XiaoMi-AI文件搜索系统
World File Search System聚酐
CRISPR Cas9 编辑多聚半乳糖醛酸酶 FaPG1 ...
硬度是草莓最重要的果实品质性状之一。这种软果实采后保质期在很大程度上受到硬度损失的限制，而细胞壁的分解起着重要作用。先前的研究表明，多聚半乳糖醛酸酶 FaPG1 在草莓软化过程中对果胶的重塑起着关键作用。在本研究中，使用农杆菌传递的 CRISPR/Cas9 系统生成了 FaPG1 敲除草莓植株。获得了 10 个独立品系 cv.“Chandler”，经 PCR 扩增和 T7 内切酶测定确定所有品系均已成功编辑。使用靶向深度测序分析了定向诱变插入和删除率。编辑序列的百分比从 47% 到几乎 100% 不等，其中 7 个选定品系的编辑序列百分比高于 95%。表型分析表明，在所分析的 8 个品系中，有 7 个品系产生的果实明显比对照更坚硬，硬度增加了 33% 到 70%。 FaPG1 编辑程度与果实硬度增加呈正相关。其他果实品质特征（如颜色、可溶性固体、可滴定酸度或花青素含量）的变化很小。编辑后的果实在采后软化率降低，蒸腾水分损失减少，受灰葡萄孢菌接种的损害较小。对四个潜在脱靶位点的分析未发现突变事件。总之，使用 CRISPR/Cas9 系统编辑 FaPG1 基因是提高草莓果实硬度和保质期的有效方法。
聚氧化乙烯/羟基磷灰石 3D 支架 Bin ...
版权所有 © 20XX John Wiley & Sons Ltd. 代表美国陶瓷学会。保留所有权利。这是以下文章的同行评审版本：万古霉素负载聚己内酯/聚氧化乙烯/羟基磷灰石 3D 支架的直接墨水书写，最终版本已在 https://doi.org/10.1111/jace.18048 上发布。本文可根据 John Wiley & Sons Ltd 的自存档条款和条件用于非商业目的。
卵巢癌中的聚（ADP-核糖）聚合酶抑制剂的抗性
卵巢癌（OC）是最常见的妇科恶性肿瘤之一。OC的预后最差和死亡率最高。根据美国癌症协会（Siegel等，2022年）的数据，仅在2022年，仅在2022年就估计了超过19,000例新的OC和12,000例死亡。oc是女性中第七种最常见的恶性肿瘤类型，也是全球死亡率的第八个原因（Gaona-Luviano等，2020）。早期患者的预后更好，但大多数患者在晚期阶段被诊断出来。上皮OC在晚期患者中约为80％。手术伪造和基于铂的化学疗法（例如卡铂和紫杉醇）是一线治疗方案。然而，这些治疗的长期结果并不令人满意。DNA损伤修复缺陷存在于各种肿瘤细胞中。这是肿瘤起始和肿瘤疗法的机制之一。由BRCA基因编码的蛋白质与通过同源重组（HR）途径的DNA双链损伤有关。乳腺癌1/2基因（BRCA1/2）以及其他参与同源重组修复（HRR）基因突变或功能可能会导致同源重组率（HRD），从而导致细胞中的恶性转化（Chiappa等，2021）。parpi已成为OC的分子靶向治疗策略。研究表明，Parpis可以显着改善OC的自由生存（PFS）和总生存率（OS），尤其是在新诊断和通过“综合杀伤力”机制，聚（ADP-核糖）聚合酶抑制剂（PARPI）阻止HRD肿瘤细胞中DNA单链断裂的修复，积累了大量DNA双链链破裂（DSB）（DSB），导致肿瘤细胞的死亡，从而表现出肿瘤的死亡，从而表现出抗肿瘤的死亡。 Al。，2021）。
共识聚类，用于鲁棒生物信息学分析
聚类在多种生物信息学应用中起重要作用，包括蛋白质功能预测，种群遗传学和基因表达分析。大多数聚类算法的结果对输入数据的变化，聚类算法及其参数和各个数据集敏感。共识聚类（CC）是聚类算法的扩展，旨在从上述变化来源下不变的那些群集特征构建强大的结果。作为CC的一部分，稳定性得分可以提供所得聚类的可靠性程度的概念。本综述将CC在文献中介绍为三种主要类型，介绍并说明了稳定分数的概念，并说明了在应用中使用CC来模拟和现实的基因表达数据集。Open-source R implementations for each of these CC algorithms are available in the GitHub repository: https://github.com/behnam-yousefi/ConsensusClustering Keywords: Consensus clustering, Ensemble clustering, Robustness, Generation mechanism, Stability score
基于非特征的EEG序列聚类置换分析
基于聚类的置换检验广泛用于神经科学研究中，用于分析高维脑电图 (EEG) 和事件相关电位 (ERP) 数据，因为它可以解决多重比较问题而不会降低统计功效。然而，经典的基于聚类的置换分析依赖于参数 t 检验，如果数据分布不正态，则可能无法验证其假设，因此可能需要考虑其他选择。为了克服这一限制，我们在此介绍了一种基于非参数 Wilcoxon-Mann-Whitney 检验的 EEG 序列聚类置换分析新软件。我们在两个独立的 ERP 和 EEG 频谱数据集中测试了 t 检验和非参数 Wilcoxon 实现：虽然基于 t 检验和基于非参数 Wilcoxon 的聚类分析在 ERP 数据的情况下显示出相似的结果，但 t 检验实现无法在频谱数据的情况下发现聚类效应。我们鼓励使用非参数统计数据对 EEG 数据进行聚类置换分析，并且我们为此计算提供了一个公开可用的软件。© 2022 作者。由 Elsevier BV 出版这是一篇根据 CC BY-NC-ND 许可开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
聚脱氧核糖核苷：一种有希望的皮肤抗衰老剂
1。简介（PDRN）由精子细胞Deonorhynchus mykiss（鲑鱼鳟鱼）Oronchorhynchus keta（鲑鱼朋友）的DNA片段衍生物组成。6 PDRN化学结构由低分子量DNA组成，范围为50至1,500 kDa。它由脱氧纤维核苷酸的线性聚合物与磷酸二酯键，其中单体单位由嘌呤和嘧啶核苷酸代表。这些聚合物链创建了双螺旋桨形的空间结构。提取和纯化过程允许恢复超过95％的纯物质。这对于确保绝对缺乏免疫反应很重要。精子是高度纯化DNA提取的最合适的来源，而没有杂质的风险，例如肽，蛋白质和脂质。6在临床实践中引入PDRN并不是什么新鲜事物，其惊人的治疗作用包括抗炎，抗凋亡，抗骨质疏松性，抗骨质，抗质发生，抗肾上腺素，抗替代性，抗稳态，抗稳态，骨再生剂，组织，组织，抗囊性损伤。，伤口的愈合和疤痕的预防作用（图1）。7–16
文化遗产保护的新的可持续聚合物和低聚物
石墨烯尚未被视为这些应用的理想电极材料。在当代研究中，人们普遍承认，将缺陷引入石墨烯的结晶晶格是一种有效的策略，可以增强这种出色的碳同质同种异体的HET活性。7,8尽管确切的潜在机制仍然是正在进行的侵犯的主题，但通常认为缺陷工程（表示缺陷的精确和定量调节）可能会破坏高度离域的p-互共轭系统。这种破坏反过来导致在费米水平附近的状态（DOS）的局部电子密度增加，从而增强了石墨烯在催化过程中的反应性。9 - 11缺陷工程中的一个著名大道需要增加石墨烯中的内在缺陷，包括边缘站点，空缺，孔和拓扑缺陷。这些内在缺陷因其增加活性位点的密度的潜力而被认可，从而提高了石墨烯的HET活性。12到达这一目标，已经提出了各种策略，包括通过微型加工制造石墨烯纳米纤维13,14和磨球15以及多环状芳族烃的化学合成。16 - 18更重要的是，通过诸如电子束蚀刻，19氧化蚀刻，20和血浆处理等方法，在石墨烯晶格上的空缺或孔的创建，21,22
加速劳埃德的算法，用于K-均值聚类
摘要K -Means聚类算法是数据挖掘和未加剧的学习的主要内容，之所以受欢迎，是因为它易于实现，快速，易于并行化并提供直观的结果。劳埃德的算法是标准批量的爬山方法，用于最大程度地减少K-均值优化标准。它花费了大部分时间计算k群集中心和n个数据点之间的距离。事实证明，这项工作的大部分是不必要的，因为在第一次迭代之后，点通常会留在同一集群中。在过去的十年中，研究人员开发了许多优化，以加快劳埃德（Lloyd）的算法的低维数据和高维数据。在本章中，我们调查了其中一些优化，并提出了新的优化。特别是我们专注于避免通过三角形不等式计算距离的那些。通过缓存已知距离并用三角形不等式更新它们，这些算法可以避免许多不必要的距离计算。所检查的所有优化产生的结果与劳埃德的算法相同，给定的输入和初始化，因此适用于倒入替换。这些新算法的运行速度比标准未取代的实现更快，并且计算距离要少得多。在我们的实验中，与劳埃德算法相比，通常会看到超过30-50倍的加速度。我们研究了使用这些方法的示例n，dimensions d，簇K和数据结构的权衡。
制备方法和多孔聚（乳酸）膜的应用：评论
摘要：多孔膜技术因其对绿色化学和可持续发展的显着贡献而在分离和生物学领域引起了极大的关注。由多乳酸（PLA）制造的多孔膜具有许多优势，包括低相对密度，高比表面积，生物降解性和出色的生物相容性。结果，它们在各种应用中表现出有希望的前景，例如石油 - 水分离，组织工程和药物释放。本文概述了使用静电纺丝，呼吸图和相分离方法在制造PLA膜方面的最新研究进步。首先，从孔形成的角度阐明了每种方法的原理。讨论和汇总相关参数与孔结构之间的相关性，随后对每种方法的优点和局限性进行了比较分析。随后，本文介绍了多孔PLA膜在组织工程，油水分离和其他领域中的多种应用。这些膜面临的当前挑战包括机械强度不足，生产效率有限以及孔结构控制的复杂性。相应地提供了增强和未来前景的建议。
扩散模型通过子空间聚类学习低维分布
（b）真实图像数据分布图4：通过U-NET的学习分布的相变。在（a）中，x轴是固有维度上的训练样本数量，而在（b）中，这是训练样本的总数。y轴是GL分数。我们使用（a）k = 2，n = 48和d k从3到6和（b）真实图像数据集CIFAR-10，celeba，ffhq和afhq的MOLRG分布产生的数据样本训练扩散模型。u-net记住训练数据时，GL分数很低，并且在学习基础分布时高。