XiaoMi-AI文件搜索系统
World File Search System内含物
report.pdf - 美国地质调查局出版物库
亚利桑那州亚瓦派县奇诺谷的 Sullivan Buttes Latite，Boyd, F. R. 和 Meyer, H. O. A. 编辑，《地幔样本：金伯利岩和其他火山岩中的内含物》，第二届国际金伯利岩会议论文集：华盛顿，美国地球物理联盟，第 309-317 页。
CRISPR-Cas9 介导的基因组编辑可延长亨廷顿氏病小鼠模型的寿命并改善运动障碍
亨廷顿舞蹈症 (HD) 是一种目前无法治愈的致命神经退行性疾病，由亨廷顿 (HTT) 基因外显子 1 内的 CAG 三核苷酸重复扩增引起，从而产生一种突变蛋白，这种突变蛋白形成内含物并选择性破坏纹状体和其他相邻结构中的神经元。来自 CRISPR-Cas9 系统的 RNA 引导的 Cas9 内切酶是一种诱导 DNA 双链断裂的多功能技术，可刺激引入移码诱导突变并永久性地禁用突变基因功能。在这里，我们展示了来自金黄色葡萄球菌的 Cas9 核酸酶，一种小的 Cas9 直系同源物，可以与单个引导 RNA 一起包装到单个腺相关病毒 (AAV) 载体中，可用于在体内递送至纹状体后破坏 R6/2 小鼠 HD 模型中突变 HTT 基因的表达。具体来说，我们发现 CRISPR-Cas9 介导的突变 HTT 基因破坏导致神经元内含物减少 50%，并显著延长寿命和改善某些运动障碍。因此，这些结果说明了 CRISPR-Cas9 技术通过体内基因组编辑治疗亨廷顿氏病和其他由三核苷酸重复扩增引起的常染色体显性神经退行性疾病的潜力。
液态金属颗粒的尺寸影响液晶弹性体复合材料的驱动性能
对于不依赖环境加热的驱动，LCE 已被合成/加工以响应光、电场或焦耳加热。15 对光的主动响应可能非常快 16,17 并且显然对许多应用有用 18–20 但在远程/无法访问的环境中或在环境光可能影响驱动的情况下可能被禁止。或者，可以使用电场来驱动 LCE。通过添加碳纳米管，LCE 的机电响应性得到改善；然而，相对于未填充的 LCE，刚性内含物会降低驱动应变。21,22 对于厚度大于几百微米的人造肌肉，光和电场驱动都难以扩展。焦耳加热已通过表面加热器和导电填料 23–28 实现，这对于开发使用 LCE 作为软致动器的不受束缚的软机器人很有希望。29,30
使用机器学习对宝石材料进行分类
在 GIA，通过将未分类的宝石与来自同一物种的大型精选样本数据库进行比较来确定其地理出处和处理历史，这些样本的出处或处理历史是独立已知的。显微镜检查通常是分析的第一阶段，识别诊断性物理特征（例如，指示某些地点的矿物内含物；Palke 等人，2019a，b）。还可以使用各种非破坏性分析技术来表征宝石材料，包括光致发光 (PL)、拉曼散射、紫外/可见光/近红外 (UV-Vis-NIR) 吸收和傅里叶变换红外 (FTIR) 吸收光谱。GIA 比较这些数据的传统方法包括目视检查光谱、识别峰值和波段及其相对强度，以及在某些情况下使用自动软件进行光谱匹配（例如，Renishaw Raman 设备的 WiRE 包）。对于钻石，这些特征反映了原子缺陷
液 - 液相分离和α-核蛋白的构象菌株：对帕金森氏病发病机理的影响
帕金森氏病（PD）和其他突触核心病的特征在于脑细胞中α-核蛋白（α -Syn）的聚集和沉积，形成不溶性内含物，例如Lewy身体（LBS）和Lewy Neurites（LNS）。α -syn的聚集是一个复杂的过程，涉及从其天然随机线圈到富含β-呈β-片的定义明确的二级结构，形成淀粉样蛋白样纤维。证据表明，在此转化过程中形成的α -Syn聚集体的中间物种是细胞死亡的原因。然而，与α -Syn聚集有关的分子事件及其与疾病发作和进展的关系尚未完全阐明。此外，在各种突触核力病中观察到的临床和病理异质性。液态液相分离（LLP）和凝结物的形成已被提议作为可能是α -Syn病理学的替代机制，并有助于在突触核生石病中看到的异质性。本综述着重于细胞环境在α -Syn构象重排中的作用，这可能导致病理学和存在不同毒性模式的不同α -Syn构象应变。讨论将包括细胞应激，异常LLP形成以及LLP在α -Syn病理学中的潜在作用。
阿尔茨海默病的深度学习：绘制大规模组织学 tau 蛋白图谱以进行神经影像生物标志物验证
异常的 tau 内含物是阿尔茨海默病的标志，也是临床衰退的预测指标。有几种 tau PET 示踪剂可用于神经退行性疾病研究，为体内分子诊断开辟了途径。然而，很少有人获准用于临床。了解 PET 信号验证的神经生物学基础仍然存在问题，因为它需要 PET 和（免疫）组织学信号之间大规模的体素到体素相关性。整个人脑的维度很大，组织变形会影响配准，而处理 TB 级信息的计算要求阻碍了正确的验证。我们开发了一个计算管道，用于识别和分割十亿像素数字病理图像中的感兴趣粒子，以生成定量的 3D 密度图。针对免疫组织化学样本的拟议卷积神经网络 IHCNet 是该管道的核心。我们已成功使用三种磷酸化 tau 抗体（AT100、AT8 和 MC1）处理并免疫染色了来自两个完整人脑的 500 多张载玻片，这些载玻片包含数 TB 的图像。我们的人工神经网络从大脑图像中估计了 tau 的包含情况，其对 AT100、AT8 和 MC1 的 ROC AUC 分别为 0.87、0.85 和 0.91。自省研究进一步评估了我们训练的模型学习 tau 相关特征的能力。我们提出了一种端到端流程来创建 TB 级的 3D tau 包含密度图，并将其与 MRI 联合配准，以方便验证 PET 示踪剂。
深度学习治疗阿尔茨海默病
异常的 tau 内含物是阿尔茨海默病的标志，也是临床衰退的预测指标。有几种 tau PET 示踪剂可用于神经退行性疾病研究，为体内分子诊断开辟了途径。然而，很少有人获准用于临床。了解 PET 信号验证的神经生物学基础仍然存在问题，因为它需要 PET 和（免疫）组织学信号之间大规模的体素到体素相关性。整个人脑的维度很大，组织变形会影响配准，而处理 TB 级信息的计算要求阻碍了正确的验证。我们开发了一个计算管道，用于识别和分割十亿像素数字病理图像中的感兴趣粒子，以生成定量的 3D 密度图。针对免疫组织化学样本的拟议卷积神经网络 IHCNet 是该管道的核心。我们已成功使用三种磷酸化 tau 抗体（AT100、AT8 和 MC1）处理并免疫染色了来自两个完整人脑的 500 多张载玻片，这些载玻片包含数 TB 的图像。我们的人工神经网络从大脑图像中估计了 tau 的包含情况，其对 AT100、AT8 和 MC1 的 ROC AUC 分别为 0.87、0.85 和 0.91。自省研究进一步评估了我们训练的模型学习 tau 相关特征的能力。我们提出了一种端到端流程来创建 TB 级的 3D tau 包含密度图，并将其与 MRI 联合配准，以方便验证 PET 示踪剂。
CRISPR 干扰用于评估 C9ORF72 的修饰剂- ...
神经退行性疾病的治疗方法仍然相当有限，包括额颞叶痴呆 (FTD) 和肌萎缩侧索硬化症 (ALS)，这强调了对更深入的机制洞察和疾病相关模型的需求。开发传统的敲除和转基因小鼠需要大量的时间和资金，这阻碍了我们开发遗传风险因素、疾病修饰剂和其他 FTD/ALS 相关靶点的新型疾病模型的能力。为了克服这些限制，我们生成了一种新型 CRISPRi 干扰 (CRISPRi) 敲入小鼠。CRISPRi 使用催化死亡形式的 Cas9，与转录阻遏物融合以敲低蛋白质表达，然后引入针对目的基因的单个引导 RNA。为了验证该模型的实用性，我们选择了 TAR DNA 结合蛋白 (TDP-43) 剪接靶点 stathmin-2 (STMN2)。由于 TDP-43 活性丧失，STMN2 RNA 在 FTD/ALS 中下调，并且 STMN2 缺失被认为在 ALS 发病机制中发挥作用。STMN2 功能丧失与 FTD 的关系尚未确定。我们发现与对照组相比，家族性 FTD 病例中的 STMN2 蛋白水平显著降低，这表明 STMN2 耗竭可能与 FTD 的发病机制有关。在这里，我们提供了概念证明，即我们可以同时敲低 Stmn2 并表达 9 号染色体开放阅读框 72 ( C9ORF72 ) 基因中的扩增重复序列，成功复制 C9 相关病理的特征。有趣的是，Stmn2 的耗竭对二肽重复蛋白 (DPR) 的表达或沉积没有影响，但显著减少了磷酸化 Tdp-43 (pTdp-43) 内含物的数量。我们认为，我们的新型 CRISPRi 小鼠提供了一种多功能且快速的方法来沉默体内基因表达，并提出该模型将有助于了解孤立基因的功能或在其他神经退行性疾病模型的背景下的基因功能。
分子适应盐分子盐对盐盐盐水夹杂物
嗜卤代微生物长期以来一直在盐晶体的盐水内包含中生存，这证明了含有色素的卤素的盐晶体的变化。然而，允许这种生存的分子机制数十年来一直是一个空旷的问题。虽然halite（NACL）表面灭菌的方案已使细胞和DNA从卤石内盐水内包含内部分离出来，但基于“ - 组”的方法面临着两个主要技术挑战：（1）在所有污染有机生物元素（包括蛋白质）中取出所有污染物（包括蛋白质），并在卤代含有卤化物表面中脱离了（2）表现性的（2）表现性的（2）表现性的（2），并（2）表现性的（2）表现性的（2）表现性的（2）表现性的（2）表现性的（2）表现性的（2）表现性的（2）表现性的（2）表现性的（2）表现性的（2）表现性。足够的速度以避免提取过程中基因表达的修饰。在这项研究中，我们测试了解决这两个技术挑战的不同方法。随后，我们将优化的方法应用于对模型卤素模型的早期适应（盐酸盐NRC-1）的早期适应来进行盐酸盐水夹杂物。蒸发后两个月对大杆菌细胞的蛋白质组进行检查显示，与固定相液体培养物相似，但核糖体蛋白的下调急剧下调。虽然中央代谢的蛋白质是液体培养物和盐酸盐夹杂物之间共有蛋白质组的一部分，但在卤石样品中，参与细胞迁移率（古细胞，气囊泡）的蛋白质不存在或较少。此处提出的方法和假设使未来对培养模型和天然halite系统中Halophiles生存的研究。蛋白质在盐水内含物中独有的蛋白质包括转运蛋白，表明细胞与周围的盐水包容微环境之间的改进相互作用。
验证机器学习模型以跨机构检测淀粉样蛋白病理
像建立阿尔茨海默病登记处的联盟 (CERAD) 这样的半定量评分方案是阿尔茨海默病 (AD) 神经病理学实践中最常用的方法。基于机器学习的计算方法最近为全幻灯片图像 (WSI) 生成了定量分数，这些分数与人类衍生的阿尔茨海默病病理半定量分数（例如 CERAD 的分数）高度相关。然而，此类模型的稳健性尚未在不同的队列中进行测试。为了验证以前发布的使用卷积神经网络 (CNN) 的机器学习算法并确定病理异质性是否会改变算法得出的测量值，对来自 Goizueta Emory 阿尔茨海默病中心脑库的 40 个病例进行了评估，这些病例显示了一系列病理诊断（包括有和没有路易体疾病 (LBD) 的 AD，和/或 TDP-43 阳性内含体）和 A β 病理水平。此外，为了提供更深入的表型分析，我们比较了灰质和整个组织中的淀粉样蛋白负担，两者的定量 CNN 评分与 CERAD 样评分显着相关。定量评分还显示出基于 AD 病理的清晰分层，包括有或没有其他诊断（包括 LBD 和 TDP-43 内含物）与没有显着神经变性的病例（对照病例）以及 NIA Reagan 评分标准。具体而言，AD + TDP-43 的伴随诊断组显示核心斑块的 CNN 评分明显高于 AD 组。最后，我们报告说，与关注病理最密集的视野中的计算评分相比，整个组织计算评分与 CERAD 样类别的相关性更好，这是根据 CERAD 指南进行神经病理学评估的实践标准。这些发现共同验证并扩展了 CNN 模型，使其对队列变化具有稳健性，并为未来将机器学习算法纳入神经病理学实践的研究提供了额外的概念验证。