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

西北地区的 70%的土地为贫瘠土壤，其中高盐碱土壤又占了近一半，这导致大多数植物很难生存，这就进一步限制了农民的可用耕地面积 （于法稳，2001）。因此，选育具有抗盐特性的作物就变得非常 重要。但是，由于缺乏合理的筛选手段和技术，且随机选育所需的人力物力都十分巨大，目前筛选得到的具有抗盐特性的作物数量很少，且抗性不强。 近些年来，科学家发现了一些能在高盐碱土壤上生长的抗盐胁迫植株，并将该植株中抗盐胁迫相关的基因进行克隆获得具有抗盐胁迫能力的转基因作物

一种药用植物大戟Ep-Hmgr蛋白编码序列，属于基因工程领域。所分离出的DNA 分子包括：编码具有药用植物大戟Ep-Hmgr蛋白活性的多肽的核苷酸序列，所述的核苷酸序列与SEQ ID NO.3中从核苷酸第81-1832位的核苷酸序列有至少70％的同源性；或者所述的核苷酸序列能在40-55℃条件下与SEQ ID NO.3中从核苷酸第81-1832 位的核苷酸序列杂交。本发明是一种3-羟基-3-甲基戊二酰辅酶A的还原酶，有助于提高药用植物大戟中次生代谢产物或其前体的含量，对于保护人民的健康生长有所帮助

本发明公开了一种斜生纤孔菌3-羟基-3-甲基戊二酰辅酶A还原酶基因及其编码的蛋白质与用途，本发明所提供的鲨烯合酶基因具有SEQ ID NO.1所示的核苷酸序列或者添加、取代、插入或缺失一个或多个核苷酸的同源序列或其等位基因及其衍生的核苷酸序列。所示基因编码的蛋白质具有SEQ ID NO.2所示的氨基酸序列或者添加、取代、插入或缺失一个或多个氨基酸的同源序列。本发明提供的3-羟基-3-甲基戊二酰辅酶A还原酶基因可以通过基因工程技术提高斜生纤孔菌中桦褐孔菌醇的含量，可用于利用转基因技术来提高斜生纤孔菌中桦褐孔菌醇含量的研究和产业化中。而这些次生代谢产物在临床上具有巨大的应用价值，对保护人民的健康生长有所帮助。因而本发明具有很大的应用前景。

RNA病毒一直给人类健康带来巨大威胁。分节段负链RNA病毒（sNSV）通过自身携带的RNA聚合酶抢夺宿主细胞mRNA的5’端帽子结构，转录为病毒mRNA，合成的病毒mRNA是由宿主基因和病毒基因组成的嵌合mRNA。此过程被称为“Cap-snatching”，是sNSV复制周期中的关键环节。 一直以来，人们认为：病毒mRNA翻译的蛋白只包含病毒基因的开放阅读框（ORF），宿主来源的mRNA序列的作用是其5’端帽子结构可供宿主细胞翻译体系识别，其他宿主源遗传信息没有合成病毒蛋白的功能。 该研究揭示了病毒编码蛋白的新机制。 研究发现，病毒抢夺过来的宿主源mRNA片段，不仅起到5’端帽子结构的作用，而且这些宿主源mRNA片段包括起始密码子（AUG），宿主细胞可以从宿主的AUG开始翻译，编码两类宿主与病毒的嵌合蛋白。若宿主源AUG与原有病毒蛋白ORF在同一读码框中（in-frame），产生的蛋白为 N 端延长的宿主与病毒嵌合蛋白； 若宿主源AUG与原有病毒蛋白ORF不在同一读码框中（off-frame），产生的蛋白为新型的嵌合蛋白（Novel host-virus encoded proteins）。 进一步研究结果发现：流感病毒感染细胞后可以产生上述两类嵌合蛋白，这些嵌合蛋白可以诱导T细胞反应，并且与病毒的毒力相关。该研究提示，这种新的病毒蛋白编码机制可能不仅仅局限于流感病毒，在其他人类病毒、动物病毒和植物病毒中也广泛存在这种宿主与病毒嵌合蛋白的编码机制。 本研究是由美国纽约西奈山伊坎医学院（Icahn School of Medicine at Mount Sinai）牵头，多国科研工作者共同合作完成。

近日，北京大学心理与认知科学学院、IDG麦戈文脑科学研究所、北大-清华生命科学联合中心、海南大学生物医学工程学院王征实验室与中国科学院王光中研究员合作，在Cell Reports在线发表题为“Noncoding transcripts are linked to brain resting-state activity in non-human primates”的研究论文，报道了利用实验室前期收集的猕猴全脑分区、单细胞转录组图谱和静息态脑影像数据，整合分析发现150个非编码基因与蛋白编码基因一起共同调控大脑网络在静息状态下的同步自发振荡活动。此外，这些非编码基因不仅与非神经元细胞（如少突胶质细胞）的功能有关，且与人类精神疾病如自闭症、精神分裂症的风险基因紧密关联。