XiaoMi-AI文件搜索系统
World File Search System聚偏
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。
聚多巴胺聚合物性质的直接证据
受贻贝黏附蛋白的启发，聚多巴胺 (pDA) 已成为最广泛使用的材料表面功能化方法之一，部分原因是将 pDA 薄膜浸入多巴胺的碱性水溶液中后，大多数材料上都会沉积一层多功能、简单和自发性薄膜。然而，过去十年来，pDA 在表面改性方面的快速应用与人们对 pDA 成分的了解速度缓慢形成了鲜明对比。人们为阐明这种迷人材料的形成机制和结构进行了无数次尝试，但几乎没有达成共识，这主要是因为 pDA 具有不溶性；这使得大多数传统的聚合物分子量表征方法都无效。[1] 在这里，我们采用了非传统的单分子力谱 (SMFS) 方法来表征 pDA 薄膜。将涂有 pDA 的悬臂从氧化物表面拉回时，会显示出聚合物的特征，轮廓长度可达 200nm。 pDA 聚合物在其大部分轮廓长度上通常与表面结合较弱，偶尔会出现“粘性”点。我们的研究结果为 pDA 的聚合物性质提供了第一个直接证据，并为理解和调整其物理化学性质奠定了基础。
过滤应用的聚烯酸溶液
深度过滤方法用于水处理和空气净化以及许多其他行业，例如食品加工和药品。这是一种高效的方法，因为它的适应性和捕获从Ultrafine（<0.1 µm）到细细的粒径的能力（≥0.1-<2.5 µm）和粗糙（≥2.5 - 10 µm）。深度过滤的主要特征是它使用多孔层的使用，这些多孔层将颗粒捕获整个滤清器材料，而不仅仅是在表面上。此设计允许深度过滤器在堵塞之前捕获更大体积的颗粒。非织造对于深度过滤是有利的，因为颗粒不仅在表面上，而且在基质本身内捕获。纤维的随机排列通过它们无法逃脱的曲折路径迫使颗粒。
从二维或三维荧光图像对小鼠脑内皮网络进行无偏分析
尽管关于血管和神经网络之间关系的知识正在逐渐被人们所了解，但神经系统疾病的神经中心方法通常导致人们对脑成熟和疾病中脑血管重塑的理解有限。然而，越来越多的证据支持内皮缺陷对神经系统疾病的发生和/或进展有贡献，包括但不限于阿尔茨海默病、多发性硬化症和自闭症谱系障碍。5 – 11 因此，迫切需要实施开源和标准化方法，以便在实验室模型中对脑血管结构进行系统和高通量分析。我们提出了一种简单、可靠且廉价的方案，旨在对固定组织上的小鼠脑内皮网络进行免疫染色，然后进行光学切片荧光，使用计算机方法处理二维或三维 (2D 或 3D) 数字图像。该方案提供了一种无偏量化脑血管结构重要指标的方法。
从二维或三维荧光图像对小鼠脑内皮网络进行无偏分析
尽管关于血管和神经网络之间关系的知识正在逐渐被人们所了解，但神经系统疾病的神经中心方法通常导致人们对脑成熟和疾病中脑血管重塑的理解有限。然而，越来越多的证据支持内皮缺陷对神经系统疾病的发生和/或进展有贡献，包括但不限于阿尔茨海默病、多发性硬化症和自闭症谱系障碍。5 – 11 因此，迫切需要实施开源和标准化方法，以便在实验室模型中对脑血管结构进行系统和高通量分析。我们提出了一种简单、可靠且廉价的方案，旨在对固定组织上的小鼠脑内皮网络进行免疫染色，然后进行光学切片荧光，使用计算机方法处理二维或三维 (2D 或 3D) 数字图像。该方案提供了一种无偏量化脑血管结构重要指标的方法。
典型相关分析和偏最小二乘法识别大脑行为关联：教程和比较研究
摘要典型相关分析 (CCA) 和偏最小二乘 (PLS) 是用于捕捉两种数据模态（例如大脑和行为）之间关联的强大多元方法。然而，当样本量类似于或小于数据中的变量数量时，标准 CCA 和 PLS 模型可能会过度拟合，即发现无法很好地推广到新数据的虚假关联。已经提出了 CCA 和 PLS 的降维和正则化扩展来解决此问题，但大多数使用这些方法的研究都有一些局限性。这项工作对最常见的 CCA/PLS 模型及其正则化变体进行了理论和实践介绍。我们研究了当样本量类似于或小于变量数量时标准 CCA 和 PLS 的局限性。我们讨论了降维和正则化技术如何解决这个问题，并解释了它们的主要优点和缺点。我们重点介绍了 CCA/PLS 分析框架的关键方面，包括优化模型的超参数和测试已识别的关联是否具有统计意义。我们将所描述的 CCA/PLS 模型应用于来自人类连接组计划和阿尔茨海默病神经成像计划的模拟数据和真实数据（n 均为 .500）。我们使用这些数据的低维和高维版本（即样本大小与变量之间的比率分别在 w 1 – 10 和 w 0.1 – 0.01 范围内）来展示数据维数对模型的影响。最后，我们总结了本教程的关键课程。