（ i ）能够阻碍 DNA 聚合酶在反转录过程的单碱基延伸；（ ii ）能够降低缺口连接酶的连接效率。 SELECT 方法采用荧光定量 PCR 的方法进行定量。结合方法优化，发展了 SELECT 方法的 3 个应用实例：（ i ）在生物学样本总 RNA 或总 mRNA 中检测 mRNA 或 lncRNA 上单位点是否含有 m6A 修饰；（ ii ）检测生物学样本中特定 m6A 位点的修饰比例；（ iii ）鉴定 m6A 甲基转移酶或去甲基酶的生理作用靶点。 SELECT 方法不仅简化了生物学样品中 m6A 修饰的检测过程，实现低丰度 RNA 中 m6A 单碱基分辨率的检测，还能够应用于其他 RNA 化学修饰的检测中，例如 N1- 甲基腺嘌呤（ N1-methyladenosine ， m1A ）和 2’-O- 甲基化修饰（ 2’-O-methylation ， Nm) 等。

本发明公开了一种检测十种主要柑桔病害病原的基因芯片，包括固相载体和固定在该固相载体上的特异 性寡核苷酸探针，其特征在于：固定在所述固相载体上的特异性寡核苷酸探针具有SEQIDNO:1-SEQIDNOIO所示的寡核苷酸序列或者与SEQIDNO:1-SEQIDNO:10^示的寡核苷酸序列互补的DNA或 RNA。本发明方法设计合理，能够提高检测柑桔主要病害病原的敏感性、特异性及准确性；高通量，一次检 测即能检出十种柑桔病害，十种病毒基本概括了柑桔主要病害病原；能够发现各种柑桔病原物的混合感染。

本发明提出了一种基于细长反应腔的全基因组扩增方法，其特征在于将多重链置换扩增反应体系注入细长型的反应腔中，完成对目标基因组的全基因组扩增。细长形的反应腔体将多重链置换扩增反应体系相对分隔于一个细长的反应腔中，各微观反应单元之间的物质交换和相互影响大为减少，因此各微观反应单元以一个相对独立的状态发生反应，目标核酸各个片段之间的扩增一致性得到很大提升。同时，基于细长反应腔的多重链置换扩增，不需要预先制备微液滴发生装置或复杂反应微腔，并且在系统调试和扩增反应的过程中，不需要对微量液体进行精密和复杂的控制，

 红树植物是生长在海岸潮间带环境的木本植物，包含了不同分类类群的数十个物种，是研究适应性趋同进化的极佳对象。课题组选择了三个主要的红树植物类群共16种代表性的红树物种，进行了全基因组或转录组测序组装，在全基因组水平检测趋同进化。通过系统发育分析发现三个红树植物类群起源的时间十分接近，共同经历了历史上海平面的升降，并逐步适应潮间带环境。论文进一步发展了准确估计分子水平趋同进化的方法，以陆生植物为对照，通过检测趋同氨基酸替代的方法，成功收集到70多个在红树植物中趋同进化的基因。此外还发现红树植物更多的趋同进化发生在氨基酸组成和氨基酸替代模式的改变。相比于陆生植物，红树植物趋同地改变了9种氨基酸的使用频率，更多地发生了平常少见的氨基酸替代模式。这种氨基酸组成的趋同进化有助于红树植物适应高盐、动荡且营养贫瘠的海岸潮间带环境。这项研究通过合适的物种选取、大量的基因组数据和完备的对照组设置，首次真正在基因组水平上准确地检测出趋同氨基酸替代位点。

本发明公开一种制备热稳定疫苗的方法，特别涉及一种联合使用基因工程和仿生矿化技术制备热稳定疫苗的方法。本发明提供一种利用基因工程技术在疫苗表面引入具有诱导无机物矿化能力的多肽的方法；(1)构建疫苗的基因克隆；(2)将多肽的核酸序列插入疫苗基因克隆中，得到重组克隆；(3)将重组克隆在细胞或大肠杆菌内表达，得到具有自矿化能力的疫苗。本发明还一种制备钙矿化上述制得的具有自矿化能力的疫苗的方法；(1)向有酸根的疫苗液加入Ca2+离子；(2)将体系进行孵育，获得磷酸钙包被疫苗。本发明通过疫苗矿化，高效地解决了疫苗运输和保存中的热失活现象，显著降低疫苗的财政支出，在新型热稳定疫苗生产中有很好的应用。

本发明提供了一种变异的 SCN11A 基因，即人类周围神经发作性疼痛致病基因 SCN11A，其特征在于该变异的 SCN11A 基因的第 673位碱基由野生型的 C 变异为 T；或该变异的 SCN11A 基因的第 2423位碱基由野生型的 C 变异为 G。本发明还提供了一种检测来源于人体生物样本中是否存在所述基因的突变方法及检测试剂盒。本发明提供的变异的人类 SCN11A 基因可用于制备人类周围神经发作性疼痛基因诊断芯片，变异的人类 SCN11A 基因所编码的蛋白质可作为治疗人类周围神经发作性疼痛的药

可以量产/n华杂棉H318是以陆地棉B0011品系为母本，转Bt/CpTI双价抗虫基因陆地棉4-5品系为父本，进行人工去雄杂交配制的杂种一代优势组合。2009年通过国家审定，同时获得农业转基因生物生产应用安全证书。该品种的主要特点：产量高：两年长江区试结果表现为子棉、皮棉和霜前皮棉亩产分别为246.3kg/666.7m2、101.9kg/666.7m2、95.5kg/666.7m2，分别为对照湘杂棉8号的104.7%、109.7%、110.5%；纤维品质优良：试验统一送样测试，长度30.3毫米，断裂

  核糖体DNA编码核糖体的关键组分-核糖体RNA，对蛋白质翻译和细胞增殖具有重要的作用。然而，核糖体DNA的拷贝数在人类基因组中是易变的，由于技术手段的限制，人们对哺乳动物细胞如何维持和控制核糖体DNA的拷贝数和稳定性所知甚少。本研究应用计算生物学和数字微滴式PCR（Droplet digital PCR）方法分析了正常和癌症状态下，人类和小鼠基因组中核糖体DNA的拷贝数和序列变异情况。发现人类癌症基因组中核糖体DNA拷贝数出乎意料地显著减少，并伴随许多其他基因拷贝数的变异。此外，癌症基因组的核糖体DNA序列也更易发生突变。      根据文献证据的提示，研究团队进一步探讨了癌症模型中mTOR（哺乳动物雷帕霉素靶蛋白，mammalian target of rapamycin）功能与核糖体DNA拷贝数减少的关系。发现Pten基因（mTOR信号通路的负调控因子）敲除的白血病小鼠模型中，癌症造血干细胞早期就出现核糖体DNA拷贝数的减少，但其细胞增殖、核糖体RNA合成和蛋白翻译水平等均显著提高。说明核糖体DNA拷贝数丢失是mTOR通路过表达的癌症的一种常见特征。这一研究结果提示，测定核糖体DNA拷贝数，可成为预测癌症对DNA损伤药物敏感性的一个简单而有效的新指标。

本发明公开了一种用于文化赋能机场设计评价的跨模态数据处理方法，涉及跨模态数据分析与处理技术领域，包括，基于预处理后的多源评价数据，通过自适应时间对齐算法，获取时间对齐多源评价数据；基于卷积神经网络模型，构建多源质量增强模型，将时间对齐多源评价数据输入多源质量增强模型，获取高质量多源评价数据；基于高质量多源评价数据，构建多维语义空间，获取多维语义空间中的位置信息和关联规则；通过分析位置信息和关联规则，获取一致性多源评价数据；基于一致性多源评价数据，通过综合评分机制，评估文化赋能机场文化元素。本发明通过自适应时间对齐算法和卷积神经网络模型，显著提升了数据处理的准确性和可靠性。

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