• SLC7A11在LPS诱导的腹膜炎过程中表达上调，且其表达受到PPARγ的负调控

  摘要腹膜炎是腹膜透析的主要并发症，与腹膜间皮细胞（PMCs）的炎症损伤密切相关。溶质转运蛋白家族7的成员11（SLC7A11）是半胱氨酸/谷氨酸反向转运系统xc−的关键组分，已被发现参与炎症调节；然而，其在腹膜炎中的作用仍不明确。在本研究中，我们发现SLC7A11在脂多糖（LPS

  来源：BMC Immunology

  时间：2026-09-02

• 早产与妊娠期糖尿病对人母乳中先天淋巴样细胞（ILCs）的影响

  母乳喂养为新生儿提供关键的免疫与代谢益处，可降低早产并发症及母体妊娠期糖尿病（GDM）相关的远期风险。然而，这些保护效应背后的机制，尤其是母乳中母体免疫细胞的作用仍不完全清楚。本研究旨在探讨早产与GDM如何在泌乳早期影响母乳来源先天淋巴样细胞（ILCs）的组成

  来源：Molecular and Cellular Pediatrics

  时间：2026-09-02

• 分离的鼓腹蝰蛇（Bitis arietans）毒液丝氨酸蛋白酶的结构与功能表征

  鼓腹蝰蛇毒液含有独特且非典型的酸性及碱性毒液丝氨酸蛋白酶（SVSPs）。酸性、激肽释放酶样形式是一种明胶酶：这是SVSPs的一种新活性。碱性形式与独特的M. lebetinaα-纤维蛋白原酶ML-AF非常相似。生化分析表明它们可能在血液毒性中发挥作用。

  来源：Toxicon: X

  时间：2026-09-02

• 人精子核内蛋白酶体的分子架构与空间组织

  蛋白酶体（proteasome）对蛋白质稳态与基因组完整性至关重要，在精子发生与受精过程中不可或缺。然而，其在精子核内的存在、组成及作用尚存争议。研究人员利用人精子细胞原位冷冻电子断层扫描（in situ cryo-electron tomography, c

  来源：Nature Structural & Molecular Biology

  时间：2026-09-02

• 万物农耕架构

  尽管智慧农业正快速演进为数据驱动的赛博物理生态系统，现有物联网（IoT）框架仍严重依赖集中式云计算。这种依赖引入了通信瓶颈、执行延迟与安全漏洞，限制了资源受限农村环境中的实时响应能力。为应对这些挑战，研究人员提出万物农耕架构（Farming of Things

  来源：Smart Agricultural Technology

  时间：2026-09-02

• Cattle-vision：一种用于采食过程中奶牛个体连续识别的鲁棒视觉系统

  摘要 对个体奶牛进行连续身份输出，是量化采食时长、采食频率及其他行为关联健康指标的前提。在商业采食区域，较长的相机-动物距离、头部姿态变化、围栏遮挡、相邻动物遮挡、强光以及夜间红外成像经常中断颈圈数字的可见性，使逐帧识别不可靠。本研究提出了Cattle-Vi

  来源：Smart Agricultural Technology

  时间：2026-09-02

• 基于图像处理、机器学习和智能手机决策支持的西瓜内部品质无损评估

  西瓜（Citrullus lanatus）是一种全球广泛消费的水果，然而其品种差异尚未得到充分描述，且在很大程度上未被消费者认知。因此，内部品质评估仍然具有挑战性，因为仅凭外部属性无法可靠推断内部品质。本研究旨在比较三个西瓜品种（Sweet Baby、Rock

  来源：Smart Agricultural Technology

  时间：2026-09-02

• 野生稻种质资源评价中基于AI驱动无人机表型框架的高通量穗计数

  野生稻（Oryza spp.）蕴含丰富的遗传变异，是改良栽培稻产量相关性状的重要种质资源。穗数是评价野生稻分蘖能力及产量潜力的关键表型性状。然而，现有穗数表型获取方法效率低、依赖人工操作，且植株目标与种质编号匹配繁琐。研究人员提出了一种AI驱动的无人机（UAV

  来源：Smart Agricultural Technology

  时间：2026-09-02

• 超越视觉检视：基于高光谱传感器的大豆病害及侵染严重度的智能识别

  将高光谱数据与机器学习模型相整合，为检测大豆作物中不同病害及其严重度等级提供了一种高效替代方案。本研究目标为：构建能够区分靶斑病（target spot，由 Corynespora cassiicola 引起）与亚洲大豆锈病（Asian soybean rus

  来源：Smart Agricultural Technology

  时间：2026-09-02

• 基于生物阻抗光谱的植物水分与铁胁迫分类中的泛化与分布偏移

  在农业中利用机器学习（Machine Learning, ML）方法有望提高植物生产力并推动可持续实践。尽管许多研究已采用基于ML的方法来处理植物状况监测等任务，但关键挑战仍未解决：其中，缺乏合适的测试方法和可靠的泛化评估（即在新数据上的成功表现）尤为重要。这

  来源：Smart Agricultural Technology

  时间：2026-09-02

知名企业招聘：