具有理想的可开发性特征和低免疫原性。我们开源 1 HER2 结合剂并报告测得的结合亲和力。这些结果为利用生成式人工智能和高通量实验加速新治疗靶点的药物创造开辟了道路。
量子光物质相互作用的从头计算...
r TE n ( ω ) M eo,nm ( r , k 3 ) ⊗ M eo,nm ( r ′ , k 3 ) + r TM n ( ω ) Ne eo,nm ( r , k 3 ) ⊗ Ne eo,nm ( r ′ , k 3 )。
从头读数，使用长读和简短的抛光
您将组装来自锯齿状铜菌菌株Cav1492的分离株。该菌株具有一个染色体和五个质粒。测序数据包含7,038个小小的读取，平均读取长度超过12,000 bp，一组Illumina读取了从同一菌株进行测序的读取。Illumina读取已被删除，以降低本教程中的分析时间。数据集中包含的参考基因组是由深层覆盖的PACBIO和配对末端测序数据制成的。可从https://ncbi.nlm.nih.gov/datasets/ genome/gca_001022215.1/。
使用 Python 从头进行数据分析：分步指南
AI Sciences Books 使用 Python 和 R 等计算机科学编程语言探索人工智能和数据科学的各个方面。我们的书籍可能是最适合初学者的书籍；对于任何想要从头开始学习人工智能和数据科学的人来说，它都是循序渐进的指南。它将帮助您打下坚实的基础，并让您轻松学习任何其他高级课程。
de从头广泛的流行率和风险因素 -
⁎神经塑性与疼痛中心，健康科学技术系，阿尔堡大学，阿尔堡大学，丹麦，丹麦，†胃肠病学和肝病学系，临床研究所，阿尔堡大学医院，阿尔伯格大学医院，阿尔伯格，阿尔伯格，丹麦，丹麦，丹麦 Complutense University of Madrid, Madrid, Spain, § Grupo InPhysio, Instituto de Investigación Sanitaria del Hospital Clínico San Carlos (IdISSC), Madrid, Spain, ¶ Danish Center for Health Services Research, Department of Clinical Medicine, Aalborg University, Aalborg, Denmark, ∥ Department of Physical Therapy, Occupational Therapy, Physical Medicine and Rehabilitation, Universidad Rey Juan Carlos（URJC），马德里，西班牙，⁎⁎Steno糖尿病中心北丹麦，临床研究所，奥尔堡大学医院，奥尔堡，丹麦，