XiaoMi-AI文件搜索系统
World File Search System折叠
折叠：期待已久的对halomonadaceae家族的半分基因组研究
在发表的文章中，新组合Vreelandella utahensis的形成出现了错误，该组合应该被称为Vreelandella halolophila梳子。nov。取而代之的是，在规则41a的应用中使用该物种的最早合法词（Oren等，2023）。对分类学结论部分进行了更正，特别是对Vreelandella utahensis梳子的描述。nov。本节先前指的是：“ Vreelandella utahensis梳子的描述。nov。 vreelandella utahensis（U.Ta.Hen'sis。N.L. fem。 adj。 utahensis，指的是犹他州）。 基础：Halomonas utahensis Sorokin和Tindall，2006年。 该描述如该提议所述（Sorokin和Tindall，2006年），并具有以下添加。 类型应变的基因组大小为3.73 MBP。 DNA G + C含量为55.8 mol％。 与大盐湖（美国）的北部的地表水分离出来。 类型应变为孤立III T = ATCC 49240 T = CECT 5286 T = CIP 105504 T = DSM 3051 T = IAM 14440 T = JCM 21223 T = NBRC 102410 t。 类型应变基因组序列登录号：GCA_007991175.1。 类型16S rRNA基因序列登录号：AJ306893。”N.L.fem。adj。utahensis，指的是犹他州）。基础：Halomonas utahensis Sorokin和Tindall，2006年。该描述如该提议所述（Sorokin和Tindall，2006年），并具有以下添加。类型应变的基因组大小为3.73 MBP。DNA G + C含量为55.8 mol％。与大盐湖（美国）的北部的地表水分离出来。类型应变为孤立III T = ATCC 49240 T = CECT 5286 T = CIP 105504 T = DSM 3051 T = IAM 14440 T = JCM 21223 T = NBRC 102410 t。类型应变基因组序列登录号：GCA_007991175.1。类型16S rRNA基因序列登录号：AJ306893。”
针对核糖体蛋白质折叠活性的抗朊病毒药物可减少 PABPN1 聚集
HAL 是一个多学科开放存取档案库，用于存放和传播科学研究文献，无论这些文献是否已出版。这些文献可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
折叠：电阻训练和肌肉微电流应用之前和之后的自我评估恢复和情绪
版权所有©2025Stößlein和Kuypers。这是根据Creative Commons归属许可（CC BY）的条款分发的开放式文章。允许在其他论坛上使用，分发或复制，前提是原始作者和版权所有者被记住，并且根据公认的学术实践，请引用本期刊中的原始出版物。不允许使用，分发或复制，不符合这些条款。
评估生成扩散模型，以增强范围和全原子分辨率的折叠和无序蛋白质态采样
图2：基于扭转角的主成分分析（PCA），TRP型栅格和α-突触核蛋白的自由能表面（FES）。（a）和（d）分别沿TRP-CAGE和α-类核蛋白的整个分子动力学（MD）模拟数据集沿第一个两个主要成分（PC-1和PC-2）显示了2D FES图。（b）和（e）使用仿真数据的子集描绘了FES图，相当于TRP -cage的总数据的10％，而α-突触核蛋白的50％。与完整数据集相比，这些子集突出了采样自由能表面的稀疏性。（c）和（f）介绍了由DDPM训练的模型产生的FES图，这些模型在还原的子集上进行了训练。值得注意的是，DDPM生成的FES图与完整数据集的FES相似，并有效地采样了（b）和（e）中观察到的稀疏区域。
自动识别特定局部皮质折叠模式
对局部皮质折叠模式的研究表明，其与精神疾病以及认知功能存在关联。尽管目前已有可视化 3D 皮质折叠的工具，但手动分类局部脑沟模式仍然是一项耗时且繁琐的任务。事实上，折叠的 3D 可视化有助于专家识别不同的脑沟模式，但折叠变异性非常高，以至于区分这些模式有时需要定义复杂的标准，这使得手动分类变得困难且不可靠。但是，评估这些模式对皮质功能组织的影响可能会受益于对大型数据库的研究，尤其是在研究罕见模式时。本文提出了几种自动分类折叠模式的算法，以便扩展和确认此类大型数据库上的形态学研究。提出了三种方法，第一种方法基于支持向量机 (SVM) 分类器，第二种方法基于非局部图像块估计器评分 (SNIPE) 方法，第三种方法基于 3D 卷积神经网络 (CNN)。这些方法足够通用，适用于各种折叠模式。它们在两种目前没有自动识别方法的模式上进行了测试：前扣带皮层 (ACC) 模式和电源按钮标志 (PBS)。这两种 ACC 模式几乎同样存在，而 PBS 在一般人群中是一种特别罕见的模式。提出的三种模型在 ACC 模式分类中实现了大约 80% 的平衡准确率，在 PBS 分类中实现了大约 60% 的平衡准确率。基于 CNN 的模型由于其执行速度快，更适合 ACC 模式分类。然而，基于 SVM 和 SNIPE 的模型在管理 PBS 识别等不平衡问题方面更有效。
蛋白质序列结构图的未探索区域通过折叠语言模型库揭示了
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权持有人，该版本发布于2025年1月13日。 https://doi.org/10.1101/2023.12.22.573145 doi：Biorxiv Preprint
b'Abstract本文讨论了将双重/伪证机器学习（DDML）与堆叠配对，这是一种模型平均方法，用于结合多个候选学习者，以估计结构参数。除了传统的堆叠外，我们还考虑了可用于DDML的两个堆叠变体：短堆栈利用DDML的交叉拟合步骤可大大减轻计算负担，并汇总堆叠强制执行常见的堆叠权重，而不是交叉折叠。使用校准的仿真研究和两种估计引用和工资中性别差距的应用，我们表明，与基于单个预先选择的学习者基于单一的替代方法相比，堆叠的DDML对部分未知的功能形式比部分未知的功能形式更强大。我们提供实施建议的Stata和软件。 JEL分类：C21，C26，C52，C55，J01，J08'
b'Abstract本文讨论了将双重/伪证机器学习（DDML）与堆叠配对，这是一种模型平均方法，用于结合多个候选学习者，以估计结构参数。除了传统的堆叠外，我们还考虑了可用于DDML的两个堆叠变体：短堆栈利用DDML的交叉拟合步骤可大大减轻计算负担，并汇总堆叠量强制执行常见的堆叠权重，而不是交叉折叠。使用校准的模拟研究和两种估计引用和工资中性别差距的应用，我们表明，与基于单个预先选择的学习者的常见替代方法相比，堆叠的DDML对部分未知的功能形式更强大。我们提供实施建议的Stata和软件。JEL分类：C21，C26，C52，C55，J01，J08'
蛋白质诱导的膜不对称调节折叠动力学和稳定性
生物膜是不对称结构，其不对称性是由于双层小叶中脂质身份的差异以及膜上脂质和小分子的不均匀分布而产生的。蛋白质还可以根据其形状，序列和与脂质的相互作用来诱导和调节膜不对称。由于天然膜系统的复杂性以及在体外产生相关的不对称双层系统而难以理解，膜不对称如何影响大分子行为。在这里，我们提出了一种方法，该方法利用了跨膜β-桶外膜蛋白OPMA的有效，单向折叠，以创建具有已知方向的蛋白质诱导的蛋白诱导的偶极子（由已知方向的蛋白诱导的偶极子）（由序列变异引起的序列变异，该序列变异构成了OMPA回路）。然后，我们将不同的OMPA变体的折叠动力学和稳定性表征为这些蛋白质脂质体。我们发现，折叠OMPA的主要序列和折叠发生的膜的偶极子都在调节折叠速率的情况下起着重要作用。至关重要的是，我们发现，通过将折叠蛋白上的电荷与膜偶极子互补匹配，可以增强折叠动力学和折叠OMPA的稳定性。结果暗示，细胞如何利用膜包裹的蛋白质中环电荷来操纵膜环境以进行适应和存活。
Superwool Prime Pyro-折叠和堆叠模块
Superwool Prime Pyro-Fold 和 Pyro-Stack 模块不含粘合剂或润滑剂，在首次烧制时不会散发任何烟雾或气味。这些模块具有 M 型或 T 型模块硬件。T 型模块包含两个不锈钢管，横向安装在模块中，远离热面。T 型模块用外部侧固定轭固定。M 型模块硬件设计为在模块中嵌入中央轭，并安装在预焊螺柱上。