XiaoMi-AI文件搜索系统
World File Search System高通量
高通量DNA熔体测量值可改善DNA折叠热力学模型
。cc-by-nc-nd 4.0国际许可证未通过同行评审获得证明）是作者/资助者，他已授予Biorxiv授予Biorxiv的许可，以永久显示预印本。它是此预印本的版权持有人（该版本发布于2024年4月20日。; https：//doi.org/10.1101/2024.01.01.08.574731 doi：biorxiv Preprint
对针对SARS-COV-2主要蛋白酶的重新利用药物的高通量筛查和评估
全球农业生产受到迅速增加的人口和不利气候变化的严重威胁。目前，粮食安全是到2050年喂养100亿人的巨大挑战。通过常规方法驯化作物不足以满足食物需求，并且无法快速追踪作物的产量。此外，强化繁殖和严格选择上等特征会导致遗传侵蚀并消除应激响应基因，从而使作物更容易出现非生物胁迫。盐胁迫是最普遍的非生物胁迫之一，它在全球范围内造成严重的作物损害。最新的基因组学和转录组学技术的最新创新已经为发展盐度耐受作物铺平了道路。从头驯化是通过利用作物野生亲戚（CWRS）的遗传多样性来产生新作物基因型的有前途策略之一。下一代测序（NGS）技术开辟了新的途径，从CWRS中识别出独特的耐盐基因。这也导致了高度注释的作物泛基因组的组装，以捕捉遗传多样性的完整景观，并重新夺回了物种的巨大基因库。鉴定新基因以及针对靶向操作的尖端基因组编辑工具的出现，从头驯化了一种发展耐盐作物的方向。但是，与基因编辑的作物相关的一些风险造成了全球采用的障碍。盐植物主导的盐度耐受性繁殖提供了一种替代策略，以识别可用于开发新作物以减轻盐度胁迫的极其耐盐品种。
开发高通量管道以单细胞分辨率表征小胶质细胞的形态状态
我们感谢 Ciernia 实验室和 Pavlidis 实验室成员在整个项目过程中的实验室会议上提供的周到反馈和建议。我们还要感谢 Wai Hang (Tom) Cheng，他的帮助对于学习如何在 Axioscan 幻灯片扫描仪上成像以及开始进行小胶质细胞形态分析至关重要；Nicholas Michelson，他的帮助对于在 ImageJ 中排除 MicrogliaMorphology 各种特征的代码故障非常有帮助；以及 Dylan Terstege，他在发布之前慷慨地提供了用于 FASTMAP 对齐 Allen Brain Atlas 的材料。我们还要感谢 Brian MacVicar 博士与我们分享他实验室的 Cx3cr1- GFP 小鼠，我们将其用于 2xLPS 体内实验。我们感谢通过 Dynamic Brain 提供的资源
高通量 PRIME 编辑筛选可识别人类基因组中的功能性 DNA 变异
。CC-BY-NC-ND 4.0 国际许可，根据未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者（此版本于 2023 年 7 月 12 日发布。；https://doi.org/10.1101/2023.07.12.548736 doi：bioRxiv 预印本
通过高通量逆对接识别抗 SARS-CoV-2 的再利用药物的靶点
摘要 筛选已批准的药物以检测其对抗新型病原体的活性可能是全球应对流行病的快速反应策略的重要组成部分。这种高通量重新利用筛选已经确定了几种具有对抗 SARS-CoV-2 潜力的现有药物。然而，要将这些热门药物开发为专门针对这种病原体的药物，需要明确识别它们相应的靶标，而高通量筛选通常无法揭示这一点。我们在此介绍了一种新的计算逆对接协议，该协议使用全原子蛋白质结构和对接方法的组合对几种现有药物的靶标进行排序，最近的多个高通量筛选检测到了这些药物的抗 SARS-CoV-2 活性。我们用已知的药物-靶标对（包括非抗病毒和抗病毒化合物）证明了该方法的有效性。我们对 152 种可能适合重新利用的不同药物进行了逆对接程序。最常见的优先靶标是人类酶 TMPRSS2 和 PIKfyve，其次是病毒酶解旋酶和 PLpro。所有选择 TMPRSS2 的化合物都是已知的丝氨酸蛋白酶抑制剂，而那些选择 PIKfyve 的化合物都是已知的酪氨酸激酶抑制剂。对对接姿势的详细结构分析揭示了这些选择产生的原因，并可能有助于更合理地设计针对这些靶标的新药。
通过体内产生单链 DNA 进行高通量功能变体筛选
与自然界中存在的巨大变异和基因组工程师设想的巨大变异相比，创建和表征单个遗传变异的规模仍然有限。在这里，我们介绍了逆转录子文库重组 (RLR)，这是一种高通量功能筛选方法，其规模和特异性超过了 CRISPR-Cas 方法。我们利用逆转录子的靶向逆转录活性在体内产生单链 DNA (ssDNA)，以 > 90% 的效率整合编辑并实现多路复用应用。RLR 同时引入了许多基因组变异，产生了可通过靶向深度测序寻址的汇集和条形码变异库。我们使用 RLR 对合成的抗生素抗性等位基因进行汇集表型分析，展示了相对增长率的定量测量。我们还使用进化细菌的剪切基因组 DNA 进行 RLR，通过实验查询数百万个序列以寻找因果变异，证明 RLR 特别适合利用大量的自然变异库。使用体内产生的 ssDNA 进行汇集实验为探索整个基因组的变异提供了途径。
![高通量 CRISPR/Cas9 诱变简化玉米性状基因识别[OPEN]](/simg/2\2f10bf92fd3f26433701798d1c7b2db89ccc2423.webp)
高通量 CRISPR/Cas9 诱变简化玉米性状基因识别[OPEN]
ORCID编号：0000-0001-7717-893X (H.-JL)； 0000-0001-6234-9265（左翼）； 0000-0001-5664-2975（JX）； 0000-0003-2291-1836（喀山）； 0000-0002-5036-9426 (马萨诸塞)； 0000-0002-1034-2771 (MJ)； 0000-0002-5379-4348（黄页）； 0000-0003-0295-6594（Y型）； 0000-0002-3176-739X（BH）； 0000-0002-1129-9584（JL）； 0000-0003-4725-238X (FG)； 0000-0002-4498-7412 (加大)； 0000-0003-0380-8104（左）； 0000-0003-4105-9693（全球）； 0000-0003-1992-1857 (YD)； 0000-0002-8532-6450（XY）； 0000-0001-6803-2672 （ZL）； 0000-0003-0618-4640 (Mi.Z.)； 0000-0001-9903-0629（日本）； 0000-0001-9751-7679（MB）； 0000-0001-5080-4478（WS）； 0000-0001-9095-7110 (HC)； 0000-0001-9821-3829 (XS)； 0000-0002-1046-7902（西联）； 0000-0002-0183-5574 (Y.卢)； 0000-0001-8988-3644 (刘Y.)； 0000-0002-5538-7236（江苏）； 0000-0002-7062-3495 (YQ)； 0000-0002-4269-7649 （DJ）； 0000-0001-9000-335X (ARF)； 0000-0001-8650-7811 (Jianbing Y.)
使用优化的 Slack 模型对晶格热导率进行高通量计算评估
设计及其应用，2,4 其中仅需最少的时间和资源即可快速评估 k 是关键。有很多可用的方法来评估 k 。基于第一性原理的非谐晶格动力学 (ALD) 是过去几年中广泛采用的方法。5 然而，使用大型超胞进行的太多力计算虽然可以部分重建，但非常耗时耗资源，6 这限制了其在高通量计算预测 k 中的实际应用。或者，使用经验模型评估 k 是一种更有效、更可行（计算成本更低）的方法，例如 Debye-Callaway 模型、7-9 Slack 模型、10 等。特别是，Slack 模型已广泛应用于评估许多材料的 k，11-13 显示出快速预测 k 和洞察热传输的潜在能力。14-16
PM 7/151 (1) 高通量测序在植物健康诊断中的应用注意事项 1
高通量测序 (HTS)，也称为下一代测序 (NGS) 或深度测序，是自 20 世纪 80 年代初 PCR 方法问世以来分子诊断领域最重大的进展之一。HTS 可以检测出样品中存在的任何生物的核酸，而无需事先了解样品的植物检疫状况（Hadidi 等人，2016 年；Massart 等人，2014 年）。HTS 可用于有针对性地检测限定害虫，还可以帮助识别导致新疾病或病因不明的害虫，这些害虫可能对植物健康构成潜在威胁（Aritua 等人，2015 年；Barba 等人，2014 年；Malapi-Wight 等人，2016 年；Maliogka 等人，2018 年）。如前所述（Olmos 等人，2018），HTS 技术为常规诊断开辟了新的可能性和机会，可用于（a）通过监测计划了解某个地区有害生物的状况，（b）认证核种群和植物繁殖材料，（c）（入境后）检疫检测以防止有害生物进入某个国家或地区，以及（d）监测进口商品是否存在新的潜在风险。在 HTS 中，目标生物可以是一种或多种变体、物种，
使用自动化高通量实验平台和机器学习了解热注射量子点合成结果
摘要：机器学习 (ML) 已显示出加速各种材料系统合成规划的潜力。然而，由于缺乏用于开发材料合成 ML 工作流程的系统方法或启发式方法，许多材料科学家仍然无法使用 ML。在这项工作中，我们报告了一种选择 ML 算法来训练预测纳米材料合成结果的模型的方法。具体来说，我们开发并使用了一个自动化批量微反应器平台来收集大量 CdSe 量子点热注射合成结果的实验数据集。此后，该数据集用于训练使用各种 ML 算法预测合成结果的模型。针对不同大小和添加不同噪声量的实验数据集，比较了这些算法的相对性能。基于神经网络的模型显示出对吸收和发射峰的最准确预测，而预测半峰全宽的级联方法被证明优于直接方法。SHapley Additive exPlanations (SHAP) 方法用于确定不同合成参数的相对重要性。我们的分析表明，SHAP 重要性分数高度依赖于特征选择，并强调了开发固有可解释模型以从材料合成的 ML 工作流程中获取见解的重要性。