XiaoMi-AI文件搜索系统
World File Search System蛋白质
小蛋白质y口服对生长性能，肠道屏障功能和肠道微生物群的影响
摘要在体外有效抑制沙门氏菌的各种血清型，但抗菌作用对S进行了有效抑制。家禽中的紫菜仍然不清楚。这项研究是第一个评估安全性和抗s的研究。MCCY在没有特定病原体（SPF）雏鸡中的胃部感染。安全性测试表明，体重，IgA和IgM血清的体重，IgA和IgM水平以及3组口服的小鸡的盲肠菌群结构不同剂量的MCCY（5 mg/kg，10 mg/kg，20 mg/kg）与对照组的体重没有显着差异。然后，将雏鸡随机分为3组进行抗S的实验。胃部感染：（i）阴性对照组（NC），（ii）s。Pullorum-Challenged组（SP，5×10 8 CFU/BIRD），（iii）MCCY处理的组（MCCY，20 mg/kg）。结果表明，与SP组相比，MCCY的治疗增加了体重和平均每日增益（p <0.05），减少了s。粪便，肝脏和盲肠中的胸部负担（p <0.05），增强了胸腺，并减轻了脾脏和肝脏指数（p <0.05）。此外，麦基提高了空虚的绒毛高度，降低了空肠和伊利尔的加密深度（p <0.05），并上调了jejunum和ileum中IL-4，IL-10，ZO-1，ZO-1的表达，以及在Jejunum（p <0.05）中的CLDN-1的表达。此外，MCCY增加了益生菌菌群（Barnesiella等。），同时减少（p <0.05）致病菌群（Escherichia和沙门氏菌等）的相对丰度与SP组相比。关键字微蛋白Y，沙门氏菌，肠屏障，肠道菌群
蛋白质纳米颗粒疫苗可诱导针对 MERS-CoV 的强效中和抗体反应
中东呼吸综合征冠状病毒 (MERS-CoV) 是一种人畜共患的β冠状病毒，可导致人类严重且通常致命的呼吸道疾病。MERS-CoV 刺突 (S) 蛋白是病毒融合剂，也是中和抗体的靶标，因此一直是疫苗设计工作的重点。目前尚无针对 MERS-CoV 的获批疫苗，只有少数候选疫苗进入 I 期临床试验。我们利用计算设计的蛋白质纳米颗粒平台开发了 MERS-CoV 疫苗，该平台已生成针对各种包膜病毒的安全且具有免疫原性的疫苗，包括针对 SARS-CoV-2 的获批疫苗。展示 MERS-CoV S 衍生抗原的双组分蛋白质纳米颗粒可诱导强大的中和抗体反应，并保护小鼠免受小鼠适应性 MERS-CoV 的攻击。电子显微镜多克隆表位图谱和血清竞争试验揭示了由显示融合前稳定的 S-2P 三聚体、受体结合域 (RBD) 或 N 端域 (NTD) 的免疫原引起的主要抗体反应的特异性。RBD 纳米颗粒疫苗引发针对 RBD 中多个非重叠表位的抗体，而由基于 S-2P 和 NTD 的免疫原引发的抗 NTD 抗体则聚集在单个抗原位点上。我们的研究结果证明了双组分纳米颗粒候选疫苗对 MERS-CoV 的潜力，并表明该平台技术可广泛应用于 betacoronavirus 疫苗开发。
心力衰竭射血分数谱中的蛋白质组学途径：一项 EXSCEL 子研究
1 杜克大学医学院心脏病学系，美国北卡罗来纳州达勒姆 2 杜克临床研究所，美国北卡罗来纳州达勒姆 3 杜克大学医学院杜克分子生理学研究所，美国北卡罗来纳州达勒姆 4 杜克大学医学院内分泌、代谢和营养学系，美国北卡罗来纳州达勒姆 5 邓迪大学人口健康与基因组学系，英国苏格兰邓迪 6 北卡罗来纳大学医学院内分泌学系，美国北卡罗来纳州教堂山 7 奥地利格拉茨医科大学内分泌和糖尿病学系 8 英国格拉斯哥大学心血管和医学科学研究所 9 英国牛津大学拉德克利夫医学系糖尿病试验组
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