1656 Arbeiten
Diese Studie zeigt, dass die Kombination von ultrahohem hydrostatischem Druck mit Teesaponin-Mizellen die Naringin-Extraktion aus Pomeloschalen signifikant verbessert, indem gleichzeitig die Gewebematrix aufgebrochen und das Flavonoid solubilisiert wird, wodurch im Vergleich zu konventionellen Methoden eine überlegene Ausbeute und Energieeffizienz erreicht wird.
Diese Studie präsentiert die Synthese und Charakterisierung eines umweltfreundlichen, curcuminfunktionalisierten Silbernanopartikel-Nanokomposits, das als sensitiver und selektiver Chemosensor für den Nachweis von toxischen Cadmium(II)-Ionen in Wasser und Industrieabwässern mit einer Nachweisgrenze von 0,0013 ppm dient.
Diese Studie etabliert reproduzierbare, klassenspezifische HPTLC-Fingerprinting-Methoden zur qualitativen Standardisierung von hydroalkoholischen Extrakten aus *Gymnema sylvestre* und *Berberis aristata*, wobei die Trennung und Identifizierung wichtiger Triterpenoid-Saponine und Protoberberin-Alkaloide erfolgreich durchgeführt wurde, um die Bestätigung der Identität von Charge zu Charge für diese koformulierten antihyperglykämischen Kräuter zu gewährleisten.
Ein neuartiger gemischtvalenter Kupfer(I/II)-Komplex, der über ein einzigartiges eindimensionales Gerüst verfügt, das durch Chlorid- und Dicyanamid-Liganden überbrückt wird, wurde synthetisiert, strukturell charakterisiert und zeigte eine im Vergleich zu seinem freien Hydrazon-Liganden verbesserte antibakterielle Aktivität gegen Bakterienstämme.
Diese Arbeit stellt ein skalierbares, kostengünstiges, optisch induziertes elektrisches Nano-Painting-Verfahren vor, das ein persistentes Oberflächenaufladungsphänomen nutzt, um diverse funktionelle Materialien, einschließlich lebender Bakterien und Nanopartikel, mit einer Präzision von 140 nm über Zentimeter-große Bereiche in wässrigen Lösungen zu strukturieren.
Dieses Paper führt HyDB ein, einen umfassenden und bedingungsaufgelösten Korpus aus 40.929 PET-Hydrolase-Aktivitätsmessungen, der Daten an eindeutige Sequenz-Fingerprints bindet und Reaktionsbedingungen, Evidenzstufen sowie Provenienz explizit aufzeichnet, ohne fehlende Werte zu imputieren.
Diese Arbeit präsentiert ein physikinformiertes maschinelles Lernframework, das Zeolith-Gerüststrukturen aus begrenzten und unvollständigen experimentellen Röntgenbeugungsmustern erfolgreich identifiziert, indem es realistische Datenaugmentation mit multiskaligen faltungsneuronalen Netzwerken kombiniert, wodurch die Lücke zwischen Simulation und Experiment geschlossen und die automatisierte Analyse in ressourcenarmen Forschungsumgebungen ermöglicht wird.
Diese Studie nutzt Massenspektrometrie-Bildgebung und Ionenmobilität-Trapping, um die räumlich organisierten Biotransformationspfade von Benzalkonium in Abwasser-Biofilmen abzubilden, wobei distinkte chemische Mikrodome für Transformationsprodukte aufgedeckt werden, was einen Rahmen zur Optimierung der Entfernung von Mikroschadstoffen bereitstellt.
Diese Studie präsentiert einen zuverlässigkeitsbewussten, multimodalen Deep-Learning-Workflow, der standardisierte MIC-Daten mit Unsicherheitsquantifizierung und Grauzonenmodellierung integriert, um Kandidaten aus Naturstoffen gegen *Candida albicans* effektiv für die experimentelle Nachverfolgung zu priorisieren und zu validieren.
Das Papier stellt NMRAgent vor, einen auf Large Language Models basierenden Agenten für evidenzbasiertes Schließen, der die Einschränkungen hinsichtlich Interpretierbarkeit und Generalisierbarkeit aktueller KI-Methoden bei der NMR-basierten Strukturaufklärung von Molekülen überwindet, indem er Datenbankabfrage, De-novo-Generierung und spektrale Verifizierung kombiniert, um eine überlegene Genauigkeit bei neuartigen Gerüsten zu erreichen und unbekannte Naturstoffe erfolgreich zu identifizieren.