XiaoMi-AI文件搜索系统
World File Search System残基
3DPROTDTA：基于残基级蛋白图的药物目标亲和力预测的深度学习模型
准确预测硅中的药物目标亲和力（DTA）对于现代药物发现至关重要。在药物开发的早期阶段应用的DTA预测的计算方法，能够大大降低其成本。最近提出了基于机器学习的广泛方法进行DTA评估。它们最有前途的是基于深度学习技术和图形神经网络来编码分子结构。Alphafold做出的蛋白质结构预测的最新突破使得无前前数量的蛋白质，而没有实验定义的结构可用于计算DTA预测。在这项工作中，我们提出了一种新的深度学习DTA模型3DPROTDTA，该模型与蛋白质的图表结合使用了Alphafold结构预测。该模型优于其在通用基准数据集上的竞争对手，并且具有进一步改进的潜力。
确定榛子残基在Ordu，Türkiye
Ordu省是Türkiye的榛子生产的领导者，因此在榛子壳和果壳方面具有重要潜力。这项研究的目的是确定ORDU省的生物量潜力，以研究榛子废物的能源潜力，并使用地理信息系统提供可疑的数据库。通过收集有关榛子生产区域的地理分布的数据及其在ORDU省的生物量和能源生产的潜力，创建了一个数据库，允许空间查询。通过Geomedia Professional 6.1对此数据库进行了可视化和分析。确定生物量生产潜力最高的地区分别是中部省，ünye和Fatsa。此外，在2,321 GWH下计算了能量电位，这显着高于Ordu省的电力消耗，即1,375 GWH。结果表明，经济价值较低的榛子废物具有很高的生物量和能源生产潜力。使用榛子废物作为该地区的生物量，既可以促进可持续的能源生产，又可以通过使城市使用清洁能源来防止对化石燃料的依赖。
真核生物核糖体中药物结合残基的自然变异
标题 真核核糖体中药物结合残基的天然变异 作者 Lewis I. Chan 1,& 、Chinenye L. Ekemezie 1,& 、Karla Helena-Bueno 1 、Charlotte R. Brown 1 、Tom A. Williams 2,* Sergey V. Melnikov 1,* 附属机构 1 纽卡斯尔大学生物科学研究所，英国泰恩河畔纽卡斯尔，NE2 4HH 2 布里斯托尔大学生物科学学院，英国布里斯托尔，BS8 1TQ & 贡献相同 通讯 * 通讯地址：tom.a.williams@bristol.ac.uk 和 sergey.melnikov@newcastle.ac.uk 摘要 针对真核核糖体的药物作为研究工具和针对癌症、真菌和其他致病性的潜在疗法正变得越来越重要真核生物。然而，由于缺乏比较研究，我们目前不知道有多少真核生物拥有与人类相同的核糖体药物结合位点，以及有多少与人类有显著差异。目前，这种知识上的差距因真核生物基因组中存在假基因而加剧，由于我们无法区分真正的突变、假基因和测序伪影，使得这些比较分析具有挑战性。在本研究中，我们通过使用一种利用物种间进化关系的新方法解决了这个问题。使用这种方法，我们确定了 8,563 种代表性真核生物中 58 种核糖体药物结合残基的序列变体，追溯了这些变异的进化历史，从 20 亿年前真核生物的出现到它们随后分化成不同的谱系。出乎意料的是，我们发现酵母和人类（通常用作研究核糖体/药物相互作用的模型真核生物）与大多数其他真核生物不同，因为 rRNA 替换主要发生在动物和真菌中，但在大多数其他真核生物中不存在。此外，我们证明了以前在常见病原体利什曼原虫和疟原虫中发现的结构变异，这些变异被视为少数真核生物物种所特有的，但实际上为大量真核生物所共有。值得注意的是，一些真核生物谱系的核糖体药物结合位点与人类的差异比人类与细菌的差异更大。总体而言，我们的研究提供了真核生物核糖体药物结合位点进化的最完整概述（在单个物种、单个残基和单个药物的水平上），确定了与人类相比具有结构不同的核糖体药物结合位点的真核生物谱系。这些发现为利用核糖体靶向药物作为研究工具和开发针对真核寄生虫的谱系特异性抑制剂开辟了新的途径。
细菌核糖体中药物结合残基的进化分歧
摘要 针对细菌核糖体的药物在现代医学和兽医实践中被广泛用于治疗细菌感染和防止抗生素耐药性的传播。然而，大多数针对核糖体的药物研究仅限于少数模型生物。因此，我们不知道在模型细菌中观察到的核糖体药物结合位点是否像目前所暗示的那样在细菌中高度保守。在本研究中，我们使用一个简单但强大的计算流程来解决这个问题，该流程过滤掉罕见的变异和测序错误，以识别整个细菌生命树中核糖体药物结合位点的保守变化。这使我们能够评估来自 8,809 种细菌物种的 82 个细菌核糖体药物结合残基的保守性。对于这些残基中的每一个，我们追踪其在 40 多亿年的细菌历史中的进化。与核糖体药物结合残基高度保守的普遍看法相反，我们发现细菌门类在药物结合位点存在广泛的差异。此外，我们还发现，大约 10% 的细菌物种带有核糖体 RNA (rRNA) 替换，而这种替换此前仅在耐药细菌的临床分离株中观察到。总体而言，我们的工作表明，我们传统上将核糖体分为细菌和真核生物类型的方法过于简单且具有误导性，因为它忽略了广泛的谱系特异性变异，这些变异使得某些细菌的药物结合位点与大肠杆菌的差异比大肠杆菌与人类的差异更大。这些发现将对核糖体靶向抗生素的谱系特异性使用产生许多影响，这些抗生素目前被视为细菌蛋白质合成的通用抑制剂。
使用残基相互作用网络了解蛋白质功能和进化，并为设计新蛋白质
残基相互作用网络（RINS）提供了基于图的蛋白质相互作用网络的表示，从而对驱动蛋白质结构，功能和稳定性关系的因素提供了重要的见解。存在多种工具来执行RIN分析，考虑到不同类型的相互作用，输入（晶体结构，模拟轨迹，单蛋白或跨蛋白质的比较分析）以及格式，包括独立软件，Web服务器和Web应用程序应用程序界面（API）。尤其是，使用“ metarins”对蛋白质家族进行比较RIN分析的能力提供了一种有价值的工具，可以剖析蛋白质进化。反过来，这突出了热点，以避免（或目标）体外进化研究，提供了一个强大的框架，可以利用该框架为工程师新蛋白质。
基于残基号系统的S-box生成及其在AES中的应用用于图像加密
抽象 - 提供数据安全性现在比以往任何时候都更为重要，因为窃听者的目标和能力不断变化。因此，不同的开发人员正在创建使用各种创新技术的密码系统。标准密码（例如DES和AES）使用替换箱来确保数据的安全加密和解密。替换框（S-Box）是现代密码中用于保护数据的核心模块。这项研究引入了一种有效且直接的方法，该方法利用残基号系统（RNS）构建S-box。此外，AES算法使用生成的S-Box来加密数字图像。参数（例如熵，NPCR和UACI）有效地测量了所提出方法的安全性。绩效和比较研究的结果证实，所提出的S-box胜过现有方法，将其确立为在各种图像安全应用程序中使用加密使用的有力候选者。索引项-RNS，S-box，AES，图像加密，安全分析。
催化剂残基严重影响聚碳酸酯的热稳定性和降解机制：如何将缺陷变成机会
使用大环氧化物氧化物和CO 2合成了三个分子量的分子量碳酸盐），并使用大环苯二氧化二层二层型催化剂合成，并通过常规纯化程序纯化。与使用Salen Metal催化剂合成的分子量相似的聚（环己烯碳酸盐）相比，观察到大约100℃的热稳定性降低。这种降低源于二脂催化剂的痕迹，该催化剂能够促进聚（环己烯碳酸苯甲酸酯）对CO 2和氧化氧化物的解聚，与常规的逆向机制相比，该机制可导致环境碳酸盐。可以通过更改残留的二脂催化剂的量或包含具有官能基团的物种来精确调整降解的发作，从而可以减少催化中心的可用性。因此，通过改变催化剂和周围化学环境的浓度来控制聚（环己烯碳酸盐）的热稳定性的可能性为将这些聚合物用作高级应用中利益的材料中的组成部分铺平了道路。
基于残基号系统（RNS）的分布式量子添加
摘要 - Quantum Arithmetic facecent face face face of当前嘈杂的中间量表量子（NISQ）ERA量子计算机中的噪声和资源限制。我们建议使用分布式量子计算（DQC）通过将更高的深度量子添加电路替换为基于残基号系统（RNS）的量子模量加法器来克服这些局限性。基于RNS的分布式量子添加电路具有较低的深度，并分布在多个量子计算机/作业中，从而产生较高的噪声弹性。我们提出了基于RNS工具（QSMART）的量子上级模量，该量子可以基于多个因素（例如深度，范围和效率）生成RNS集合。我们还提出了一种新颖的量子设计设计的新设计，即Modulo（2 N + 1）加法器（QDMA），该设计形成了基于RNS的分布式量子添加和QSMART工具的关键部分。我们通过进行基于Quantinuum的H1 ION陷阱量子计算机建模的模拟基于残留的量子系统（RNS）的分布式量子添加的较高噪声弹性。我们的仿真表明，基于RNS的分布式量子添加的添加比6位至10位非分布式量子完整添加器的输出概率高11.36％至133.15％，表明噪声效率更高。此外，我们提出了一种可扩展的方法，可以实现比限制20量的量子范围H1更高的分布式量子添加方法。索引术语 - Quantum电路，量子计算，量子加法器，量子Modulo Adder，NISQ，FTQ
3DProtDTA：基于残基水平蛋白质图的药物靶标亲和力预测的深度学习模型
管道。在这方面，评估药物靶标结合能力 (DTA) 的计算方法非常有趣 4，因为 DTA 通常被认为是预测药物效果的最佳指标之一。准确预测 DTA 对于筛选出低效分子并防止其进入临床试验至关重要，因此近年来开发了大量计算 DTA 技术。最准确的 DTA 计算估计可以通过原子分子动力学模拟（经典、量子或混合）与计算配体结合自由能的现代技术之一相结合获得。5 然而，准确性是以非常高的计算需求为代价的，这使得这些方法通常不适用于大规模虚拟筛选。这就是为什么在现代药物发现中估计 DTA 的常用方法是分子对接，它在准确性和计算效率之间提供了合理的折衷。 6 然而，人们普遍认为，分子对接中使用的经验评分函数已经接近实际的准确度极限，如果不引入额外的计算负担，这一极限不太可能得到改善。为了解决这些缺点，开发了用于确定 DTA 的经典机器学习 (ML) 方法。这些方法不依赖于计算目标蛋白质和配体之间的物理相互作用。它们纯粹基于知识，依赖于类似配体倾向于