本发明提供一种抗蛋白吸附毛细管电泳共价键合涂层柱的制备方法。利用聚苯乙烯磺酸钠和感光聚合物重氮树脂的静电自组装和光固化交联反应在石英毛细管柱的内壁上构筑共价键合抗蛋白吸附涂层。所制备的毛细管电泳涂层柱具有良好的抗蛋白吸附性能，与未涂层的石英毛细管裸柱相比，对蛋白质的分离性能提高1倍以上。本方法所用工艺流程简单，生产效率高，生产成本低，重复性好，无毒环保，易于大规模生产，制得的共价键合毛细管电泳涂层柱具有优良的化学稳定性和抗蛋白吸附性能，适用于对蛋白质、糖蛋白、肽链、激素、酶等生物的样品的电泳分离检测和纯化。毛细管电泳涂层柱、产品附加值高。

本发明提供了一种高稳定性蛋白质‑壳聚糖复凝聚交联微胶囊及其制备方法，首先将芯材与不含还原糖的或含有还原糖的蛋白质溶液混合，高速分散形成O/W型乳状液，再加入壳聚糖溶液，调节pH，让蛋白质与壳聚糖通过静电相互作用发生复凝聚反应，形成复凝聚相沉降在芯材乳滴周围而得到微胶囊，离心收集微胶囊，加热，使蛋白质‑壳聚糖、蛋白质‑壳聚糖‑还原糖两两之间发生美拉德反应引发交联而提高微胶囊的稳定性。本发明简单易行、安全、高效，适于大规模生产；本发明可广泛用于具有良好热稳定性芯材的包埋，对于开发高稳定性的蛋白质‑壳聚糖复凝聚微胶囊体系和推进复凝聚微囊化技术在食品工业中的实际应用具有重要意义。

本成果发明了以秸秆和废弃动物蛋白酸解氨基酸为原料，物料和空间均无需严格灭菌下大规模制造木霉固体菌种的技术工艺，突破了木霉全元生物有机肥制造技术瓶颈。 一、项目分类 显著效益成果转化 二、成果简介 木霉生物量大、根表定殖能力强、次生代谢产物种类多和含量高，促生和生防效果比细菌更显著，但木霉在液体扩繁后期不能有效产孢，需再进行固体发酵才能获得高浓度木霉固体菌种，传统工艺原料贵、物料严格灭菌成本高，难以扩大规模，这是木霉生物有机肥产业中的技术瓶颈。本成果发明了以秸秆和废弃动物蛋白酸解氨基酸为原料，物料和空间均无需严格灭菌下大规模制造木霉固体菌种的技术工艺，突破了木霉全元生物有机肥制造技术瓶颈。

组蛋白H3的N端翻译后修饰在调控基因转录活性和染色质结构方面发挥着非常重要的功能，其异常修饰可能会导致发育紊乱和癌症的发生。

本发明公开了一种靶向降解p300/CBP蛋白的化合物及其合成方法和应用，涉及药物化学技术领域。本发明首次提供了一种利用SuFEx反应构建蛋白水解靶向嵌合体以及其它双功能分子的方法；本发明采用化合物CPI644的氟代磺酸酯和磺酰氟类似物作为p300/CBP蛋白配体，并通过SuFEx反应与预先引入以不同长度的烷烃作为连接臂的E3泛素连接酶配体5‑OH和4‑OH沙利度胺进行连接，制备了两个系列12个PROTACs分子；本发明设计的PROTACs分子具有降解p300/CBP蛋白的能力，并且PROTACs分子可以在人乳腺癌细胞中浓度依赖性地降解p300/CBP蛋白；这些PROTACs分子表现出了较好的抗肿瘤效果，在肿瘤的诊断及治疗方面有广阔的应用前景。

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。

b0,+AT-rBAT是人体内的一种氨基酸转运蛋白复合物，属于异源多聚体氨基酸转运蛋白（HAT）家族。异源多聚体氨基酸转运蛋白，由轻链蛋白和重链蛋白构成。b0,+AT是其中的轻链蛋白，负责转运底物。而rBAT是其中的重链蛋白，具有负责轻链蛋白细胞膜定位（即将轻链蛋白“护送”到细胞膜上）和维持轻链蛋白的稳定性的作用。 b0,+AT主要分布于小肠和肾脏中。b0,+AT或者rBAT的突变，会诱发胱氨酸尿症，一种先天性遗传疾病。患者尿路中常有胱氨酸结石形成，造成肾绞痛，可引起尿路感染和肾功能衰竭。该病作为一种隐性遗传疾病在人群中的发病率约为1/7000，属于罕见病的一种。研究b0,+AT-rBAT的最新研究成果，揭开了胱氨酸尿症发病的分子机理。复合物的结构和功能，将能帮助我们认识胱氨酸尿症，为可能的治疗方案提供线索。 本项研究工作在全世界首次解析了b0,+AT-rBAT的高分辨率电镜结构。结构显示，b0,+AT蛋白与rBAT蛋白首先形成异源二聚体分子，然后两个异源二聚体分子通过rBAT蛋白的相互作用再进一步形成一个二聚体。体外转运实验表明rBAT蛋白对b0,+AT蛋白的转运活性是必需的；也就是说，b0,+AT要正常发挥转运功能，需要有rBAT蛋白的存在。这与周强实验室2019年解析的LAT1-4F2hc复合物相似。LAT1-4F2hc复合物同属HAT家族，其中的4F2hc蛋白是LAT1蛋白发挥转运活性所必需的。 同时，该研究也首次解析了b0,+AT-rBAT和它的天然底物精氨酸的复合物的冷冻电镜结构，解释了它的底物识别机制。如果把b0,+AT-rBAT复合物比做生物膜上的一艘船，那么被转运的精氨酸，可以被理解为“货物”。研究人员通过解析b0,+AT-rBAT与底物的复合物的结构，可以了解该“货物”如何加载到船上的——这个过程，即为“识别机制”。 在底物结合点附近，科研团队还鉴定出了底物结合位点附近的一个转运调控区域。通过点突变和同位素转运实验，他们证明了该转运调控区域对于b0,+AT-rBAT的转运功能至关重要。西湖大学黄晶实验室采用了分子模拟的方式，亦验证了该区域的重要性。 对于b0,+AT-rBAT复合物突变而导致的胱氨酸尿症，基于上述研究，研究团队进一步揭开了该疾病发生的机理。通过分析已解析出的b0,+AT-rBAT的高分辨率结构，研究人员对突变的位点进行了准确定位，并对这些位点进行了体外生化实验的验证。结果显示，b0,+AT-rBAT的关键位点的突变影响了氨基酸转运的活性，造成了胱氨酸尿症。

具有新颖的结构，可上调脂代谢相关蛋白ABCA1，是PDE5的强效抑制剂，具有开发成为抗心血管疾病如 本技术成果是以人类NF-κB DNA结合位点为药物设计靶点，通过计算机辅助药物筛选获得一系列 肺动脉高压，以及男性性功能障碍的治疗药物的潜力。 可能具有人类NF-κB抑制活性的化合物。在细胞水平对筛选获得的化合物进行抗HBV复制抑制实验， 发现其中一类高治疗指数的新型呋喃香豆素类化合物可以有效抑制HBV DNA复制，减少HBV表面抗原 （HBsAg）、HBV e抗原（HBeAg）分泌。此类呋喃香豆素类化合物可用于治疗HBV感染引起的肝炎，有 望进一步开发为一种抗乙型肝炎病毒（HBV）药物。FDA批准上市的5个抗HBV NAs药物，均已出现耐药病 毒株，且出现交叉耐药现象。

本成果以专利形式体现（专利号 200910248615.5 ），桦褐孔菌的代谢产物紫杉醇具有抗癌功效，本专利所提出的的提取三萜类物质方法，更好的简化了提取步骤和工艺，有利于实现该物质的提取，在生物医药行业将有广泛应用。

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