XiaoMi-AI文件搜索系统
World File Search System纤毛
评估初级纤毛的人工智能方法
纤毛是基于微管的细胞附属物，在许多哺乳动物细胞类型中充当多种信号通路的信号中心。纤毛长度高度保守、严格调节，在不同细胞类型和组织之间有所不同，并且直接影响其信号传导能力。例如，纤毛已被证明会响应纤毛 G 蛋白偶联受体的激活而改变其长度。然而，准确且可重复地测量大量纤毛的长度是一个耗时且劳动密集的过程。当前的方法也容易出错和产生偏差。人工智能 (Ai) 程序可用于克服许多这些挑战，因为它具有允许吸收、操纵和优化大量数据集的能力。在这里，我们证明可以训练 Ai 模块来识别体内和体外样本图像中的纤毛。在使用训练后的 Ai 识别纤毛后，我们能够设计并快速利用应用程序来分析单个样本中数百根纤毛的长度、荧光强度和共定位。这种无偏方法增强了我们在体外比较不同原代神经元样本以及动物体内和动物之间不同脑区样本时的信心和严谨性。此外，该技术可用于在多个样本和治疗组中以高通量方式可靠地分析任何细胞类型和组织的纤毛动力学。最终，随着大多数领域转向更少偏向和更可重复的图像采集和分析方法，基于人工智能的方法可能会成为标准。
人类寿命的脑纤毛转录组的动态变化
摘要：几乎所有的脑细胞都含有原发性纤毛，触角样微管感觉细胞器，它们在其表面上起着至关重要的作用。在神经发育阶段，纤毛对于大脑形成和成熟至关重要。在成人大脑中，纤毛作为接收和传递各种信号并调节细胞间通信的信号枢纽的重要作用。这些独特的作用表明纤毛的功能以及可能在整个人类寿命中发生变化。为了进一步了解纤毛角色的年龄依赖性变化，我们识别并分析了整个人类寿命中纤毛结构和功能成分表达的年龄依赖性模式。，我们从勃雷恩斯潘潘特（Brainspan Atlas）获得了16个大脑区域的纤毛转录组数据，并通过计算回归系数，使用线性回归模型分析了年龄依赖性的表达模式。我们发现，在至少一个大脑区域中，有67％的纤毛转录本与年龄（DEGA）差异表达。年龄依赖性的表达是区域特异性的，在腹外侧前额叶皮层和海马中分别表达的DEGA数量最高和最低。大多数大脑区域的大多数纤毛dega都会随着年龄的增长而表现出上调。编码纤毛基底体成分的转录本构成了大多数纤毛degas，相邻的脑皮质表现出很大的重叠成对的cilia degas。α /β-微管蛋白和SNAP-25表达在与年龄相关的神经发育和神经退行性疾病中的失调。最引人注目的是，特定的α /β -tubulin亚基（TUBA1A，TUBB2A和TUBB2B）和SNAP -25分别在几乎所有大脑区域的年龄范围内分别显示出最高的下调和上调率。我们的结果支持整个生命周期中纤毛结构和功能成分的高动力学在脑回路的正常生理学中的作用。此外，他们提出了纤毛信号传导在与年龄相关的精神病/神经系统疾病的病理生理机制中的关键作用。
原发性纤毛通过Wnt信号通路促进人类神经元的分化
此预印本版的版权持有人于2021年9月23日发布。 https://doi.org/10.1101/2021.09.20.460996 doi：Biorxiv Preprint
纤毛视频显微镜 - HAL-Inserm
摘要：原发性纤毛运动障碍 (PCD) 是一种罕见的遗传性纤毛病，患者的呼吸道纤毛静止或运动障碍。PCD 的临床表现非常不具特异性，因为它包括上呼吸道（耳炎和鼻窦炎）和下呼吸道（新生儿呼吸窘迫、支气管炎、肺炎和支气管扩张）的感染和疾病，始于生命早期。仅凭临床检查无法诊断 PCD，这依赖于几种一致的测试，因为单独使用任何一种都不够敏感或特异。尽管数字高速视频显微镜 (DHSV) 是诊断 PCD 最敏感和特异的测试，但它还不够标准化，因此无法完全放心地将其用作 PCD 的确认诊断测试，或将其纳入诊断算法中。自 2017 年 ERS 提出 PCD 诊断建议以来，为了优化 DHSV 纤毛摆动评估，仍有三个主要问题需要解决：定义准确的灵敏度和特异性的问题，因为没有诊断所有 PCD 病例的金标准方法，处理呼吸道样本的操作程序缺乏标准化，以及测量参数的选择（是否自动操作）。开发新的自动化分析方法很有前景，需要进行全面的临床验证。
R环形成的机制和Cas9 的构象激活 原发性纤毛通过Wnt信号通路促进人类神经元的分化 使用方向性和可扩展深度阵列传感局部场电位：disc 增加对免疫检查点抑制剂的反应增加了饮食中的蛋氨酸限制 有效的CRISPR/CAS12A基于甲虫中代谢工程的基因组编辑工具箱
。cc-by-nc-nd 4.0国际许可证。是根据作者/资助者提供的预印本（未经Peer Review的认证）提供的，他已授予Biorxiv的许可证，以在2021年9月16日发布的此版本中在版权所有者中显示预印本。 https://doi.org/10.1101/2021.09.16.460614 doi：biorxiv Preprint
开发和纤毛功能需要剪接因子SRSF1的核总质班
抽象的穿梭RNA结合蛋白协调基因表达的核和细胞质步骤。SR家族蛋白调节细胞核中的RNA剪接，其中包括SRSF1（包括SRSF1）的子集，核和细胞质之间的穿梭，影响后切割过程。然而，这一点的生理意义尚不清楚。在这里，我们使用基因组编辑来敲入SRSF1中的核保留信号（NRS），以创建具有仅保留在细胞核中的SRSF1蛋白的小鼠模型。srsf1 NRS/NRS突变体显示出小体型，脑积水和免疫力精子，这些特征与纤毛缺陷有关。我们观察到了一部分mRNA的子集的翻译减少，并降低了参与多重生成的蛋白质的丰富度，并且在该小鼠模型中得出的细胞和组织中纤毛超微结构和运动性的破坏。这些结果表明，如此处观察到的，在高细胞需求的背景下，在高细胞需求的背景下，SRSF1穿梭用于重新编程基因表达网络。
评估初级纤毛的人工智能方法
纤毛长度是保守的、严格调控的，在不同细胞类型和组织之间有所不同，并且直接影响它们的信号传导能力。例如，纤毛已被证明会响应纤毛 G 蛋白偶联受体的激活而改变其长度。然而，准确且可重复地测量大量纤毛的长度是一个耗时且劳动密集的过程。当前的方法也容易出错和产生偏差。人工智能 (Ai) 程序可用于克服许多这些挑战，因为它具有允许同化、操纵和优化大量数据集的能力。在这里，我们证明可以训练一个 Ai 模块来识别体内和体外样本图像中的纤毛。在使用训练过的 Ai 识别纤毛后，我们能够设计和快速使用应用程序来分析单个样本中数百个纤毛的长度、荧光强度和共定位。这种无偏方法增加了我们在体外比较不同原代神经元制剂样本以及动物体内和动物之间不同大脑区域样本时的信心和严谨性。此外，该技术可用于以高通量方式可靠地分析来自任何细胞类型和组织的纤毛动力学，涵盖多个样本和治疗组。最终，随着大多数领域转向更少偏见和更可重复的图像采集和分析方法，基于人工智能的方法可能会成为标准。
符合 ACMG/AMP 纤毛病临床变异解释指南的 CRISPR 和高内涵成像检测
摘要 纤毛病是一种广泛的遗传性发育和退行性疾病，与运动纤毛或原发性非运动纤毛的结构或功能缺陷有关。已知的纤毛病致病基因约为 200 种，虽然基因检测可以提供准确的诊断，但接受基因检测的纤毛病患者中有 24-60% 并未得到基因诊断。部分原因是，根据美国医学遗传学学院和分子病理学协会的现行指南，很难对由错义或非编码变异引起的疾病做出可靠的临床诊断，而这些变异占疾病病例的三分之一以上。PRPF31 突变是退行性视网膜纤毛病常染色体显性视网膜色素变性的第二大常见病因。在这里，我们提出了一种高通量高内涵成像检测方法，可定量测量 PRPF31 错义变异的影响，符合最近发布的临床变异解释基线标准体外测试标准。该检测利用了使用 CRISPR 基因编辑生成的新型 PRPF31 +/– 人视网膜细胞系，以提供具有明显更少纤毛的稳定细胞系，其中表达和表征了新的错义变体。我们表明，在零背景下表达纤毛病基因错义变体的细胞的高内涵成像可以根据纤毛表型表征变体。我们希望这将成为临床表征意义不明确的 PRPF31 变体的有用工具，并可以扩展到其他纤毛病中的变体分类。
利用流体动力在大脑中牵引哺乳动物运动纤毛
运动纤毛广泛分布于动物和植物界，表现出对其生理至关重要的复杂集体动力学。它们的协调机制尚不明确，之前的研究主要集中在藻类和原生生物上。我们在此研究脑室多纤毛细胞中纤毛摆动的牵引。对受控振荡外部流的响应表明，与主动摆动的纤毛频率相似的流动可以牵引纤毛振荡。我们发现这种牵引所需的水动力在很大程度上取决于每个细胞的纤毛数量。与最近在衣藻中观察到的情况相反，纤毛较少的细胞（最多五个）可以在与纤毛驱动流相当的流量下被牵引。实验趋势通过一个模型定量描述，该模型考虑了密集纤毛的流体动力学筛选和鞭毛摆动的化学机械能量效率。纤毛与流体动力学相互作用的最小模型的模拟显示出在纤毛中观察到的相同趋势。