XiaoMi-AI文件搜索系统
World File Search System白质
研究发现 13 种与大脑衰老密切相关的蛋白质
魏程及其同事利用来自 10,949 名 45-82 岁健康成年人的多模态脑成像数据来研究脑老化的潜在指标。他们还利用英国生物库数据分析了近 5,000 人血浆中约 3,000 种蛋白质的浓度。作者确定了 13 种与脑生物老化密切相关的蛋白质，尤其是 Brevican（BCAN——一种中枢神经系统蛋白质）。血液中的 BCAN 和 GDF15 水平也与痴呆、中风和运动功能有关。
MotifDb：蛋白质-DNA 结合序列基序的注释集合
tbl.tfClassExample <- data.frame(motifName=c("MA0006.1", "MA0042.2", "MA0043.2"), chrom=c("chr1", "chr1", "chr1"), start=c(1000005, 1000085, 1000105), start=c(1000013, 1000092, 1000123), score=c(0.85, 0.92, 0.98), stringsAsFactors=FALSE) # 这里我们说明如何添加具有所需名称的列：tbl.tfClassExample$shortMotif <- tbl.tfClassExample$motifName tbl.out <- associateTranscriptionFactors(MotifDb, tbl.tfClassExample, source="TFClass", expand.rows=TRUE) dim(tbl.out) # 许多 tfs 已映射，主要是 FOX 家族基因 tbl.motifDbExample <- data.frame(motifName=c("Mmusculus-jaspar2016-Ahr::Arnt-MA0006.1", "Hsapiens-jaspar2016-FOXI1-MA0042.2", "Hsapiens-jaspar2016-HLF-MA0043.2"), chrom=c("chr1", "chr1", "chr1"), start=c(1000005, 1000085, 1000105), start=c(1000013, 1000092, 1000123), score=c(0.85, 0.92, 0.98),字符串因子=FALSE）
通过片段筛选发现TRF1-TIN2蛋白 - 蛋白质相互作用的第一类抑制剂
图2：X射线晶体学通过X射线晶体屏幕。（a）TRF1 TRFH单体的卡通表示，其1286 PANDDA事件被叠加为蓝色球体。每个循环数代表pandda配体结合位点。TIN2 TBM结合位点，站点6，以绿色突出显示。（b）19精制和叠加的TRF1 TRFH结构的卡通表示，其命中片段结合在TIN2 TBM结合位点中。（c）与B中相同的结构，但没有结合的片段命中，显示了与片段结合的四个关键残基的相对位置（R102，E106，Q127，R131）。（d）TRF1 TRFH -TIN2 TBM晶体结构（PDB 3BQO）13的卡通表示，其中四个残基与碎片结合在一起，显示为蓝色棒，而TIN2 TBM显示为洋红色棒。（e）TRF1 TRFH的R131与命中片段的酰胺组之间的H-键的示例（3）。（f）命中片段（6）的示例，其中一个halide组埋在TRF1 TRFH的亮氨酸袋中，用TIN2 TBM肽（PDB 3BQO）13叠加为卡通和L260。（g）TRF1 TRFH的R131与命中片段的芳基（13）之间的阳离子-PI相互作用的示例。（H）Xchem的晶体结构命中片段5与TRF1 TRFH结合，相邻的不对称单元以灰色显示。
使用 K. lactis 蛋白质表达试剂盒进行蛋白质表达 - pKLAC2 的线性化用于 K. lactis 的整合转化。| NEB
剩余的 pKLAC2 载体 DNA。克隆的基因必须不含 SacII 位点（或 BstXI 位点，如果用 BstXI 消化）才能产生正确的表达片段。无需从剩余的 pKLAC2 载体 DNA 中纯化表达片段
蛋白质 - 聚糖相互作用的原子级机器学习糖生物学中的蛋白质 - 聚糖相互作用和跨性识别
糖生物学中的跨性识别是生物学上常规蛋白质与生物聚糖的对映异构体之间的相互作用（例如，L蛋白与L-己糖结合的L蛋白质与L-Hexoses结合）与生命王国的生物体中的相互作用。通过对称性，它还描述了手性镜面蛋白与正常D-聚糖的相互作用。跨性识别的知识对于理解现有生命形式与人造镜像形式的潜在相互作用至关重要，但是目前已知的蛋白质 - 聚糖相互作用规则不足。为了构建一种学习这种相互作用的方法，我们构建了机器学习模型，以预测代表原子图的蛋白质和聚糖之间的结合强度，而不是单糖。基于聚糖的基于原子Q -gram和Morgan指纹（MF）表示，可以训练ML模型，以预测所有天然聚糖的聚糖，糖化化合物和对映异构体的凝集素结合特性。对此训练的关键是将不同的数据合并 - 某些数据与来自Glycan微阵列的相对荧光单元（RFU），而来自ITC的K d值的其他数据则是在特定的凝集素浓度下使用通用的“分数结合”参数F。MCNET是一个完全连接的神经网络体系结构，将MF和浓度（C）作为输入，并返回147个凝集素的F。MCNET的性能与Glynet模型相媲美，并且通过代理与其他最新的最先进的模型来预测蛋白质 - 聚糖相互作用的强度。MCNET有效预测了糖化化合物与甘叶蛋白1、3和7的结合。糖化化合物）。从基于单糖的描述中脱离，使MCNET可以预测跨性识别。我们使用液态聚糖阵列来验证一些预测，例如L-甘露糖与D-Mannose结合凝集素，纯化的CONA和DC-SIGN显示在细胞上的DC-SIGN以及L-MAN与半乳糖糖结合的凝集素的弱结合。MCNET的原子级输入使得从生活和非聚糖结构的所有王国中的各种聚糖中结合蛋白质 - 聚糖数据是可能的（例如，通用分数结合参数使得可以统一不同的定量观测值（K D / IC 50，RFU，色谱保留时间等）。我们认为，这种方法将有助于从不同的糖生物学数据集中合并知识，并预测与当前ML模型无法获得的不常见/不自然的聚糖的蛋白质相互作用。
发现心脏病核心的蛋白质结构
生物化学家伯恩森利用近两层楼高的低温电子显微镜发现了 ApoB100 的结构，随后，他的合著者、艺术与科学学院的物理学家卡西迪利用人工智能和密苏里大学名为 Hellbender 的高性能超级计算机的组合，绘制出了这种蛋白质更为详细的图像，这使得研究人员能够以创纪录的速度处理大量数据。
氮肥施用位置和施用量影响葵花籽产量、油和蛋白质含量
表 3.1. 2022 年和 2023 年南达科他州布鲁金斯、米勒和海莫尔整个生长季 (GP) 收集的每月降雨量和温度数据。 ........................................................................................................... 30 表 3.2. 东部和中部 SD 种植前的土壤物理和化学特性 ........................................................................................................................... 31 表 4.1. 2022 年和 2023 年南达科他州布鲁金斯、米勒和海莫尔向日葵生长度日（基准 6.7 °C）。 ........................................................................................................... 40 表 4.2. 2022 年和 2023 年布鲁金斯不同氮肥施用率和位置下的 V-10、R-8 阶段叶片叶绿素含量（2022 年）、R-1 和 R-5 阶段叶片叶绿素含量（2023 年）、植物高度（cm）和茎直径（mm）。 ........................................................................................... 46不同氮肥施用量下向日葵 V-10 阶段叶片叶绿素含量的放置分析 Brookings 2022。 ......................................................................................... 46 表 4.4. 不同氮肥施用量下向日葵株高（cm）、茎直径（cm）的放置分析 Brookings 2023。 ............................................................................................. 47 表 4.5. 不同氮肥施用量和放置条件下 V-10、R-8 阶段（2022）的叶片叶绿素含量，R-1、R-5 阶段（2023）的叶片叶绿素含量，植物高度（cm） Miller 2022 和 Highmore 2023................ 48 表 4.6. 不同氮肥施用量和放置条件下平均 NDVI 对 Brookings 2022 和 2023 的影响。 ............................................................................................. 51表 4.8. 2022 年和 2023 年 Miller 和 Highmore 不同 N 施肥量和位置对平均 NDVI 的影响。 ........................................................................................... 52 表 4.8. 2022 年 Brookings 和 2022 年 Miller 不同 N 施肥量对平均 NDVI 的影响的放置分析。 ........................................................................... 53 表 4.9. 2022 年和 2023 年 Brookings 不同 N 施肥量和位置下向日葵的头直径（cm）、百粒重（克）、种子产量（kg ha -1 ）、蛋白质浓度（g kg -1 ）、油浓度（g kg -1 ）和油产量（kg ha -1 ）。 ............................................................................. 64 表 4.10. 2022 年 Brookings 不同 N 施肥量下向日葵的产量（kg ha -1 ）和蛋白质浓度（g kg -1 ）的放置分析。 ........................................................... 65穗直径（厘米）、百粒种子重量（克）、种子产量（千克/公顷）、Miller 2022 和 Highmore 2023 在不同氮肥施用量和地点下向日葵的蛋白质浓度（g kg -1 ）油浓度（g kg -1 ）和油产量（kg ha -1 ）。 ............................................................................................................................. 66 表 4.12. 氮肥成本、葵花籽价格、经济最佳施氮量（EONR）。 ........................................................................................................................................... 67 表 4.13. Brookings 2022、Miller 2022、Brookings 2023 和 Highmore 2023 的收获后茎秆氮含量（kg ha -1 ）。 ........................................................................................... 69 表 4.14. Brookings 2022 和 2023 深度（0-15 和 15-30 cm）的收获后土壤 NO 3 µg g -1 和 NH 4 µg g -1。 ......................................................................................................... 71 Miller 2022 和 Highmore 2023 深度（0-15 和 15-30 cm）处收获后土壤 NO 3 (µg g -1 ) 和 NH 4 (µg g -1 )。............................................................................. 72
蛋白质电晕研究中的十年机器学习
纳米材料及其多种生物医学应用跨越了分子成像，在暴露于生物学环境的情况下会在蛋白质电动（PC）层的吸附。由复杂的相互作用形成的动态层，显着影响免疫识别，生物分布和纳米粒子毒性。传统的蛋白质组学方法，例如液相色谱 - 串联质谱法，有效但受到低通量，高成本和对专业知识的要求的限制。从聚合物评估期间无意的PC分析转变到对其在靶向药物中的作用的故意研究强调了对更有效的分析方法的需求。机器学习（ML）与PC研究的集成已成为有前途的解决方案。这种计算方法学从特定纳米颗粒上的特征蛋白质层数据集中学习，为传统方法提供了更简化和资源有效的替代方案。最近的研究强调了ML预测PC动力学和生物学效应的能力，在预测器官的积累模式中获得了明显的准确性。然而，仍然存在挑战，包括需要更大，更多样化的数据集，重大的计算需求以及生物学家，化学家和数据科学家之间跨学科合作的必要性。此外，标准化实验方案的开发对于确保整个研究的可重复性和可比性至关重要。道德考虑，例如在传统领域的潜在工作流离失所，例如化学，也值得谨慎关注，因为ML在该领域继续发展。总而言之，尽管ML显示出彻底改变PC研究的巨大潜力，但对方法论的进一步完善和跨学科的协作增强对于完全实现其在临床纳米医学中的应用至关重要。
基于靶向定量蛋白质组学的小肠药物转运蛋白和代谢酶的个体发育 Kiss, M.; Mbasu, Richard; Nicolai, J
儿童大部分药物为口服给药，但各年龄段儿童小肠药物代谢酶（DME）和药物转运体（DT）的蛋白质丰度信息仍不明确，这阻碍了儿童精准用药。为了探索 DME 和 DT 的年龄相关差异，收集了儿童和成人空肠和回肠手术剩余的肠组织，并通过靶向定量蛋白质组学分析了顶端钠 - 胆汁酸转运蛋白、乳腺癌耐药蛋白（BCRP）、单羧酸转运蛋白 1（MCT1）、多药耐药蛋白 1（MDR1）、多药耐药相关蛋白（MRP）2、MRP3、有机阴离子转运多肽 2B1、有机阳离子转运蛋白 1、肽转运蛋白 1（PEPT1）、CYP2C19、CYP3A4、CYP3A5、UDP 葡萄糖醛酸转移酶（UGT）1A1、UGT1A10 和 UGT2B7。分析了 58 名儿童（48 条回肠、10 条空肠，年龄范围：8 周至 17 岁）和 16 名成人（8 条回肠、8 条空肠）的样本。比较年龄组时，成人回肠中的 BCRP、MDR1、PEPT1 和 UGT1A1 丰度明显高于儿童回肠。空肠 BCRP、MRP2、UGT1A1 和 CYP3A4 丰度在
CSF蛋白质组学服务|数据表 - 智商生物
在来自ND和匹配的对照组患者的CSF的病例对照研究中，发现ND患者的CSF在CSF中显着增加了神经元损伤的关键生物标志物，包括神经丝链轻链蛋白和TAU蛋白（图6A）。重要的是，在ND患者的CSF中发现了数千种其他蛋白质（包括蛋白质成型和PTM）的其他蛋白质差异存在，揭示了潜在的新ND生物标志物或药物靶标（图6B）。