Enzyme modification technology can improve the catalytic activity and stability of enzymes, making them more suitable for use in the medical testing industry. This article focuses on seven molecular chemical modification methods, including small molecule chemical modification, polymer modification, enzyme cross-linking modification, and cofactor modification, as well as three genetic engineering modification methods, including directed evolution and site-specific mutation modification. The development prospects of enzyme modification technology are also discussed.

Motivation: Manual centerline Extraction based on black-blood Magnetic resonance vessel wall imaging is a difficult and time-consuming but important step for further analysis of plaques. Goal(s): To propose a method for quickly, automatically and accurately extracting the centerline and label the segments of the target arteries. Approach: This study proposes a method that combines deep learning and traditional graphics method for the automatic and accurate centerline extraction and even segments labeling, which is applicable to flexible MR sequences (only black-blood images, only bright-blood images, or both). Results: Compared with the ground truth, the proposed method achieved excellent completeness and accuracy in a short time. Impact: This study introduces a flexible (MRVWI or/and TOF-MRI), swift, and precise approach for extracting and labeling the centerline of target vessel. With this method, radiologists can more conveniently and efficiently observe potential abnormal areas around vessel and diagnose vessel-related diseases.

Motivation: With the assistance of prior vessel wall mask, segmentation of atherosclerotic plaque can achieve satisfactory performance. However, manual sketching of vessel wall mask is still time-consuming. Goal(s): To propose a method for fast and accurate plaque segmentation without relying on prior knowledge of vessel walls. Approach: This study proposes a deep learning model based on a multi-head loss design for automatic segmentation of carotid artery plaques, with the aim of reducing dependence on prior information of vessel walls in plaque segmentation. Results: In the independent test, the model with the multi-head loss design achieving excellent results similar to using vessel wall prior. Impact: This study achieved fully automatic and accurate plaque segmentation without manual priors, which will greatly reduce burden of radiologist to segment and quantify plaque, and also contribute to more efficient stroke risk assessment, progress monitoring, and efficacy evaluation for patient.

Motivation: Magnetic Resonance Vessel Wall Imaging is a crucial method for assessing arterial plaques. Goal(s): Achieving a rapid and accurate algorithm for vascular centerline extraction and automatic detection of the pituitary stalk, thereby enabling fast, automatic, and quantitative analysis of plaques. Approach: Proposed a point detection algorithm based on V-NET, designed to achieve rapid and accurate extraction of vascular centerlines and automatic localization of the pituitary stalk. Results: Accurate key point detection had been achieved, enhancing the precision of vascular centerline extraction and enabling fast and accurate automatic localization of the pituitary stalk. Impact: The accuracy of vascular centerline detection has been improved, and rapid and automatic quantitative analysis of plaque enhancement has been realized. This can assist in enhancing diagnostic efficiency in clinical settings.