本成果来自国家科技计划项目，为获得发明专利授权的专利成果（ZL201210004700.X）。该成果可应用于新一代视频监控、视频通信等领域。

本发明公开了一种极化码和多比特偶校验码级联的纠错编码方法，该方法发送端编码器采用多比特偶校验码作为外码，极化码作为内码；接收端译码器采用修正的 SCL 译码算法进行译码。在纠错性能上，相对于采用 SCL 译码算法的中短码长非级联极化码，本发明可以显著提升系统的误帧率性能，并可明显突破后者不可突破的最大似然界限(ML-Bound)；在工程实现上，本发明外码采用多比特偶校验码，编码简单，译码采用修正的 SCL 译码算法，译码过程中比特判决与偶校验联合进行，相对于原始 SCL 译码算法无译码复杂度的提升，有利于工程实现。

本发明涉及基因工程，具体公开了一种抗大肠杆菌k88ac的单链抗体及其编码基因。本发明将抗k88ac抗原的抗体可变区基因，与猪的抗体恒定区通过linker序列连接，形成scFv‑Fc结构。构建CMV启动子调控scFv‑Fc基因表达的重组载体k88‑p CMV5，使其在细胞水平高效表达。通过western和ELISA检测抗体可正常表达；且具有与k88ac抗原的结合能力。本发明成功获得了针对k88ac大肠杆菌的抗体基因，为得到抗腹泻转基因猪群提供了新方法，对于农业发展具有很大的经济效益。

本发明公开了一种来源于象耳豆根结线虫的Mesp1蛋白及其编码基因和应用。本发明提供了Mesp1蛋白，是由序列表中序列1或序列3所示的氨基酸序列组成的蛋白质。编码Mesp1蛋白的Mesp1基因也属于本发明的保护范围。本发明还保护Mesp1蛋白的应用，为如下(c1)至(c3)中的至少一种：(c1)调控根结线虫的寄生能力；(c2)调控根结线虫的致病能力；(c3)调控根结线虫的发育。本发明还保护一种培育转基因植物的方法，包括如下步骤：将所述干扰Mesp1基因表达的物质导入出发植物，得到转基因植物；所述转基因植物对根结线虫的抗性高于所述出发植物。本发明对于象耳豆根结线虫致病机理研究以及抗线虫植物制备具有重大价值。

本发明涉及分子生物学领域，具体的说是一种许氏平鮋免疫增强蛋白(HMGB1)编码基因及其重组蛋白制备和应用。HMGB?1为序列表SEQ?ID?No.1中的氨基酸序列所示，该蛋白的编码基因为序列表SEQ?ID?No.2中的碱基序列所示。其制备方法：以鳗弧菌刺激的许氏平鮋头肾cDNA为模板，PCR扩增HMGB1编码基因，构建质粒pHMGB1；将pHMGB1转化大肠杆菌BL21Transetta(DE3)，对转化子进行诱导表达后，提取和纯化蛋白，即得重组HMGB1蛋白。所述重组HMGB1蛋白可结合双链DNA，并可显著提高许氏平鮋头肾巨噬细胞的免疫活性，提高其对鳗弧菌的杀菌功能和许氏平鮋对鳗弧菌的抵抗能力。该重组HMGB1蛋白可作为免疫增强剂应用于鱼类鳗弧菌病害的防治。

1.痛点问题 尽管目前已有一系列临床治疗手段，但癌症仍然是人类健康与生命安全的最主要威胁之一，大多数癌症仍然有巨大的未满足医疗需求。抗肿瘤药物的研发依赖于靶点分子的鉴定。因此，依托于新的抑癌靶点，开发全新的抗肿瘤靶向药，是当前创新药研发的前沿。现有药物靶点主要是蛋白编码基因，所开发药物以靶向蛋白质的抗体药、小分子化合物药为主。 长非编码RNA（lncRNA）是近年来发现的一类不编码蛋白质的RNA分子，具有组织特异性强，功能复杂，种类数量大等特征。研究发现多个lncRNA与各种生物学过程相关，但是大多数lncRNA的生物学功能仍然未知。学术界已发现多个与肿瘤发生发展相关的lncRNA，但目前尚没有靶向lncRNA的抗肿瘤药物上市或在临床试验中。鉴于lncRNA复杂、多样化、特异性的生物学功能特征，这一大类分子有望成为新的疾病治疗靶点库。与已知的蛋白靶点相比，lncRNA研究少，易于获得原创、高价值的靶点专利。这要求基础研发工作在特定生理或疾病状态下，从成千上万的lncRNA中准确鉴定具有核心、基础生物学意义的lncRNA，并详细解析其细胞功能与分子机制，确定其作为疾病治疗靶点的可行性与科学基础。 2.解决方案 在此前的研究中，本项目组以肿瘤体系为研究对象，开发了基于信息论的多组学数据挖掘与lncRNA功能预测方法流程。在多种癌症中鉴定了具有核心生物学功能的lncRNA。例如，首次发现一个此前从未被研究过的lncRNA对于肝癌肿瘤细胞等高增殖率细胞的核仁结构及功能至关重要。研究证明该lncRNA在肿瘤中特异性地高表达，并且对于肿瘤细胞的快速增殖不可或缺，因此项目提出以该lncRNA作为肿瘤治疗靶点，开发抗肿瘤小核酸药或小分子化学药，控制肝癌发展。 项目技术核心是在肿瘤体系中鉴定重要lncRNA的技术流程，预期产品是针对一系列lncRNA新靶点的靶向药物。 3.合作需求 1)资金需求：针对新靶点lncRNA的小核酸药临床前研发需要的资金投入，在IND申报前需约2500-5000万元人民币； 2)孵化资源：公司研发所需办公及研发场地、实验室、计算服务器、分析与测试公共实验室等； 3)团队：生物医药科技公司管理团队、核酸药临床前研发团队、商务开发与合作团队、财务、法务等支持团队； 4)CRO公司合作：小核酸序列大规模合成、敲低效率验证、动物模型、药物毒理、药代动力学、免疫原性等指标测试； 5)大型医药公司合作：商讨未来技术转让方案，利用大型医药公司临床开发资源，开展临床研发合作； 6)药物递送平台合作：针对小核酸药靶向递送需求，开展不同递送工具的合作开发； 7)临床医院合作：针对临床治疗需求，开展小规模IIT临床试验，准备IND申报； 8)基础研究合作：与lncRNA研究领域内国内外基础研究团队合作，开发新的lncRNA靶点。

本发明公开了一种采用基于 Delaunay 三角剖分的空间网络编码的网络传输方法，适用于包含 N 个终端点的传输网络；包括初始化步骤、Delaunay 预处理步骤、形成子矩形步骤、子矩形划分步骤、求平衡前线性规划最优解步骤、调整中继点到平衡位置步骤、求平衡后线性规划最优解步骤和 Delaunay 后处理步骤；通过采用 Delaunay 三角剖分得到斯坦纳点和增补的斯坦纳点作为候选的中继点，并通过非均匀划分得到候选的中继点，从上述候选的中继点中选出最优的中继点，对选出中继点的位置进行微调以进一步降低代价，从而得到采用空间网络编码的网络传输方案，解决现有技术中仅基于非均匀划分的空间网络编码方法中，当中继点与终端点非均匀密度分布时求线性规划最优解时计算量大的问题，进一步有效提升网络传输的总体性能。

本发明公开了一种水稻孕穗期耐冷性相关蛋白CTB4a及编码基因与应用。本发明提供了一种蛋白，是如下1)或2)： 1)序列表中序列2所示的蛋白质； 2)将序列表中序列2所示的氨基酸序列经过一个或几个氨基酸残基的取代和/或缺失和/或添加且具有相同功能由序列2衍生的蛋白质。 本发明的实验证明，本发明克隆了一个新的正向调控水稻孕穗期耐冷基因CTB4a，将其转入野生型水稻中，表现出孕穗期耐冷，为水稻的耐冷品种选育提供基因资源。

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN