XiaoMi-AI文件搜索系统
World File Search System无标记
通过无标记富集和重组基因工程位点 (MERGE) 实现快速、可扩展的组合基因组工程
‡ 通信地址：aashiq.kachroo@concordia.ca 关键词：基因组工程、CRISPR-Cas9、人源化酵母、蛋白酶体 缩写：CFU、菌落形成单位；DSB、双链断裂；HDR、同源定向 DNA 修复；HR、同源重组；CELECT、基于 CRISPR-Cas9 的选择以丰富基因型；MERGE、无标记富集和重组基因工程位点；SGA、合成遗传阵列
通过无标记富集和重组基因工程位点 (MERGE) 实现快速、可扩展的组合基因组工程
‡ 通信地址：aashiq.kachroo@concordia.ca 关键词：基因组工程、CRISPR-Cas9、人源化酵母、蛋白酶体 缩写：CFU、菌落形成单位；DSB、双链断裂；HDR、同源定向 DNA 修复；HR、同源重组；CELECT、基于 CRISPR-Cas9 的选择以丰富基因型；MERGE、无标记富集和重组基因工程位点；SGA、合成遗传阵列
方案 使用 CRISPR/Cas9 在马克斯克鲁维酵母中进行无标记基因敲除和敲低的方案
人们对食品和工业酵母马克斯克鲁维酵母的菌株工程越来越感兴趣，不同的研究小组已经描述并使用了许多 CRISPR/Cas9 系统。我们开发的方法允许使用细胞的内源性 DNA 修复机制非常快速有效地灭活靶基因。我们使用的菌株和质粒是免费提供的，在这里我们提供了一套集成的方案，可以轻松灭活基因并将 DNA 片段精确整合到基因组中，例如用于启动子替换、等位基因交换或引入点突变。这些方案使用 Cas9/gRNA 表达质粒 pUCC001 和 Golden Gate 组装来对靶向序列进行分子克隆。提供了一组全基因组的靶向序列。在野生型菌株或缺乏非同源末端连接 (NHEJ) DNA 修复的菌株中使用这些质粒，第一组方案解释了如何在精确目标处引入插入/缺失（NHEJ 介导）或精确缺失（同源性依赖性修复 (HDR) 介导）。第二组方案描述了如何交换启动子或编码序列以产生重编程基因。这些方法不需要使用显性或营养缺陷型标记基因，因此产生的菌株不含标记。这些方案已在多个 K. marxianus 菌株中进行了测试，非常简单，可以在任何分子生物学实验室中进行，无需专门的设备。
2022; 12(4): 1829-1854. doi: 10.7150/thno.68804 评论 天然活性产物无标记蛋白质靶标识别方法的更新
天然活性产物（NAPs）来源于自然界中发现的具有生物活性和药用潜力的化学物质。筛选和揭示NAPs的蛋白质靶点是NAPs药理学和毒理学认识中不可缺少的环节。蛋白质是执行细胞功能的主要因素，细胞依靠蛋白质的功能完成生命周期中的各种活动。药物的重要作用机制是通过与蛋白质等大分子相互作用来调节细胞生物活性。目前，筛选蛋白质靶点的经典方式是基于分子标记示踪法，该方法周期长，且会改变NAPs的分子结构和药理作用。由于分子标记方法的缺点，近年来，科学家尝试开发多种非标记的NAPs蛋白质靶点识别方法，并取得了一定的进展。本文对目前NAPs的蛋白质靶点识别方法进行综述，旨在为NAP蛋白质靶点研究提供参考。
无标记的等离激子生物传感器，用于快速，定量和高度敏感的Covid-19血清学：实施和临床验证
摘要：血清学检验对于控制和管理Covid-19大流行至关重要（诊断和监测，以及流行病学和免疫学研究）。我们引入了一种直接的血清学生物传感器测定，该测定方法采用了基于等离子体学的专有技术，该技术可对严重急性呼吸道综合征2（SARS-COV-2）抗体的快速识别和量化临床样本中的急性急性呼吸综合征2（SARS-COV-2）抗体进行快速（<15分钟）的识别和量化。便携式等离子体设备采用定制设计的多蛋白（RBD肽和N蛋白）传感器生物芯片，并在使用多克隆抗体的低NG ML-1范围内达到检测限。它也采用了WHO批准的抗SARS-COV-2免疫球蛋白标准。具有COVID-19阳性和负样本的临床验证（n = 120）表明其出色的诊断敏感性（99％）和特定的牙齿（100％）。这将我们的生物传感器定位为一种准确且易于使用的诊断工具，用于在实验室和分散环境中使用疾病管理和评估疫苗接种或治疗期间的免疫学状况的快速可靠的Covid-19血清学。
用于个性化癫痫发作预测的自适应、无标记和实时近似学习平台 (AURA)
高性能事件检测系统是进行某些预测研究所需的全部。在这里，我们介绍 AURA：一种使用未标记的实时数据训练的自适应预测模型，使用内部生成的近似标签进行实时训练。通过利用时间序列数据的相关性质，一对检测和预测模型耦合在一起，使得检测模型自动生成标签，然后用于训练预测模型。AURA 依赖于几个简单的原则和假设：(i) 目标应用中事件预测/预报模型的性能仍然低于事件检测模型的性能，(ii) 检测到的事件被视为弱标签，并被认为足够可靠，可用于在线训练预测模型，以及 (iii) 系统性能和/或系统响应反馈特性可以针对被测对象进行调整。例如，在医疗患者监测中，这可以实现个性化预测模型。癫痫发作预测被认为是 AURA 的理想测试案例，因为发作前脑电波因患者而异，根据患者情况定制模型可以显著提高预测性能。AURA 用于为 10 名患者生成个人预测模型，结果显示灵敏度平均相对提高 14.30%，误报率降低 19.61%。本文提出了一个概念验证，证明了在时间序列神经生理数据流上进行在线迁移学习的可行性，为低功耗神经形态神经调节系统铺平了道路。
用于耳念珠菌基因组编辑的无标记 CRISPR 介导系统揭示了 Cas5 在卡泊芬净反应中的保守作用
摘要 耳念珠菌是一种近期在世界范围内出现的耐多药人类真菌病原体。它可导致人类危及生命的播散性感染，死亡率高达 50%。其耐多药性和致病特性背后的分子机制尚不清楚。目前用于耳念珠菌基因组编辑的方法很少，所有这些方法都依赖于限制可进行的修改数量的选择标记。在这里，我们介绍了一种无标记的 CRISPR/Cas9 介导的耳念珠菌基因组编辑系统。利用该系统，我们成功删除了感兴趣的基因，然后在所有五个耳念珠菌进化枝的分离株中的天然位置重建它们。该系统还使我们能够引入精确的基因组编辑来创建翻译融合和单点突变。使用 Cas5 作为此系统的测试案例，我们发现 Cas5 在白色念珠菌和耳念珠菌之间的卡泊芬净反应中起着保守作用。总体而言，开发一种可在耳念珠菌中精确且简便地进行基因组编辑的系统，该系统可以以高通量的方式进行编辑，这是提高我们对这种重要的人类真菌病原体的了解的重要一步。
CEM500K，一种大规模的异质无标记的蜂窝电子显微镜图像数据集，用于深度学习
细胞电子显微镜（EM）数据集的抽象自动分割仍然是一个挑战。依靠利益区域（ROI）注释的监督深度学习（DL）方法产生了无法推广到无关数据集的模型。较新的无监督的DL算法需要相关的预训练图像，但是，当前可用的EM数据集的预培训在计算上是昂贵的，对于看不见的生物学环境的价值很小，因为这些数据集很大且同质。为了解决此问题，我们提出了CEM500K，这是一个敏捷的25 GB数据集，为0.5 10 6独特的2D蜂窝EM图像，该图像从近600个三维（3D）和10,000个二维（2D）图像中策划了> 100个无关的成像项目。我们表明，在CEM500K上预先训练的模型学习在生物学上相关且具有有意义图像增强的功能。至关重要的是，我们对这些预训练的模型进行了转移学习，并在六个公开可用和一项新得出的基准细分任务上评估了转移学习，并报告了每个模型的最新结果。我们发布了CEM500K数据集，预先培训的模型和策划管道，用于建立模型和EM社区的进一步扩展。数据和代码可在https://www.ebi.ac.uk/pdbe/emdb/empiar/entry/10592/和https://git.io/jlltz上获得。
引用本文：Iwori Takeda、Atsushi Yamada 和 Hiroshi Onodera (2020)：人工智能辅助医疗应用的动作捕捉：无标记和被动标记动作捕捉的比较研究，生物力学和生物医学工程中的计算机方法，DOI：10.1080/10255842.2020.1856372
摘要 我们的目的是确定人工智能 (AI) 辅助无标记运动捕捉软件是否有用在临床医学和康复领域。目前，尚不清楚人工智能辅助无标记方法是否可以应用于下肢功能障碍的个体，例如使用踝足矫形器或拐杖的人。然而，由于许多下肢瘫痪患者和足矫形器使用者在站立期失去跖趾 (MP) 关节屈曲，因此有必要估计固定 MP 关节运动下足部识别的准确性。使用 OpenPose（一种无标记方法）和传统的被动标记运动捕捉方法确定跑步机行走过程中的髋关节、膝关节和踝关节角度；并比较了两种方法的结果。我们还研究了踝足矫形器和拐杖是否会影响 OpenPose 的识别能力。通过被动标记法 (MAC3D)、OpenPose 和使用 Kinovea 软件的手动视频分析获得的髋关节和膝关节数据显示出显著的相关性。与 OpenPose 和 Kinovea 获得的踝关节数据（相关性强）相比，MAC3D 获得的踝关节数据相关性较弱。OpenPose 可以充分替代传统的被动标记运动捕捉，适用于正常步态和使用矫形器或拐杖的异常步态。此外，OpenPose 适用于 MP 关节运动受损的患者。使用 OpenPose 可以降低传统被动标记运动捕捉的复杂性和成本，而不会影响识别准确性。
无标记的深层次波长光学显微镜| dr-ntu
我们报告了未标记样品的深波长远端光学显微镜的实验证明。，我们通过记录从物体散射到远端的相干光的强度模式来击败常规光学显微镜的K /2衍射极限。我们通过深入学习的神经网络检索有关对象的信息，该神经网络对大量已知对象进行了散射事件的训练。显微镜通过概率地检索成像对象的尺寸。二聚体的亚波长度的宽度以K /10的精度测量，概率高于95％，精度为K /20，概率高于77％。我们认为，所报道的显微镜可以扩展到随机形状的对象，并且对已知形状的对象尤为有效，例如在机器视觉，智能制造和生命科学应用程序的粒子计数的常规任务中发现。