XiaoMi-AI文件搜索系统
World File Search System工程化
工程化蛋氨酸腺苷转移酶级联用于活细胞中单个 DNA 甲基化的代谢标记
摘要：甲基化是一种广泛存在的天然修饰，具有多种调节和结构功能，由大量 S -腺苷-L -蛋氨酸 (AdoMet) 依赖性甲基转移酶 (MTases) 进行。AdoMet 辅因子由多聚体蛋氨酸腺苷转移酶 (MAT) 家族从 L -蛋氨酸 (Met) 和 ATP 产生。为了推进机制和功能研究，已经开发出重新利用 MAT 和 MTase 反应以接受来自相应前体的可转移基团的扩展版本的策略。在这里，我们使用结构引导的小鼠 MAT2A 工程，以便从合成的蛋氨酸类似物 S -(6-叠氮己-2-炔基)-L -同型半胱氨酸 (N 3 -Met) 生物催化生产扩展的 AdoMet 类似物 Ado-6-叠氮化物。三种工程化的 MAT2A 变体表现出对延伸类似物的催化能力，并且在没有和存在竞争性 Met 的情况下，都支持与 M. Taq I 和小鼠 DNMT1 的工程化变体在级联反应中进行 DNA 衍生化。然后，我们使用 CRISPR-Cas 基因组编辑将两种工程化变体作为 MAT2A-DNMT1 级联安装在小鼠胚胎干细胞中。所得细胞系在暴露于 N 3 -Met 且存在生理水平的 Met 时，保持正常的活力和 DNA 甲基化水平，并显示出 Dnmt1 依赖的 DNA 修饰和延伸叠氮化物标签。这首次展示了一种用于生物合成生产延伸 AdoMet 类似物的遗传稳定系统，该系统能够在活哺乳动物细胞中对 DNMT 特异性甲基化组进行轻度代谢标记。■ 简介
结合工程化的 FnCas9 和扩展的 gRNA，实现 PAM 灵活、稳健且核碱基特异性的编辑和诊断
CRISPR 疗法的临床成功取决于 Cas 蛋白的安全性和有效性。来自新凶手弗朗西斯菌 (FnCas9) 的 Cas9 对错配底物的亲和力可以忽略不计，这使得它即使在结合水平上也能以非常高的精度区分 DNA 中的脱靶。然而，它的细胞靶向效率很低，限制了它在治疗应用中的使用。在这里，我们合理地设计了蛋白质以开发增强的 FnCas9 (enFnCas9) 变体，并将其细胞编辑活性扩展到以前无法访问的基因组位点。值得注意的是，一些变体释放了从 NGG 到 NGR/NRG 的原间隔区相邻基序 (PAM) 约束，使其在人类基因组位点上的可访问性增加了约 3.5 倍。enFnCas9 蛋白在体外和细胞中都具有单一错配特异性，从而扩大了基于 FnCas9 的 CRISPR 诊断的靶标范围，用于检测点突变和致病 DNA 特征。重要的是，它们在编辑效率、敲入率和脱靶特异性方面比其他经过设计的 SpCas9 高保真版本（SpCas9-HF1 和 eSpCas9）更胜一筹。值得注意的是，enFnCas9 变体可以与延长长度的 gRNA 结合使用，在 PAM 约束的规范碱基编辑器无法访问的位点进行强大的碱基编辑。最后，我们展示了使用 enFnCas9 腺嘌呤碱基编辑器完全纠正患者衍生的 iPSC 中的疾病特异性视网膜色素变性突变，突出了其在治疗和诊断中的广泛应用。
通过 AAV 介导递送一种工程化的紧凑型表观遗传编辑器，实现全脑范围内的朊病毒蛋白沉默
结果：为了应对这些挑战，我们设计了一种紧凑的无酶表观遗传编辑器，称为 CHARM（偶联组蛋白尾，用于甲基转移酶的自抑制释放）。通过与组蛋白 H3 尾和非催化性 Dnmt3l 结构域直接融合，CHARM 能够募集和激活细胞内源性表达的 DNA 甲基转移酶，以甲基化靶基因。CHARM 可以独立于 KRAB 转录抑制结构域发挥作用，并与多种 DNA 结合方式兼容，包括 CRISPR-Cas、转录激活因子样效应物和锌指蛋白。锌指蛋白体积小，最多可容纳三个 DNA 靶向元件，并有额外的空间容纳调节元件，以赋予细胞类型特异性。当与靶向锌指结构域的朊病毒蛋白结合并通过 AAV 递送到小鼠大脑时，CHARM 会甲基化朊病毒基因启动子，并使全脑神经元朊病毒蛋白减少高达 80%，远远超过治疗效果所需的最低减少量。此外，我们开发了自我沉默 CHARM，它们在沉默靶标后会自主停用。这种方法暂时限制了 CHARM 表达，以避免因非分裂神经元中的慢性表达而导致的潜在抗原性和脱靶活性。
益生菌编程：工程化布拉氏酵母菌中的饮食反应性基因表达和定植控制
摘要：布拉氏酵母菌 (Sb) 是一种新兴的益生菌底盘，用于将生物分子递送到哺乳动物肠道，作为唯一的真核益生菌，具有独特的优势。然而，精确控制 Sb 中的基因表达和肠道停留时间仍然具有挑战性。为了解决这个问题，我们开发了五个配体响应基因表达系统并修复了 Sb 中的半乳糖代谢，从而实现了该菌株中的可诱导基因表达。通过设计这些系统，我们可以构建 AND 逻辑门，控制蛋白质的表面展示，并启动小鼠肠道对饮食糖的反应，从而产生蛋白质。此外，修复半乳糖代谢扩大了 Sb 在肠道内的栖息地，并实现了对肠道停留时间的半乳糖响应控制。这项工作通过控制其体内基因表达水平和胃肠道内的定位，为 Sb 精确给药开辟了新途径。关键词：合成生物学、酵母、微生物组 ■ 简介
一种工程化的 Cas12i 核酸酶，是动物和植物中有效的基因组编辑工具
VI 型 CRISPR-Cas 系统在基因组编辑方面越来越有吸引力。然而，该系统的天然核酸酶通常效率低下，限制了它们的应用。在这里，我们使用结构引导的合理设计和蛋白质工程来优化一种未表征的 Cas12i 核酸酶 Cas12i3。结果，我们开发了 Cas-SF01，这是一种 Cas12i3 变体，在哺乳动物细胞中表现出显著改善的基因编辑活性。与 SpCas9 和其他 Cas12 核酸酶相比，Cas-SF01 显示出相当或更优异的编辑性能。与天然 Cas12i3 相比，Cas-SF01 具有扩展的 PAM 范围，并能有效识别 NTTN 和非规范 NATN 和 TTVN PAM。此外，我们还发现了一种氨基酸替代物 D876R，它显著降低了脱靶效应，同时保持了较高的靶向活性，从而开发出了 Cas-SF01 HiFi（高保真 Cas-SF01）。最后，我们表明 Cas-SF01 在小鼠和植物中具有较高的基因编辑活性。我们的结果表明，Cas-SF01 可以作为一种强大的基因编辑平台，具有高效性和特异性，适用于各种生物体的基因组编辑应用。
一种新型 Fc 工程化蛋白酶 D 靶向抗体...
摘要 简介 三阴性乳腺癌 (TNBC) 预后较差。针对经常具有免疫原性的 TNBC，增强抗体诱导的自然杀伤 (NK) 细胞抗肿瘤活性的免疫疗法正在兴起。天冬氨酸蛋白酶组织蛋白酶 D (cath-D) 是一种具有促肿瘤活性的肿瘤细胞相关细胞外蛋白，是 TNBC 的不良预后标志物，是基于抗体的疗法诱导 NK 细胞介导的抗体依赖性细胞毒性 (ADCC) 的主要靶点。本研究调查了 Fc 工程化抗 cath-D 抗体是否会触发 ADCC、它们对抗肿瘤功效和肿瘤浸润 NK 细胞的影响以及它们与 TNBC 联合治疗的相关性。方法 通过蛋白质印迹、免疫荧光和免疫组织化学评估 TNBC 样本中的 Cath-D 表达和定位。通过 ELISA 分析了增强（F1M1-Fc + ）或阻止（F1M1-Fc − ）对 CD16a 的亲和力的人抗 cath-D F1M1 和 Fc 工程抗体变体与分泌的人和鼠 cath-D 的结合，并通过表面等离子体共振和流式细胞术分析了与 CD16a 的结合。通过流式细胞术研究 NK 细胞活化，通过乳酸脱氢酶释放研究 ADCC。使用裸鼠中的 TNBC 细胞异种移植研究了 F1M1 Fc 变体的抗肿瘤功效。通过免疫表型分析和 RT-qPCR 分析了 MDA-MB-231 细胞异种移植中的 NK 细胞募集、激活和细胞毒活性。使用抗唾液酸 GM1 抗体耗尽 NK 细胞。在 TNBC 患者来源的异种移植 (PDX) 和 TNBC SUM159 细胞异种移植中以及与紫杉醇或恩杂鲁胺联合使用时评估了 F1M1- Fc + 抗肿瘤作用。结果 TNBC 细胞表面的 Cath-D 表达可用于诱导 ADCC。F1M1 Fc 变体识别人类和小鼠 cath-D。F1M1-Fc + 激活
B.Tech III年–II SEM 人工智能和机器学习... 机器人和自动化的数字笔记（... 人工智能与机器学习 工程化学.pdf b'' 机器学习实验室手册
3 - / - /3（R20A0518）机器学习单元 - I简介：机器学习简介，监督学习，无监督学习，增强学习。深度学习。特征选择：过滤器，包装器，嵌入式方法。特征归一化： - 最小最大归一化，z得分归一化和恒定因子归一化降低降低：主成分分析（PCA），线性判别分析（LDA）单元 - II监督学习 - I（回归/分类）回归模型：简单线性回归，多线性回归。成本函数，梯度下降，性能指标：平均绝对误差（MAE），均方根误差（MSE）R平方错误，调整后的R平方。Classification models: Decision Trees-ID3, CART, Naive Bayes, K-Nearest-Neighbours (KNN), Logistic Regression, Multinomial Logistic Regression Support Vector Machines (SVM) - Nonlinearity and Kernel Methods UNIT – III Supervised Learning – II (Neural Networks) Neural Network Representation – Problems – Perceptrons, Activation Functions, Artificial Neural Networks (ANN) , Back Propagation 算法。卷积神经网络 - 卷积和合并层，复发性神经网络（RNN）。分类指标：混淆矩阵，精度，召回，准确性，F-SCORE，ROC曲线单元 - IV模型验证：交叉验证 - 保留方法，k折，分层k fold，剩余的交叉验证。偏见变化权衡，正规化，过度拟合，不足。合奏方法：提升，包装，随机森林。教科书：1。2。3。3。4。单元 - V无监督的学习：聚类-K均值，K模型，K-蛋白型，高斯混合模型，期望最大化。强化学习：探索和剥削权衡取舍，非社交学习，马尔可夫决策过程，Q学习。机器学习 - Saikat Dutt，Subramanian Chandramouli，Amit Kumar Das，Pearson。机器学习的基础，Mehryar Mohri，Afshin Rostamizadeh，Ameet Talwalkar，麻省理工学院出版社。凯文·墨菲（Kevin Murphy），机器学习：概率的观点，麻省理工学院出版社，2012年参考书：1。Trevor Hastie，Robert Tibshirani，Jerome Friedman，《统计学习要素》，Springer2009 2。克里斯托弗·毕晓普（Christopher Bishop），《模式识别与机器学习》，施普林格，2007年。机器学习向往，Andrew Ng。数据挖掘 - 概念和技术-Jiawei Han和Micheline Kamber，Morgan Kaufmann
文章 表位工程化人类造血干细胞可免受 CD123 靶向免疫疗法的影响
Romina Marone 1.2 * 、Emmanuelle Landmann 1.2 * 、Anna Devaux 1.2 * 、Rosalba Lepore 1,2,3,4 * 、Denis Seyres 1.2 、Jessica Zuin 1.2 、Thomas Burgold 1.2 、Corinne Engdahl 1.2 、Giuseppina Capoferri 1.2 、Alessandro Dell ' Aglio 1.2 、Cl´ement Larrue 5 、Federico Simonetta 6.7 、Julia Rositzka 8.9 、Manuel Rhiel 8.9 、Geoffroy Andrieux 10 、Danielle N. Gallagher 11 Markus S. Schr oder 11，Am´elie Wiederkehr 4，Alessandro Sinopoli 4，Valentin Do Sacramento 3，Anna Haydn 4，Laura Garcia-Prat 3，Christopher 4，Christopher 4 ，14，Matthew Porteus 12，J´er ˆ OME Tamburini 7，Jacob E. Corn 11，Toni Cathomen 8,9，Tatjana I. Cornu 8,9，Stefanie Urlinger 3,4 ，以及 Lukas T. Jeker 1,2
针对功能基因组学的工程化 CRISPR-Cas12a 的高阶组合染色质扰动
多重遗传扰动对于测试编码或非编码遗传元件之间的功能相互作用至关重要。与 DNA 切割相比，使用 CRISPR 干扰 (CRISPRi) 抑制染色质形成可避免基因毒性，并且在混合检测中更有效地扰乱非编码调控元件。然而，目前的 CRISPRi 混合筛选方法通常仅限于每个细胞靶向 1-3 个基因组位点。为了开发一种在功能基因组学筛选中使用 CRISPRi 对基因组位点进行高阶 (> 3) 组合靶向的工具，我们设计了一种 Acidaminococcus Cas12a 变体——称为多重转录干扰 AsCas12a (multiAsCas12a)。 multiAsCas12a 在使用慢病毒转导传递的 CRISPR RNA（crRNA）高阶多路复用阵列进行组合 CRISPRi 靶向时，其表现明显优于最先进的 Cas12a 变体，