Hạ họng là gì? Các công bố khoa học về Hạ họng

Các mô phỏng Monte Carlo cổ điển đã được thực hiện cho nước lỏng trong tập hợp NPT ở nhiệt độ 25 °C và áp suất 1 atm, sử dụng sáu hàm tiềm năng giữa các phân tử đơn giản cho dimmer nước: Bernal–Fowler (BF), SPC, ST2, TIPS2, TIP3P và TIP4P. Các so sánh được thực hiện với dữ liệu nhiệt động lực học và cấu trúc thực nghiệm, bao gồm cả kết quả nhiễu xạ neutron gần đây của Thiessen và Narten. Các mật độ và năng lượng tiềm năng được tính toán tương đối phù hợp với thực nghiệm, ngoại trừ mô hình BF ban đầu, mô hình này đưa ra ước lượng quá cao 18% về mật độ và kết quả cấu trúc kém. Các tiềm năng TIPS2 và TIP4P cung cấp các hàm cấu trúc phân tử oxy-oxy có sự phù hợp tốt với các kết quả nhiễu xạ neutron. Tuy nhiên, sự phù hợp với các hàm cấu trúc phân tử OH và HH thực nghiệm kém hơn; mặc dù vậy, các kết quả tính toán cho các hàm này là tương tự đối với tất cả các hàm tiềm năng. Do đó, sự sai khác có thể do các hạng mục sửa chữa cần thiết trong quá trình xử lý dữ liệu neutron hoặc do một hiệu ứng bị bỏ qua đồng nhất trong các tính toán. Các so sánh cũng được thực hiện cho các hệ số khuếch tán tự phát thu được từ các mô phỏng động lực học phân tử. Tổng thể, các mô hình SPC, ST2, TIPS2 và TIP4P cung cấp các mô tả cấu trúc và nhiệt động lực học hợp lý cho nước lỏng và sẽ hữu ích trong các mô phỏng dung dịch nước. Sự đơn giản của các hàm SPC, TIPS2 và TIP4P cũng rất hấp dẫn từ quan điểm tính toán.

Nghiên cứu sự phân hủy lipid trong cá đông lạnh đã dẫn đến việc phát triển một phương pháp đơn giản và nhanh chóng để chiết xuất và tinh chế lipid từ các vật liệu sinh học. Toàn bộ quy trình có thể được thực hiện trong khoảng 10 phút; nó hiệu quả, có thể tái lập và không có sự thao tác gây hại. Mô ướt được đồng nhất hóa với hỗn hợp chloroform và methanol theo tỷ lệ sao cho hệ thống tan được hình thành với nước trong mô. Sau khi pha loãng với chloroform và nước, dịch đồng nhất được phân tách thành hai lớp, lớp chloroform chứa toàn bộ lipid và lớp methanol chứa tất cả các hợp chất không phải là lipid. Một chiết xuất lipid tinh khiết được thu nhận chỉ đơn giản bằng cách tách lớp chloroform. Phương pháp này đã được áp dụng cho cơ cá và có thể dễ dàng thích nghi để sử dụng với các mô khác.

Các hệ thống đa dạng như mạng di truyền hoặc Web toàn cầu thường được miêu tả tốt nhất như những mạng có hình thức phức tạp. Một thuộc tính chung của nhiều mạng lớn là độ kết nối của các đỉnh tuân theo phân bố luật lũy thừa không quy mô. Đặc điểm này được phát hiện là hệ quả của hai cơ chế chung: (i) các mạng phát triển liên tục thông qua việc bổ sung các đỉnh mới, và (ii) các đỉnh mới gắn vào các vị trí đã được kết nối tốt hơn. Một mô hình dựa trên hai thành phần này tái hiện các phân bố không quy mô tĩnh quan sát được, cho thấy rằng sự phát triển của các mạng lớn được điều khiển bởi các hiện tượng tự tổ chức mạnh mẽ, vượt ra ngoài các đặc thù của từng hệ thống riêng lẻ.

Một phương pháp ước tính hàm lượng cholesterol trong phần lipoprotein có tỷ trọng thấp của huyết thanh (Sf0-20) được trình bày. Phương pháp này bao gồm các phép đo nồng độ cholesterol toàn phần trong huyết tương khi đói, triglyceride và cholesterol lipoprotein có tỷ trọng cao, không yêu cầu sử dụng thiết bị siêu ly tâm chuẩn bị. So sánh quy trình được đề xuất này với quy trình trực tiếp hơn, trong đó thiết bị siêu ly tâm được sử dụng, đã cho thấy các hệ số tương quan từ 0,94 đến 0,99, tùy thuộc vào nhóm bệnh nhân được so sánh.

Tóm lược: MrBayes 3 thực hiện phân tích phát sinh loài Bayesian kết hợp thông tin từ các phần dữ liệu hoặc các phân tập khác nhau tiến hóa dưới các mô hình tiến hóa ngẫu nhiên khác nhau. Điều này cho phép người dùng phân tích các tập dữ liệu không đồng nhất bao gồm các loại dữ liệu khác nhau—ví dụ: hình thái, nucleotide và protein—và khám phá nhiều loại mô hình cấu trúc kết hợp tham số duy nhất và chung của phần. Chương trình sử dụng MPI để song song hóa kết hợp Metropolis trên các cụm máy Macintosh hoặc UNIX.

Khả dụng: http://morphbank.ebc.uu.se/mrbayes

Liên hệ: [email protected]

* Địa chỉ thông tin liên lạc.

Coot là một ứng dụng đồ họa phân tử chuyên dùng cho việc xây dựng và thẩm định mô hình phân tử sinh học vĩ mô. Chương trình hiển thị các bản đồ mật độ điện tử và các mô hình nguyên tử, đồng thời cho phép thực hiện các thao tác mô hình như chuẩn hóa, tinh chỉnh không gian thực, xoay/chuyển tay chân, hiệu chỉnh khối cố định, tìm kiếm phối tử, hydrat hóa, đột biến, phối hợp và chuẩn hóa Ramachandran. Hơn nữa, các công cụ cũng được cung cấp để thẩm định mô hình cũng như giao diện với các chương trình bên ngoài để tinh chỉnh, thẩm định và đồ họa. Phần mềm được thiết kế để dễ dàng học hỏi cho người dùng mới, nhờ vào việc đảm bảo rằng các công cụ cho những tác vụ thông thường có thể được phát hiện thông qua các thành phần giao diện người dùng quen thuộc (menu và thanh công cụ) hoặc bởi hành vi trực quan (điều khiển bằng chuột). Những phát triển gần đây đã tập trung vào việc cung cấp các công cụ cho người dùng chuyên nghiệp, với các phím tắt có thể tùy chỉnh, mở rộng và một giao diện kịch bản phong phú. Phần mềm đang trong giai đoạn phát triển nhanh chóng, nhưng đã đã đạt được sự phổ biến rộng rãi trong cộng đồng tinh thể học. Tình trạng hiện tại của phần mềm được trình bày, cùng với mô tả các tiện ích có sẵn và một số phương pháp cơ bản được sử dụng.

Bài viết này mô tả ba phương pháp heuristic được sử dụng trong việc đưa ra phán quyết dưới sự không chắc chắn: (i) tính đại diện, thường được sử dụng khi người ta được hỏi để đánh giá xác suất rằng một đối tượng hoặc sự kiện A thuộc về lớp hoặc quy trình B; (ii) khả năng xuất hiện của các trường hợp hoặc kịch bản, thường được sử dụng khi người ta được hỏi để đánh giá tần suất của một lớp hoặc tính hợp lý của một sự phát triển cụ thể; và (iii) điều chỉnh từ một điểm neo, thường được sử dụng trong các dự đoán số khi một giá trị liên quan có sẵn. Những phương pháp heuristic này rất tiết kiệm và thường có hiệu quả, nhưng chúng dẫn đến các lỗi có hệ thống và có thể dự đoán. Việc hiểu rõ hơn về những phương pháp heuristic này và những thiên kiến mà chúng dẫn đến có thể cải thiện việc đưa ra phán quyết và quyết định trong các tình huống không chắc chắn.

Việc xác định các nhóm cá thể đồng nhất về di truyền là một vấn đề lâu dài trong di truyền học quần thể. Một thuật toán Bayesian gần đây được triển khai trong phần mềm structure cho phép phát hiện các nhóm như vậy. Tuy nhiên, khả năng của thuật toán này để xác định số lượng cụm thực sự (K) trong một mẫu cá thể khi các mô hình phân tán giữa các quần thể không đồng nhất chưa được kiểm tra. Mục tiêu của nghiên cứu này là thực hiện các bài kiểm tra như vậy, sử dụng các kịch bản phân tán khác nhau từ dữ liệu được tạo ra với mô hình dựa trên cá thể. Chúng tôi nhận thấy rằng trong hầu hết các trường hợp, ‘xác suất đăng nhập của dữ liệu’ ước tính không cung cấp một ước tính chính xác về số cụm, K. Tuy nhiên, sử dụng thống kê phụ thuộc ΔK dựa trên tốc độ thay đổi trong xác suất đăng nhập của dữ liệu giữa các giá trị K liên tiếp, chúng tôi phát hiện ra rằng structure chính xác phát hiện cấp độ phân cấp cao nhất trong các kịch bản mà chúng tôi đã kiểm tra. Như mong đợi, kết quả rất nhạy cảm với loại dấu hiệu di truyền được sử dụng (AFLP vs. microsatellite), số lượng locus được đánh giá, số lượng quần thể được lấy mẫu, và số lượng cá thể được xác định trong mỗi mẫu.