XiaoMi-AI文件搜索系统
World File Search System吞吐
摘要书
The natural diversity of acyltransferases reveals versatility and specificity in the synthesis of gene-encoded lipopeptides 28 Anti-inflammatory biscembranoids from aquaculture-derived soft coral Sarcophyton trocheliophorum 29 Integration of Caenorhabditis elegans bioactivity assays for a sustainable identification of health promoting natural products 30 Novel natural product inhibitors targeting oncogenic MAPK/ERK and PI 3 K/AKT signaling in melanoma: from large library screening to target identification 31 Towards the engineering of the plant endoplasmic reticulum for sustainable production of specialized metabolites 32 PKC-α activation with new semi-synthetic 7 α-acetoxy- 6 β-hydroxyroyleanone derivatives for breast cancer therapeutics 33 Development of a high基于吞吐细胞的测定方法以突出针对呼吸性合胞病毒（RSV）的潜在生物活性抗病毒天然产物34在体外模型中预测异类亚品c-糖苷，o-糖苷的口服生物利用度，o-糖苷的生物利用度，其Aglycons及其Aglycons 35 Dracaena biflibity biflibing cambiflits firscons firops firscons firscons firscons firops firs in consossion compacts firops in in consoscome and inducing the key ferroptosis suppressor FSP 1 36 Dietary molecules from Glycyrrhiza foetida and their modulation on metabolic syndrome pathways 37 How to make “extreme” CPC greener: how to substitute alkanes in biphasic solvent systems using COSMO-RS predicting tools 38 Investigating the anxiolytic activity of selected essential oils in zebrafish larvae and identification使用生物学计量学39
使用区块链和 IPFS 实现农产品供应链可追溯性
摘要 — 许多区块链计划大量使用星际文件系统 (IPFS) 来链下存储用户数据。集中管理、数据模糊、数据不可靠以及易于创建信息孤岛都是传统可追溯系统的问题。本研究开发了一种使用区块链技术的监控系统，用于记录和查询非易腐农产品供应网络中的产品信息，以解决上述问题。通过利用区块链技术的分布式、防篡改和可追溯性，可追溯数据的透明度和可信度得到了显着提高。为了减轻区块链的压力并实现高效的信息查询，建立了一个存储结构，其中公共和私人数据都使用加密技术存储在区块链和星际文件系统 (IPFS) 中。由于区块链技术能够追踪食品的来源，因此它有助于发展可靠的食品供应链并建立农民与客户之间的融洽关系。由于它为数据的保存提供了安全的位置，因此它可以为实施数据驱动的农业技术铺平道路。除了提高数据安全性之外，在 IPFS 中记录农场数据并在智能合约中存储加密文件 IPFS 哈希值还解决了区块链存储爆炸的问题。当与智能合约结合使用时，它可以响应区块链中存储的数据的变化，实现各方之间的即时流出。本文还提供了实施模拟和性能分析。研究结果证实，我们的系统提高了敏感信息的安全性，保护了供应链数据，并满足了实际应用的需求。此外，它还提高了吞吐效率，同时降低了延迟。
基于局部图像深度学习的全局小胶质细胞增殖分类
神经组织中的小胶质细胞增殖（神经炎症）发生在感染、神经系统疾病、神经毒性和其他情况期间。在基础科学和临床研究中，小胶质细胞增殖的量化需要经过培训的专家进行大量的手动计数（细胞点击）（每个案例约 2 小时）。之前使该过程自动化的努力主要集中在基于立体学估计全局细胞数量，使用基于深度学习（DL）的高倍率分割免疫染色的小胶质细胞。为了进一步提高吞吐效率，我们提出了一种新方法，使用卷积神经网络（CNN）的快照集合，使用局部图像（即低倍（20 倍）放大率）进行训练，以预测全局级别的高或低小胶质细胞增殖。专家使用立体学来量化高倍率下的整体小胶质细胞数量，在动物（小鼠）级别应用高或低增殖的标签，然后将这个全局标签分配给每个 20 倍图像作为训练 CNN 预测全局增殖的基本事实。为了测试准确性，我们用每个类别中的六个小鼠大脑进行交叉验证，用于训练，再用每个类别中的一个进行测试。对集合的预测取平均值，并根据该大脑中大多数图像的预测类别为测试大脑分配标签。该集合在每例不到一分钟的时间内准确地对 14 个大脑中的 11 个（约 80%）进行了增殖分类，无需在高倍放大下进行细胞级分割或手动立体学分析。这种方法首次表明，使用局部图像训练 DL 模型可以有效地在全局层面预测小胶质细胞增殖。本研究中使用的数据集可公开获取：tinyurl.com/20xData-USF-SRC。
数字信号处理器的快速 ASIC 设计
专用集成电路 (ASIC) 信号处理器对于实现现代应用的高性能和低功耗要求必不可少，但较长的开发时间是导致其采用率下降的一个障碍。其开发时间的很大一部分用于架构的设计和验证，其余部分则用于后端 ASIC 流程工作和芯片测试。敏捷硬件原则借鉴了类似的成功软件方法，以前应用于通用处理器，为继续开发片上信号处理系统 (SoC) 提供了一种有前途的解决方案。本文提出了一个数字信号处理 SoC 设计框架，该框架与敏捷设计原则相结合，支持快速原型设计和设计用于信号处理应用的 ASIC。首先，第 2 章探讨和分析了应用程序和现有的 ASIC 解决方案，以收集有用的属性和趋势。据此，第 3 章提出了一个通用信号处理 SoC 的模型。接下来，第 4 章介绍了一种新的 Chisel 生成器设计框架。Chisel 是一种用 Scala 编写的 DSL 硬件构造语言，允许在设计硬件时使用高级和函数式编程。该框架将通用处理器与信号处理加速器结合在一起，并提供了许多用于连接、内存映射和编程的库代码。当与敏捷设计流程相结合时，该框架支持 ASIC 的快速开发。加速器执行流信号处理以减轻 CPU 的高吞吐量计算内核负担。随着所需应用程序的处理单元的产生，处理从 CPU 转移到加速器。低速率处理任务在 CPU 上计算，这意味着流片按时进行并产生能够执行整个应用程序的工作芯片。第 5 章和第 6 章在两个独立的芯片上验证了该方法和提出的敏捷设计流程，涵盖两个应用程序和两个流程节点。 ASIC 谱仪 (Splash2) 的 RTL 由一个人在八周内设计完成，展示了 Chisel 快速构建处理元素生成器的强大功能。然后根据物理设计和时间线约束改进这些生成器并调整参数
兽医病毒学的高级生物信息学方法
在开创性研究和高吞吐测序的驱动的兽医病毒学进展中，显着扩展了我们对影响动物的病毒的理解，从家族到野生物种。通过高级测序技术的新型病毒数据积累已经揭示了以前未知的病毒，提供了大量的遗传信息。，尽管取得了这些进步，但仍然需要深入和广泛的基于分子的分析来充分理解这些病毒基因组的复杂性。兽医病毒学家面临的主要挑战之一是从大量收集的病毒基因组和测序数据中提取有意义的信息。这包括识别可能与这些病毒致病性有关的遗传元素。寻求理解致病性的遗传基础对于制定有效的策略来诊断，预防和治疗动物病毒感染。为了应对这些挑战，实验研究以及先进的生物信息学方法论起着关键作用。这些研究扩展到了简单的鉴定和病毒的分类；他们深入研究病毒基因组的分子复杂性。生物信息学工具有助于解读遗传密码，识别潜在的毒力因素，并了解这些病毒与宿主生物相互作用的机制。兽医病毒学中实验研究和晚期生物信息学的整合不仅增强了我们检测和表征病毒的能力，而且还为发现病毒发病机理的新方面开放了途径。这种整体方法有助于发展兽医医学中更具针对性和有效的干预措施，最终改善动物的健康和福祉。随着领域的不断发展，实验研究和生物信息学之间的协同作用可能会揭示出对动物病毒多样性，进化和致病机制的新见解。因此，该研究主题发表了四本原始研究文章，涉及来自包括中国和美国在内的两个国家的22位作者。该主题的研究涵盖的四个领域包括：（i）病毒宏基因组学在兽医病毒学中的应用； （ii）兽医病毒学中病毒基因的比较分析； （iii）兽医病毒学的分子流行病学和进化分析以及（iv）在研究新出现或重新出现牲畜中新的或重新出现的最新进步生物信息学。
社论：利什曼原虫寄生虫的最新发现，用于更好的疫苗设计和药物开发
利什曼原虫（Leishmania）是一种众所周知的单细胞寄生虫，是一种使人衰弱的载体疾病的病因，其致命的内脏（VL）和粘膜皮肤（MCL）形式到自我修复皮肤表现（CL）。由于疾病的流行和全球传播的变化，迫切需要保护性疫苗和候选药物（PAZ，2024年）。然而，对真正的寄生虫托管相互作用的深刻理解中的失败阻碍了保护性疫苗或有效治疗的发展。Seyed等。已经讨论了疫苗接种失败的一些根本原因以及在小鼠模型中已经鉴定出的保护的相关性以及更好地符合这些保护标准的疫苗配方，即活着的活死或非致病利什曼原虫物种和DNA疫苗。现在可以应用新技术，例如CRISPR-CAS9（Sharma等，2021）和新一代无抗生素的质粒（Alonso等，2023），可用于解决与这些疫苗平台相关的内置缺陷。基本上，针对利什曼尼亚或其他相关巨噬细胞寄生虫的保护性疫苗，例如“伴有免疫力”的克鲁兹锥虫瘤，这意味着“持久，低级感染”（Peters and Sacks，2009年，2009年； Peters等，2009; Peters等，2014; Seeed and seeed and rafati，Rafati，20221）。Cai等。 已经证明了实验性活疫苗与在表达Cruzi抗原锥虫瘤的重组无毒的利什曼原虫（DHFR-TS-）上配制的Chagas疾病的有效性。 Almeida Machado等。Cai等。已经证明了实验性活疫苗与在表达Cruzi抗原锥虫瘤的重组无毒的利什曼原虫（DHFR-TS-）上配制的Chagas疾病的有效性。Almeida Machado等。Almeida Machado等。该研究的结果值得进一步调查活体受累的利什曼原虫作为疫苗，以满足利什曼病和chagas的“伴随免疫力”，这是两种全球重要的感染。目前，当人类疫苗落后于落后于化学疗法时，在疾病控制中仍然起着最重要的作用。然而，对当前治疗剂的耐药性上升，敦促更换新的化学物质。尽管在高吞吐药物发现中取得了显着突破，但迫切需要鉴定有前途的新型抗利什曼尼亚化合物。已经有优势的药物重新利用，涉及确定已经批准其他适应症的现有药物的新治疗用途（Kulkarni等，2023）。该小组第一次提出
量子互联网纠缠浓缩服务
纠缠共享是一种通过多个中间中继量子节点将多个量子节点聚合在一起的共享技术[3,75–89]。纠缠共享过程包括量子节点间纠缠传输和纠缠交换（扩展）的几个步骤[6,7,9,90–100]。纠缠连接的纠缠吞吐量量化了该量子连接上在特定保真度下每秒可传输的纠缠态的数量[11,43,44]。纠缠连接可以用成本函数来表征，该函数实际上是给定连接的纠缠吞吐量的倒数[11,42,43]。因此，找到纠缠量子网络中相对于特定成本函数的最短纠缠路径（一组纠缠连接）非常重要 [8, 80, 81, 101 – 106]。纠缠网络中的给定量子节点可以在本地量子存储器中存储多个纠缠系统，然后可将其用于纠缠分布 [11 – 13, 42 – 44, 77 – 83]。在我们当前的建模环境中，给定量子节点的纠缠态称为纠缠端口；因此，目标是找到纠缠网络纠缠端口之间的最短路径。因此，纠缠切换操作类似于纠缠切换器端口的分配问题。纠缠切换器端口模拟了一个量子切换器节点，它在纠缠连接之间切换，并对选定的纠缠连接应用纠缠交换。VLSI（超大规模集成电路）设计领域[107-110]、集成电路（IC）的自动生成和电子设计自动化（EDA）工具[107-110]也解决了类似的问题，但我们量子网络设置的主题和最终目标是不同的。有一些基本思想可以在 EDA 领域和纠缠量子网络的开放问题之间开辟一条道路。我们发现，这条道路不仅存在，而且还使我们能够将 EDA 工具和量子香农理论的最新结果[11,41]相结合，从而为量子互联网提供有价值的结果。在这里，我们为量子互联网定义了纠缠浓缩服务。纠缠浓缩服务旨在提供高优先级量子节点强连接子集之间的纠缠连接，使得每对节点之间存在纠缠连接。该服务的主要要求如下：（1）最大化所有连接节点之间的纠缠吞吐量，（2）最小化量子节点之间的跳跃距离（跨越的量子节点数，取决于连接的纠缠级别）。主要要求的重要性如下。最大化链路的纠缠吞吐量旨在为高优先级用户提供无缝、高效的量子通信。最小化跳跃距离的目的是减少物理环境（链路损耗、节点损耗）带来的噪声，并减少与量子传输和纠缠分布过程相关的延迟。我们通过量子节点中可用的纠缠态（称为纠缠端口）来解决纠缠集中问题。为了处理几个不同的约束，例如纠缠连接的纠缠吞吐量或跳跃距离，我们将量子节点的纠缠端口组织成一个基图。基图包含纠缠的映射
重力波数据分析：计算挑战...
tr框架并激励该报告，我们从现有的2G检测器科学协作的背景开始，并概述了当前使用的计算模型和方法。有关推动计算需求的科学的其他背景，请参阅3G科学案例报告。[1]高级LIGO/高级处女座协作（LVC）由位于汉福德（WA），利文斯顿（Livingston）（La）和PISA（意大利）的三个重力波（GW）干涉仪组成。在2015年9月，LVC开始了一系列高级ERA探测器运行，命名法“ O＃”。o1从2015年9月到2016年1月，以及对GWS的首次检测，该运行以检测三个二进制黑洞（BBH）合并而告终。O2从2016年12月到2017年8月底运行。 以及对许多其他BBH合并的检测，O2首次看到合并的两个中子星（BNS）。 O3始于2019年4月1日，由于Covid-19-Pandemics施加的锁定，已于2020年3月27日终止。。 进一步预计日本干涉仪Kagra将加入即将到来的O4跑步。 从数据分析计算的角度来看，从O1到O2的过渡是搜索和参数估计阶段所需的计算能力的提高。 在搜索（检测）阶段，波形模板库的大小增加以适应较大的质量。 这些分析中最多的10个计算密集型占需求的90％，其余的70个尾巴很长。O2从2016年12月到2017年8月底运行。以及对许多其他BBH合并的检测，O2首次看到合并的两个中子星（BNS）。O3始于2019年4月1日，由于Covid-19-Pandemics施加的锁定，已于2020年3月27日终止。。 进一步预计日本干涉仪Kagra将加入即将到来的O4跑步。 从数据分析计算的角度来看，从O1到O2的过渡是搜索和参数估计阶段所需的计算能力的提高。 在搜索（检测）阶段，波形模板库的大小增加以适应较大的质量。 这些分析中最多的10个计算密集型占需求的90％，其余的70个尾巴很长。O3始于2019年4月1日，由于Covid-19-Pandemics施加的锁定，已于2020年3月27日终止。进一步预计日本干涉仪Kagra将加入即将到来的O4跑步。从数据分析计算的角度来看，从O1到O2的过渡是搜索和参数估计阶段所需的计算能力的提高。在搜索（检测）阶段，波形模板库的大小增加以适应较大的质量。这些分析中最多的10个计算密集型占需求的90％，其余的70个尾巴很长。在参数估计阶段中，虽然每次运行的计算成本几乎与O1中的计算成本相同，但GW来源的数量大大增加，以及BNS合并发现所需的探索性运行数量，导致计算成本爆炸。此外，这些发现提供了一个机会，可以进行不可预见的计算密集分析，以测量哈勃 - 莱默焦点常数H0，测试GR的有效性并限制中子星体的内部物理学。在其第三次观察跑步（O3）中，Ligo-Virgo协作估计其正在进行的数据分析计算要求为7亿CPU核心小时1年，以执行80个天体物理搜索，随访活动和检测器表征活动。大多数计算都由搜索“深”的“深”搜索“深”的高吞吐量计算（HTC）组成； 10％用于生成多通间剂（电磁，中微子）随访的快速警报所需的低延迟数据分析。几乎不需要高性能并行计算，而这些仿真不包括在本评估中。在O1期间，绝大多数计算能力是由专用的Ligo-Virgo群集（无论是现场还是在大型计算中心）提供的，在O2和O3期间，越来越多地使用了外部共享计算资源。共享外部计算资源的增长促使开发了分布式计算模型，类似于大型LHC协作使用的计算模型。此外，处女座，Ligo和Kagra的合作正在加入从部分互操作的计算资源转变为完全共享的共享常见计算基础架构