本研究比较了从P.菌丝中提取的葡萄糖和蔗糖喂养产生的六种硫酸化多糖的生物活性。通过预处理RAW264.7细胞中诱导的脂多糖(LPS)引起的炎症来评估这些多糖的抗炎潜力。在所测试的多糖中，以40克/升浓度的蔗糖喂养产生的硫酸化多糖（称为"suc 40"）表现出最高的抗炎活性，达到83%，对IL-6和TNF-α的分泌抑制率分别为33%。它通过抑制p-38和c-Jun N末端激酶(JNK) MAPK信号通路来实现这一效果。另一方面，以20克/升浓度的葡萄糖喂养产生的硫酸化多糖（称为"glc 20"）表现出最强的抗肺癌活性。这是通过诱导与凋亡相关的分子，如聚(ADP-核糖)聚合酶 (PARP) 和 CHOP 来实现的。此外，与其他所测试的多糖相比，glc 20具有最高的硫酸盐、岩藻糖和甘露糖含量。这表明单糖残基的组成是影响这些硫酸化多糖的抗炎和抗癌活性的关键因素。总的来说，本研究凸显了从P.菌丝中提取的硫酸化多糖作为具有抗炎和抗癌特性的生物活性化合物的潜力。版权所有© 2023。由Elsevier B.V.出版。

黏膜渗透纳米制剂可增强难溶性药物在目标部位的黏膜渗透能力。本工作设计了硫化壳聚糖（TCS）-石胆酸（LA）纳米胶束载荷β-胡萝卜素，一种具有抗癌属性的安全植物化合物，以改善药物的药理和药代特性。通过傅里叶红外光谱（FTIR）表征了TCS-LA纳米胶束，以确认有利于皮肤附着的巯基的存在，并证实了疏水性LA与亲水性CS的共轭形成了一个亲疏水性聚合物衍生物。X射线衍射（XRD）和差示扫描量热（DSC）分析揭示了纳米胶束的结晶性质和热行为。动态光散射（DLS）和透射电子显微镜（TEM）结果显示其平均尺寸小于300 nm，并且表面电荷为+27.0 mV。β-胡萝卜素的包封率和载荷效率分别为64%和58%。体外粘附和体外黏膜穿透分析进一步证实了该纳米制剂在模拟癌症微环境条件下以持续的方式释放药物的潜力。小鼠的抗癌研究表明，载荷纳米胶束可以延缓皮肤癌生长，这一结果通过形态学和生化参数均得到证实。根据本文的结果，可以得出结论，载荷的TCS-LA是一种新颖、稳定、有效、安全的黏膜附着型β-胡萝卜素制剂，有潜在用于治疗皮肤癌的作用。2023年版权所有。由Elsevier B.V.出版。

目前，双二钌桨轮配合物被用作基于金属的药物。有人提出，它们的电荷和空间位阻性质决定了其对蛋白质的选择性。本研究使用第一个具有两个甲酰胺配体的可溶于水的双二钌配合物[Ru2Cl(DPhF)2(O2CCH3)2]以及两个衍生物[Ru2Cl(DPhF)(O2CCH3)3]和K2[Ru2(DPhF)(CO3)3]（DPhF- = N，N'-二苯甲酰胺配体），其中一个含有一个甲酰胺配体。通过鸡蛋白中的卵白溶酶（HEWL）评估了它们的蛋白质结合性质。结果证实了双二钌配合物的相互作用类型（配位键/非配位键）与其电荷之间的关系。结晶介质也是一个关键因素。在所有情况下，双二钌物种均保持M-M键并产生稳定的加合物。我们还评估了这些双二钌配合物在一个真核细胞模型上的抗增殖性能。我们的数据显示，甲酰胺配体的数量与双二钌衍生物对人类上皮癌细胞的抗癌活性之间存在相关性。增加的细胞毒性可能与空间位阻增加和Ru25+离子核电子密度增加有关。然而，还必须考虑将双二钌物种的亲脂性通过引入第二个N，N'-二苯甲酰胺配体来增加的影响。本研究阐明了一种系统方法，从而揭示了双二钌化合物的相关性质，以设计基于金属的金属药物和双二钌金属酶。版权所有 © 2023. Elsevier B.V. 发表。

鸟蓝(学名：Isatis indigotica Fortune)是一种具有重要经济价值的植物物种，含有木脂素类化合物。其根部在治疗病毒方面发挥重要作用，并表现出抗肿瘤、抗炎、抗菌等生物活性。目前，鸟蓝已被归类为菘蓝(Isatis tinctoria Linnaeus)的一种。本研究通过代谢组学和转录组学分析，对二倍体鸟蓝、四倍体鸟蓝和菘蓝的根部进行了研究。代谢组学分析检测到48种木脂素代谢产物，包括赭辉苷A、钟乳木酚A、云杉木酚、牛蒡甾醇、五襄甙B和芝麻素等特征化合物，其余代谢产物无显著变化。转录组学分析鉴定出41个表达差异的苯丙烯酸合成酶基因，并进一步分析了不同样本中木脂素转录组谱的变化。RT-qPCR分析还揭示了与木脂素生物合成途径相关的差异表达基因在三个样本组之间的差异。转录因子的分析显示，AP2-EREBP家族(Iin24319)、MYB家族(Iin24843)和WRKY家族(Iin08158)的表达模式与Iin14549相似。系统发育分析还表明，Iin14549可能在木脂素合成中发挥作用。这些转录因子家族在四倍体鸟蓝中高表达，在二倍体鸟蓝中中等表达，在菘蓝中低表达。本研究的发现可为改良鸟蓝的质量和培育高木脂素含量的种质资源提供参考。此外，这些结果为木脂素生物合成途径中的葡糖基转移酶的功能鉴定打下了基础。版权所有 © 2023 Elsevier B.V. 发表。

胎盘发育不足会引发各种产科并发症，包括胎儿生长受限（FGR）。已经证实，Sirtuin 1（SIRT1）和胰岛素样4（INSL4）蛋白编码基因在胎盘发育中起重要作用。然而，由于胎盘功能障碍，目前没有可治疗FGR的方法。因此，本研究旨在研究SIRT1-INSL4轴作为治疗胎盘发育不足引起的FGR的候选治疗方法的潜力。本研究纳入了20名患者，其中包括10名FGR患者和10名足月控制组。收集了FGR和控制组的胎盘样本。采用定量实时聚合酶链反应、免疫组织化学分析和免疫印迹分析来分析INSL4和SIRT1的表达。采用人绒毛膜细胞癌细胞株BeWo进行体外功能分析，通过沉默SIRT1来将BeWo细胞分化为绒毛膜细胞。在将SIRT1沉默的BeWo细胞分化为绒毛膜细胞过程中加入SIRT1激活剂。FGR样本中INSL4和SIRT1的mRNA和蛋白表达水平低于对照组样本。免疫组织化学显示，SIRT1和INSL4主要在绒毛膜细胞中表达。体外分析表明，SIRT1沉默会降低INSL4的表达，但SIRT1激活剂可以恢复SIRT1沉默的BeWo细胞中的SIRT1表达。研究结果表明，FGR胎盘中SIRT1和INSL4的表达下调，而INSL4受SIRT1调控。这些发现表明SIRT1-INSL4轴可能是治疗FGR的潜在治疗靶点。

随着胸部计算机断层扫描（CT）筛查的普及，发现需要进一步诊断的亚厘米（≤1 cm）肺结节（SCPN）数量也增加了。此领域代表了一个重要的机会，可以优化SCPN管理算法，避免“一刀切”的方法。一个关键问题是如何学习区分性多视图特征和每个SCPN的独特上下文。在这里，我们提出了一个多视图耦合自注意模块（MVCS），通过建模空间和维度的关联顺序来捕捉CT图像的全局空间背景。与现有的自注意方法相比，MVCS使用的内存消耗更小、计算复杂度更低，发现了以前的方法未发现的维度相关性，且易于与其他框架集成。总共使用了来自LIDC-IDRI的公共数据集LUNA16，包括来自一个重要转诊中心的1069名患者的1319个SCPN以及来自其他三个重要中心的137名患者的160个SCPN，进行了预训练、训练和验证模型。实验结果表明，性能在准确性和稳定性方面优于最先进的模型，并且与人类专家在分类癌前病变和浸润性腺癌方面具有可比性。我们还结合了患者的临床特征和放射学特征，提供了一个融合MVCS网络（MVCSN）。这个工具最终可以帮助加速恶性SCPN的切除，避免对良性SCPN的过度诊断，从而改善管理结果。在亚厘米肺腺癌的诊断中，融合MVCSN可以帮助医生提高工作效率，并在一定程度上指导他们的治疗决策。• 计算机断层扫描（CT）的进展不仅增加了发现的结节数量，还使得发现的结节更小，例如亚厘米肺结节（SCPN）。• 我们提出了一个多视图耦合自注意模块（MVCS），该模块可以顺序地模拟空间和维度之间的关联，以学习全局空间背景，这比其他注意机制更好。• 在处理3D医学影像数据时，与现有的自注意方法相比，MVCS的内存消耗更小、计算复杂度更低。此外，它在评估SCPN的恶性程度方面能够达到有希望的准确性，并且训练成本较低于其他模型。© 2023。这是一项美国政府的工作，不受美国版权保护，可能适用外国版权保护。

为了以非侵入性方式预测胰腺神经内分泌肿瘤（pNETs）的病理分级，我们开发了一种基于计算机断层扫描（CT）放射组学的可解释机器学习（ML）模型。我们纳入了2010年至2022年间接受增强腹部CT检查的pNETs患者作为回顾性研究对象。提取了放射组学特征，并开发了五个基于放射组学的ML模型，分别是逻辑回归（LR）、随机森林（RF）、支持向量机（SVM）、XGBoost和GaussianNB。使用独立于时间的测试集评估了这些模型的性能，计算了灵敏度、特异度、准确度和受试者工作特征曲线下面积（AUC）等指标。将放射组学模型的准确性与针刺活检进行对比。利用Shapley Additive Explanation（SHAP）工具和放射组学与生物学特征之间的相关性来探索模型的可解释性。本研究纳入了122名患者（平均年龄：50±14岁；男性53名）作为训练集，随后纳入了100名患者（平均年龄：48±13岁；男性50名）作为测试集。其中，LR、SVM、RF、XGBoost和GaussianNB的AUC分别为0.758、0.742、0.779、0.744和0.745，相应的准确度分别为73.0%、70.0%、77.0%、71.9%和72.9%。SHAP工具确定了两个静脉期特征是最重要的，这些特征在Ki-67指数或有丝分裂计数亚组中显示出显著差异（p<0.001）。一种可解释的基于放射组学的RF模型可以有效区分pNETs的G1和G2/3，具有良好的可解释性。本研究开发的放射组学可解释模型在临床上具有显著的相关性，它提供了一种评估胰腺神经内分泌肿瘤病理分级的非侵入性方法，并有望成为传统组织活检的重要补充工具。•开发了一种基于放射组学的可解释模型，用于预测pNETs的病理分级，并通过准确性与术前针刺活检进行了比较。•该模型，基于CT放射组学，具有良好的可解释性。•放射组学模型有望作为一种有价值的术前针刺活检补充技术，但不应视为活检的替代品。© 2023. 作者。

本研究旨在评估基于深度学习的脑转移（BM）检测和定量是否可以为患有BM的患者提供治疗选择。我们在193名患者中开发了用于检测和定量BM的深度学习系统（DLS），并将其应用于新发现的112名患者的黑血造影T1加权成像。根据DLS检测到的BM数量和体积，将患者分为三组治疗建议组，分别是根据欧洲神经肿瘤协会（EANO）-欧洲医学肿瘤学协会（ESMO）建议进行短期影像随访无需治疗（A组）、手术或立体定向放射外科（有限BM，B组）或全脑放射治疗或全身化疗（广泛BM，C组）。分析DLS基于组别与临床决策之间的一致性，并考虑靶向药物。计算高风险（B+C）的辨别性能。112名患者中（平均年龄64.3岁，男性63人），C组的BM数量和体积最大，其次是B组（4.4个和851.6 mm3）和A组（1.5个和15.5 mm3）。基于DLS的组别与实际临床决策一致，准确率为76.8%（112中的86）。考虑靶向药物的修正准确率为81.3%（112中的91）。对于辨别高风险，DLS显示了95%（86/82）的敏感性和81%（26/21）的特异性。基于DLS的BM检测和定量在有限BM和广泛BM的低风险和高风险群体的治疗选择中具有潜在帮助作用。对于新诊断的脑转移患者，基于深度学习的检测和定量可以在需要快速和准确的治疗决策的临床环境中使用，从而改善患者预后。·基于深度学习的脑转移检测和定量与实际分类结果具备极高一致性。·通过设置算法根据深度学习系统检测到的脑转移数量和体积来建议治疗，一致性达到81.3％。·将患者分为低风险和高风险组时，对于检测后者的敏感性为95％。© 2023年。作者（们）。

为了评估非酒精性脂肪肝患者中骨骼肌脂肪浸润（肌脂肪症）与肝细胞癌（HCC）的关联性，在横断面队列研究中，对72例组织学证实的非酒精性脂肪肝病（NAFLD）患者（其中38例为非酒精性脂肪性肝炎；NASH），其中20例经活检诊断为HCC，我们使用MRI中的质子密度脂肪分数（PDFF）来评估骨骼肌中的肌脂肪症（平均脂肪分数和基于一阶辐照学的模式），在第三腰椎水平即在牵脊肌（ES）、腰方肌（QL）、腰肌、斜肌和腹直肌中。PDFFES在患有HCC的患者中比没有HCC的患者高出70%（分别为9.6 ±5.5%和5.7 ±3.0%，p＜0.001）。在多元逻辑回归中，不受年龄、性别、内脏脂肪面积和肝纤维化阶段的影响，PDFFES是HCC存在的显著预测因子（AUC = 0.72，95% CI 0.57-0.86，p = 0.002）。PDFFES与HCC之间的关系在NASH患者中加剧（AUC = 0.79，95% CI 0.63-0.86，p = 0.006）。在NASH患者中，异质性的放射学特征，如牵脊肌（ES）、腰方肌（QL）或腰肌中的能量和熵，是HCC的独立预测因子。能量ES识别了NASH人群中患有HCC的患者（n = 13），其AUC = 0.92（95% CI 0.82-1.00，p＜0.001）。在NAFLD患者中，特别是NASH患者中，肌脂肪症的程度和异质性与HCC独立关联，无论肝纤维化阶段如何。我们的数据表明，肌脂肪症可以作为日益扩大的NAFLD人群中HCC的生物标志物，并为进一步的纵向研究打下基础。• 非酒精性脂肪肝病患者中，尤其是非酒精性脂肪性肝炎患者中，HCC与寰椎旁骨骼肌的严重脂肪浸润（肌脂肪症）独立相关。• 肌脂肪症与HCC的关联与肝纤维化阶段无关。• 肌脂肪症的直方图辐照学特征预测了非酒精性脂肪性肝炎患者中HCC的风险。© 2023年，作者（专有许可）授权给欧洲放射学协会（European Society of Radiology）。

尽管人工智能（AI）在增强乳腺癌诊断方面展示了潜力，但AI算法在临床实践中的应用面临各种障碍。本次范围性综述旨在确定这些障碍和促进因素，以突出发展和应用乳腺癌成像中的AI解决方案的关键考虑因素。在PubMed、Web of Science、CINHAL、Embase、IEEE和ArXiv等六个数据库中进行了2012年至2022年的文献搜索。如果有关乳腺临床成像中AI的构思或实施中描述了一些障碍和/或促进因素，这些文章被纳入研究。我们排除了仅关注性能的研究，或者使用非临床放射技术设置获得的数据并且未涉及真实患者的研究。共纳入了107篇文章。我们确定了与数据（B1）、黑箱与信任（B2）、算法与构思（B3）、评估与验证（B4）、法律、伦理和经济问题（B5）以及教育（B6）相关的六个主要障碍，以及与数据（F1）、临床影响（F2）、算法与构思（F3）、评估与验证（F4）和教育（F5）相关的五个主要促进因素。该范围性综述突出了在临床实践中精心设计、部署和评估AI解决方案的需求，涉及所有利益相关者，以实现医疗保健的改进。通过提出解决方案，确定障碍和促进因素，可以指导和告知未来的研究和利益相关者，以改进乳腺癌检测的AI设计和实施。- 六个主要的障碍包括数据、黑箱和信任、算法和构思、评估和验证、法律、伦理和经济问题以及教育。- 五个主要的促进因素包括数据、临床影响、算法和构思、评估和验证以及教育。- 需要协调所有利益相关者的实施来改善乳腺癌的诊断与AI。© 2023. 作者们。