XiaoMi-AI文件搜索系统
World File Search System分辨
stmmr：具有多模式特征表示的空间分辨转录组学的准确且健壮的空间域识别
。cc-by-nc-nd 4.0国际许可证。是根据作者/资助者提供的预印本（未经同行评审认证）提供的，他已授予Biorxiv的许可证，以在2024年2月29日发布的此版本中在版权所有者中显示预印本。 https://doi.org/10.1101/2024.02.22.581503 doi：Biorxiv Preprint
利用表面曲率实现空间分辨的 X 射线反射率：液态铜上的石墨烯域
X 射线反射率 (XRR) 被广泛用于研究硬质和软质凝聚态材料的表面和界面，包括二维材料、纳米材料和生物系统。它能够以亚埃的精度推导出材料表面区域沿法线的横向平均电子密度分布。[4–6] 这有助于确定各种参数，包括表面粗糙度、单层或多层材料的结构以及毛细波对液体表面的影响。高亮度同步加速器 X 射线束能够在环境条件下实时在分子水平上分辨材料结构，而其他表面敏感实验技术几乎无法做到这一点。[7] 此类实验的例子是使用专用设备和样品池研究液体表面和界面。[8–11] 然而，存在与液体 XRR 相关的特殊问题。液体和支撑物之间的润湿角会导致样品液体弯曲，这通常会使数据分析复杂化。 [12] 这个问题可以通过利用能够处理大面积样品的样品环境来解决，例如朗缪尔槽 [13] 应用特殊的数据处理方法 [12,14] 或使用 X 射线纳米束。 [15] 然而，在某些情况下，可以充分利用样品曲率，例如 Festersen 等人 [15] 使用宽平行同步加速器光束“一次性”记录 XRR 曲线，但散射矢量 q 的范围有限。 专用于原位和/或原位 XRR 研究的样品环境 [16] 的最新发展开辟了新的机遇，例如，通过化学气相沉积 (CVD) 研究在液态金属催化剂 (LMCats) 上生长 2D 材料的过程。 [17] 这些系统有望生长高质量的材料 [18] 但同时，对实验的要求很高。 [19] 它们必须适应高操作温度、高材料蒸发以及在大气压下暴露于反应气体混合物。此外，它们还局限于有限尺寸的样本
能量分辨自旋相关测量：弱相互作用的费米气体中解码横向自旋动力学
集体自旋动力学在自旋晶格模型中起着核心作用，例如量子磁性的海森堡模型[1]，Anderson pseudospin模型超导性[2]和Richardson-Gaudin模型的配对模型[3]。这些模型已在离散系统中进行了模拟，包括离子陷阱[4-6]，量子气显微镜[7]和腔QQ的实验[8]，这些[8]可实现单位分辨率。相比之下，弱相互作用的费米气体（WIFG）为在准连续系统中实现旋转晶体模型提供了强大的多体平台。在几乎无碰撞状态中，单个原子的能量状态在实验时间尺度上保存，在能量空间中创建了长期寿命的合成拉力[9]，这在强烈相互作用的方向上是无法实现的。这个能量晶格模拟了集体的海森伯格汉密尔顿人，具有可调的远距离相互作用[10-17]和可调节的各向异性[18]。在这项工作中，我们展示了能量分辨自旋相关性的测量，这些相关性提供了能量空间自旋晶格中横向自旋动力学的物理直观图片。此方法可以使微观介绍量子相变的特征和宏观特性（例如磁化）的特性的特征。在具有集体海森堡汉密尔顿的多体旋转晶格中，随着相互作用强度的提高，依赖站点依赖性的连接和站点对站点相互作用之间的相互作用导致向自旋状态的过渡，从而导致大型总横向自旋。使用总横向磁化作为顺序参数，已经在40 K的WiFG中观察到了此转变。通过我们的能量分辨测量值提供了对自旋锁定过渡的更多信息，这说明了局部低能和高能亚组中横向自旋成分之间强大关系的出现以及这些
eva aa pogna curriculum vitae 12.11.2024
§近场成像：在包括拓扑绝缘子和黑色磷（包括拓扑绝缘子和黑磷）中研究远红外极性子。她已经开发了基于THZ量子级联激光器（单模，随机，频率梳）的新型近场成像方法，可实现用于台式源的记录频谱覆盖率（不是基于FEL或同步器），从而使精液的进步使THZ表面波浪理解。§超快光谱：研究石墨烯的光学特性，半导体的二维晶体及其范德华异质结构，以及最近的非线性介电元面。她已经开发了最新的设置，用于瞬时吸收，时间分辨的光致发光，时间分辨的法拉第旋转，时间撤销的圆形二色性和时间分辨的第二谐波产生。
使用零均值高斯态和部分光子数分辨检测无法产生任意非高斯态
高斯状态和测量值加在一起不足以成为量子计算的强大资源，因为任何高斯动力学都可以用经典方法高效模拟。然而，众所周知，任何一种非高斯资源（状态、幺正运算或测量）与高斯幺正值一起构成通用量子资源。光子数分辨 (PNR) 检测是一种易于实现的非高斯测量，已成为尝试设计非高斯状态以进行通用量子处理的常用工具。在本文中，我们考虑对零均值纯多模高斯状态的子集进行 PNR 检测，以此作为在未检测到的模式上预示目标非高斯状态的一种手段。这是因为使用压缩真空和被动线性光学系统可以轻松可扩展地制备具有零均值的高斯状态。我们计算了实际预示状态和目标状态之间的保真度上限。我们发现，当目标状态是多模相干猫基簇状态时，该保真度上限为 1/2，这对于通用量子计算来说是一种足够的资源。这证明了存在无法通过此方法产生的非高斯状态。我们的保真度上限是一个简单的表达式，仅取决于光子数基中表示的目标状态，它可以应用于其他感兴趣的非高斯状态。
结合早期和晚期到达的光子来改善通过时间分辨的近红外获得的脑血流动力学反应的重建
另一种策略是使用时间分辨 NIRS (trNIRS) 来增强测量的深度灵敏度，该方法使用皮秒光脉冲和快速探测器来记录漫反射光子的飞行时间 (DTOF) 分布。9 由于 DTOF 包含时间和强度信息，因此可以分辨不同深度的吸收变化，因为光子到达时间与路径长度成正比。最流行的深度增强方法基于计算 DTOF 的统计矩 10、11 或在时间窗口/门内积分光子计数。12、13 在这两种情况下，目标都是关注晚到达的光子，因为它们最有可能探测到大脑。先前使用分层组织模拟幻影、动物模型和人类受试者的研究表明，与传统的 CW NIRS 相比，trNIRS 对脑血流动力学具有更高的灵敏度。13 – 17
U-SURF：全球1公里在空间连续的城市地面财产数据集，用于公里尺度的城市分辨地球系统建模
图1。城市峡谷的概念示意图代表CLMU中的城市景观（改编自Oleson等，2008a）。特性是颜色编码的：蓝色用于辐射，橙色用于热和绿色的形态学。请注意，屋顶和壁厚（尽管与城市形态相关）被认为是热特性，因为它们主要用作加权因素，以计算CLMU中峡谷表面的传导通量（Lawrance等，2018; Oleson等人，2010年）。165
多路复用时分辨荧光共振能量转移超高通量筛选测定法，用于靶向SMAD4 – SMAD3 – DNA复合物
转化的生长因子-BETA（TGFβ）信号通路在建立免疫抑制性肿瘤微环境中起着至关重要的作用，使抗TGFβ剂成为癌症免疫疗法的重要领域。然而，针对上游细胞因子和受体的当前抗TGFβ药物的临床翻译仍然具有挑战性。因此，小分子抑制剂的发展特异性靶向TGFβ途径的下游主调节器SMAD4，将采取一种替代方法，具有明显的抗TGFβ信号传导的替代方法。在这项研究中，我们介绍了在超高通量筛选（UHTS）1536孔板格式中基于细胞裂解物的多路复用时间分辨荧光共振能量转移（TR-FRET）测定。该测定法可以同时监测SMAD4和SMAD3之间的蛋白质 - 蛋白质相互作用，以及SMADS及其共识DNA结合基序之间的蛋白质-DNA相互作用。多路复用的TR-FRET分析表现出高灵敏度，从而使单氨基酸分辨率下的Smad4-Smad3-DNA复合物进行了动态分析。此外，多路复用的UHTS分析证明了筛选小分子抑制剂的鲁棒性。通过对FDA批准的生物活性化合物库进行试验筛选，我们将gambogic Acid和Gambogenic Acodic鉴定为潜在的HIT化合物。这些概念验证的发现强调了我们优化的多重TR-FRET平台的大规模筛选的实用性，以发现针对SMAD4-SMAD3 – DNA复合物作为新型抗TGFβ信号剂的小分子抑制剂。
使用深度迁移学习识别单细胞空间分辨转录组学数据中的高风险细胞
背景：通过检查空间分辨转录组学平台组织样本中的高风险细胞和区域，可以深入了解特定疾病过程。对于现有方法，虽然可以识别细胞类型或簇并将其与疾病属性相关联，但无法以相同的方式关联单个细胞，这可能导致无法识别与疾病属性相关的细胞子集，尤其是当疾病相关细胞与非疾病相关细胞聚集在一起时。方法：DEGAS（单细胞诊断证据量表）[5] 使用复杂的深度迁移学习算法解决了上述问题，该算法旨在识别肿瘤样本单细胞 RNA 测序数据中的高风险成分。DEGAS 采用基因表达数据的潜在表示和域适应将疾病属性从患者转移到单个细胞。在这项研究中，我们展示了 DEGAS 在适应单细胞空间分辨转录组学平台（如 10X Genomics Xenium 平台和 Nanostring 的 CosMx 平台）产生的数据方面的多功能性。通过整合上述平台的空间位置信息，DEGAS 不仅可以识别组织样本中的高风险成分，还可以精确定位与疾病状态相关的载玻片内的位置。结果：我们在多个平台上评估了 DEGAS，包括 10X Genomics Xenium 和 Nanostring CosMx。DEGAS 成功识别了高风险细胞和区域，并通过已知标记进行了验证。此外，DEGAS 还应用于我们新生成的 T2D Xenium 数据集和公开的黑色素瘤 Xenium 数据集。我们在公开的正常和肝细胞癌组织的 Nanostring CosMx FFPE 样本上测试了 DEGAS，揭示了与关键途径相关的高风险细胞和拓扑结构。值得注意的是，高风险区域主要富集在肿瘤组织中，DEGAS 揭示了与侵袭性疾病标志物和细胞类型多样性相关的异质性。关键词：单细胞 RNA 测序、空间分辨转录组学、域适应、深度迁移学习