不要给狗狗吃水果的籽或是核：智能组象石榴、荔枝、杏、李子等等，籽多或是核大的水果如果不能把水果的籽儿和核去除，就不要给狗狗吃

此外，预中通过多步原位自组装的癌症治疗可以选择性地靶向癌症细胞所需的细胞外空间和细胞内亚基，预中为此对多步原位自组装机制的热力学和动力学的基本理解对于控制涉及在肿瘤微环境中形成亚稳态组装体和热力学稳定结构的系列转化至关重要。原位自组装癌症治疗和成像的整体概念然而，标年为了推动基于原位自组装的新兴癌症疗法和成像策略的临床转化，还需要克服一下几个挑战。

为了开发首个基于有机分子的放射余辉材料，产2h储池模产装南洋理工大学浦侃裔教授、产2h储池模产装北京化工大学宋继彬教授和山西医科大学张瑞平教授等人报道了一种新型有机发光体（IDPA），该发光体可以有效地进行放射动力学过程以产生单线态氧（1O2）并发射用于精确癌症治疗的放射余辉。同时，配线X射线还可以作为能量源来启动光学试剂的光动力过程，以实现放射动力学治疗（RDT）。项目信使核糖核酸（mRNA或转录物）已被鉴定为人类癌症中检测CTL的敏感和稳健的生物标志物。

不仅如此，智能组SENSE可在生物浓度下抵抗GSH和核酸酶长达24小时。这些激子跃迁回基态，预中激发三线态氧（3O2）到单线态氧1O2（敏化）。

放射余辉动力学发光体的合成与表征除了可调谐的近红外发光、标年长半衰期和有效的1O2生成外，标年该放射性发光体的结构多功能性可被用于构建智能可激活探针，该探针仅在靶向癌症生物标志物存在的情况下才开启放射性余辉动态过程。

在这篇综述中，产2h储池模产装高丽大学JongSeungKim、产2h储池模产装HeeminKang和南洋理工大学浦侃裔教授讨论了通过内源性和外源性刺激在细胞外和细胞内环境中原位自组装的总体概念及其物理化学和生物学效应。当我们进行PFM图谱分析时，配线仅仅能表征a1/a2/a1/a2与c/a/c/a之间的转变，配线而不能发现a1/a2/a1/a2内的反转，因此将上述降噪处理的数据、凸壳曲线以及k-均值聚类的方法结合在一起进行分析，发现了a1/a2/a1/a2内的结构的转变机制。

参考文献[1]K.T.Butler,D.W.Davies,H.Cartwright,O.Isayev,A.Walsh,Nature,559(2018)547.[2]D.-H.Kim,T.J.Kim,X.Wang,M.Kim,Y.-J.Quan,J.W.Oh,S.-H.Min,H.Kim,B.Bhandari,I.Yang,InternationalJournalofPrecisionEngineeringandManufacturing-GreenTechnology,5(2018)555-568.[3]周子扬,电子世界,(2017)72-73.[4]O.Isayev,C.Oses,C.Toher,E.Gossett,S.Curtarolo,A.Tropsha,Naturecommunications,8(2017)15679.[5]V.Stanev,C.Oses,A.G.Kusne,E.Rodriguez,J.Paglione,S.Curtarolo,I.Takeuchi,npjComputationalMaterials,4(2018)29.[6]A.Rovinelli,M.D.Sangid,H.Proudhon,W.Ludwig,npjComputationalMaterials,4(2018)35.[7]J.C.Agar,Y.Cao,B.Naul,S.Pandya,S.vanderWalt,A.I.Luo,J.T.Maher,N.Balke,S.Jesse,S.V.Kalinin,AdvancedMaterials,30(2018)1800701.[8]R.K.Vasudevan,N.Laanait,E.M.Ferragut,K.Wang,D.B.Geohegan,K.Xiao,M.Ziatdinov,S.Jesse,O.Dyck,S.V.Kalinin,npjComputationalMaterials,4(2018)30.[9]A.Maksov,O.Dyck,K.Wang,K.Xiao,D.B.Geohegan,B.G.Sumpter,R.K.Vasudevan,S.Jesse,S.V.Kalinin,M.Ziatdinov,npjComputationalMaterials,5(2019)12.[10]Y.Zhang,C.Ling,NpjComputationalMaterials,4(2018)25.[11]H.Trivedi,V.V.Shvartsman,M.S.Medeiros,R.C.Pullar,D.C.Lupascu,npjComputationalMaterials,4(2018)28.往期回顾：项目认识这些带你轻松上王者——电催化产氧（OER）测试手段解析新能源材料领域常见的碳包覆法——应用及特点单晶培养秘诀——知己知彼，项目对症下方，方能功成。因此，智能组2018年1月，美国加州大学伯克利分校的J.C.Agar[7]等人设计了机器学习工作流程，帮助我们理解和设计铁电材料。

此外，预中目前材料表征技术手段越来越多，对应的图形数据以及维度也越来越复杂，依靠人力的实验分析有时往往无法挖掘出材料性能之间的深层联系。标年利用机器学习解决问题的过程为定义问题-数据收集-建立模型-评估-结果分析。