XiaoMi-AI文件搜索系统
World File Search System聚丙烯酸
甲氧基丙烯酸酯类杀菌剂和其他线粒体毒物对神经嵴细胞迁移的抑制
摘要：具有表型读数的细胞测试方法经常用于毒性筛选。但是，缺少关于如何验证命中结果以及如何将此信息与其他数据整合以进行风险评估的指导。我们在此介绍此类程序，并以基于神经嵴细胞 (NCC) 的吡氧菌酯发育毒性案例研究为例。在 UKN2 检测中筛选了一个潜在环境毒物库，该检测同时测量 NCC 中的迁移和细胞毒性。几种被称为线粒体呼吸链复合物 III 抑制剂的甲氧基菌酯杀菌剂成为特定命中结果。从这些中，吡氧菌酯被选为从基于细胞的测试到毒理学预测的路线图的典范。经过严格的确认测试，开发了一条不良结果途径以提供可测试的毒性假设。机制研究表明，在 24 小时预暴露后，氧消耗率在亚 µ M 浓度的啶氧菌酯下受到抑制。在迫使细胞依赖线粒体的测定条件下，迁移在 100 nM 范围内受到抑制。生物动力学模型用于预测细胞内浓度。假设口服啶氧菌酯，与可接受的每日摄入量一致，基于生理的动力学模型表明大脑浓度可能达到 0.1–1 µ M。利用这种广泛的危害和毒代动力学数据，我们计算出最低体外出发点和最高预测组织浓度之间的暴露范围≥80。因此，我们的研究体现了一种命中跟踪策略，并为下一代风险评估铺平了道路。
浸泡在草药假牙清洁剂中的丙烯酸假牙基托的表面粗糙度
牙齿脱落是指一颗或多颗牙齿从牙槽和支撑结构中脱落的状况 [1]。导致牙齿脱落的常见因素包括龋齿、牙周病、外伤和正畸拔牙 [2]。这种情况会导致功能、美观和社会障碍，最终影响个人的生活质量 [3]。使用假牙是治疗牙齿脱落的主要解决方案之一。假牙是一种由基托和人造牙齿组成的医疗器械，旨在取代口腔内的硬组织和软组织结构 [4]。丙烯酸是假牙基托最常用的材料，因为它具有良好的物理特性、美观、易于制造和灵活性 [5]。然而，丙烯酸假牙基托具有高孔隙率，这有利于牙菌斑的积聚 [4]。假牙佩戴者体内的牙菌斑积聚与假牙性口炎风险增加有关 [6]。假牙性口炎的特征是炎症和红斑，边缘弥漫或局限性
多尺度自动调整半监督深度子空间聚类及其在脑肿瘤聚类中的应用
在本文中，我们介绍了一种新颖的多尺度和自动调整的半监督深度子空间聚类（MAS-DSC）算法，旨在解决高维现实世界数据（特别是在医学成像领域）中深度子空间聚类的挑战。传统的深度子空间聚类算法大多是无监督的，其有效利用医学图像中固有的先验知识的能力有限。我们的 MAS-DSC 算法结合了半监督学习框架，使用少量标记数据来指导聚类过程，从而增强了特征表示的判别能力。此外，多尺度特征提取机制旨在适应医学成像数据的复杂性，从而实现更准确的聚类性能。为了解决深度子空间聚类中超参数选择的困难，本文采用贝叶斯优化算法来自适应调整与子空间聚类、先验知识约束和模型损失权重相关的超参数。在ORL、Coil20、Coil100等标准聚类数据集上进行的大量实验验证了MAS-DSC算法的有效性。结果表明，通过多尺度网络结构和贝叶斯超参数优化，MAS-DSC在这些数据集上取得了优异的聚类结果。此外，在脑肿瘤数据集上的测试证明了该算法的鲁棒性，以及其在半监督学习框架下利用先验知识进行高效特征提取和增强聚类性能的能力。
在体外评估聚乙胺的纳米插曲 -
有效的基因疗法依赖于有效的基因递送系统。病毒基因递送在转移和表达外部基因方面表现出色。但是，它们的免疫力和大规模生产的困难限制了其临床应用。相比之下，由于免疫原性较小，对大规模生产的便利性，基于纳米颗粒的基因递送系统的注意力越来越多。然而，与病毒系统相比，它们的转染效率差仍然是一个重要的障碍。在主题研究中，我们研究了在HEK293T，CALU-3，CALU-6细胞系和原代人骨髓间充质干细胞（MSC）中，我们调查了PEI涂层石墨烯氧化物的转染效率。氧化石墨烯的高表面比和良好的生物相容性使其成为基因递送系统的吸引力。但是，在水性环境中氧化石墨烯的低分散性是需要征服的第一个障碍。为此，我们通过在pH值为7的pH值中超声超声来增强水中氧化石墨烯在水中的分散性和稳定性。然后，将氧化石墨烯与分支PEI（25 kDa）偶联以具有局部电荷，从而使其能够将其凝结为具有天然负潜能的核酸。我们合成的纳米载体（GO-PEI）的生理化学特性由DLS，FT-IR和AFM确定。多聚体中使用的质粒包含GFP基因，从而使我们能够通过荧光显微镜和流式细胞体 - 尝试验证转染效率。虽然GO-PEI载体在转染HEK293T细胞方面高效，但MSC和Calu-3细胞的转移效率明显低。我们假设这些细胞中GO-PEI转染效率较低的主要原因是由于其较高的毒性。尽管如此，考虑到氧化石墨烯在药物输送中的各种优势以及其在生物医学中的光学和电气应用，我们建议用更具生物相容性材料功能化氧化氧化烯，以增强其作为这些细胞类型中基因载体的潜力。
神经形态在线聚类和分类
神经形态架构的底部两层经过设计，并被证明能够进行在线聚类和监督分类。使用主动脉冲树突模型，单个树突段执行的功能与经典的积分和激发点神经元基本相同。然后，单个树突由多个段组成，并能够进行在线聚类。虽然这项工作主要侧重于树突功能，但可以通过组合多个树突来形成多点神经元。为了展示其聚类能力，树突被应用于脉冲分类——脑机接口应用的重要组成部分。监督在线分类被实现为由多个树突和简单投票机制组成的网络。树突独立且并行地运行。网络以在线方式学习，并能适应输入流中的宏观变化。
聚（ADP-核糖）聚合酶-1（PARP-1）抑制
ETS 转录因子是一个蛋白质家族，由一组在从后生动物到人类的进化过程中保守的基因编码 [1,2]。迄今为止，已在脊椎动物中描述了该家族的 28 个成员，分为 12 组 [3]。这些转录因子的特点是具有一个高度保守的有翼螺旋-转角-螺旋 DNA 结合域 (DBD)，该域可识别位于靶基因启动子中的具有中央 5′-GGA(A/T)-3′ 核心的特定 DNA 元素，称为 ETS 结合位点 (EBS)。尽管所有 ETS 家族成员都共享相同的 DBD，但每个 ETS 转录因子都有自己的 DNA 结合特性，这些特性受到严格控制以确保特定的生物学作用。具体而言，ETS 转录因子的 DNA 结合特性可通过以下方式彼此区分：(i) EBS 序列识别的细微差异 [4]、(ii) 与不同结合伙伴的特异性相互作用，或 (iii) 调节其对 DNA 亲和力的差异性翻译后修饰 [3]。尽管如此，ETS 转录因子在许多细胞类型（例如造血细胞、乳腺和前列腺组织）中广泛共表达，并且这些细胞中每种因子的生物学特异性仍不清楚 [3]。
有向图和无向图的广义谱聚类
谱聚类是聚类无向图的一种常用方法，但将其扩展到有向图（有向图）则更具挑战性。一种典型的解决方法是简单地对称化有向图的邻接矩阵，但这可能会导致丢弃边方向性所携带的有价值信息。在本文中，我们提出了一个广义的谱聚类框架，可以处理有向图和无向图。我们的方法基于一个新泛函的谱松弛，我们将其引入为图函数的广义狄利克雷能量，关于图边上的任意正则化测度。我们还提出了一种由图上自然随机游走的迭代幂构建的正则化测度的实用参数化。我们提出了理论论据来解释我们的框架在非平衡类别的挑战性设置中的效率。使用从真实数据集构建的有向 K-NN 图进行的实验表明，我们的图分区方法在所有情况下均表现良好，并且在大多数情况下优于现有方法。
肉桂酸酯聚噻吩薄膜的电子束光刻
依靠双光子过程来实现高分辨率，因此需要在写入焦点处具有高激光强度。因此，DLW 需要材料具有高光学透明度。这排除了大多数有机半导体的 DLW，因为它们由于电荷传输 p 电子系统而固有地带有颜色。相反，电子束光刻 (EBL) 的高分辨率为光处理的微型设备提供了机会。当用电子照射时，有机薄膜会交联并发生局部溶解度的变化。9,10 Persson 等人用 EBL 构造聚（3-辛基噻吩），并用氯化铁 (III) 掺杂所得结构。11 Hikmet 等人图案化聚（对苯乙烯基）衍生物 (PPV) 用于多色有机发光二极管 (OLED)。9 在
可降解聚内酯聚合物（PCL）的制备...
磁性纳米粒子主要用于医学进步、化学疗法和专门的组织修复以进行靶向药物输送。在本研究中，首先制备并鉴定了磁性铁纳米粒子。然后，合成了可生物降解的聚丙烯己内酯-聚乙二醇 PCL-PEG1000-PCL 共聚物。采用含磁性纳米粒子的共聚物通过溶剂蒸发法制备阿霉素纳米粒子。使用 VSM、FT-IR、UV-vis、1 H-NMR 和 SEM 来确定共聚物纳米粒子的结构特性。通过上述表征方法确认了 PCL-PEG1000-PCL 三重嵌段共聚物的合成以及阿霉素和铁纳米粒子的包封。所得纳米粒子具有超顺磁性，药物包封率约为 95%。研究了 pH 和热量对药物释放曲线的影响。结果表明，合成的共聚物适用于阿霉素和铁纳米粒子的包封，可作为新型纳米结构载体有效递送抗癌药物。结果表明，由于磁性纳米粒子和共聚物的特性，它们可用于靶向药物递送。
量子密度峰聚类算法
聚类分析起源于分类学，是人类掌握的一门古老技能。过去，人们依据经验和专业知识对商品进行分类。随着现代社会的发展，人们对分类的要求越来越高[1,2]，仅依据经验和专业知识的分类已逐渐被淘汰，现在计算机技术被用于聚类分析，使用算法解决庞大而复杂的聚类任务[3,4]。因此，聚类算法已被提出并应用于各种场合[5,6]。此外，我们生活的海量数据世界也使得聚类过程不可或缺。许多研究领域都面临着海量数据的问题[7,8]。如果没有聚类或数据降维等预处理，很难进行后续分析[9–11]。例如在机器学习领域，几乎所有重要算法的原始入口都是大量的大规模数据，如果不进行聚类或降维，这些数据很难得到利用[12–14]。在量子通信领域，量子通信设备仅供应给少数几家大公司，量子通信中的很多方可能都是经典的，聚类算法可以帮助通信方更便捷地处理传输的信息[15–17]。在数据降维方面，我们熟悉的主成分分析算法（PCA）[18]、多维缩放（MDS）、线性判别（LDA）、局部线性嵌入（LLE）等[19–22]。但降维算法不可避免地会降低数据的属性值，如果操作不当，数据就会失去准确性，结果就会出现偏差，而使用聚类算法可以避免此类问题。目前，聚类算法可以按以下方式划分。基于分区的聚类算法包括 K 均值 [23]、K 中值 [24] 和核 K 均值算法 [25]。基于层次的聚类算法包括 BIRCH、CURE 和 CHAMELEON 算法 [26]。基于密度的聚类算法包括 DBSCAN、均值漂移 (MS) [27] 和密度峰值聚类算法 (DPC) [28]。每种算法都具有不同的分类能力。