水是生命得以存在的必要条件，它使我们人类得以繁衍生息，人类的生活、生产、娱乐都离不开水。它同时也是许多病原微生物滋生、传播的场所和载体，这些病原微生物一旦进入人体则将可能使人患病、甚至导致死亡，严重威胁着人类健康。随着社会的发展和生活水平的提高，人们越来越关心自身的健康问题，而各种水体（包括生活饮用水，江河湖泊，游泳场馆等）的安全问题也日益成为人们关注的热点。 因此，为了保护人们的身体健康，对各种水体尤其是饮用水中病原微生物的检测是十分必要和亟需的。本项目旨在建立水体中主要病原微生物特异分子标识库，并以此为基础建立快速检测技术，以实现对包括生活饮用水在内的各种水体中主要病原微生物（致病性细菌和原生动物等）的迅速、准确的检测，为人们的用水安全和水质状况的评估提供依据。 应用价值： 根据我国现行饮用水水质标准及 WHO、USEPA 和欧盟的相关规定，确定芯片的检测范围为 12 种细菌、1 种钩端螺旋体和 2 种原生虫：金黄色葡萄球菌，嗜肺军团菌，粪肠球菌，屎肠球菌，肺炎克雷伯氏菌，铜绿假单胞菌，亲水气单胞，大肠杆菌/志贺氏菌，小肠结肠炎耶尔森氏菌，霍乱弧菌，副溶血弧菌，沙门氏菌，钩端螺旋体，贾第鞭毛虫，隐孢子虫。

成功研制出国内首台超快扫描隧道显微镜，实现飞秒级时间分辨和原子级空间分辨，并捕捉到金属氧化物表面单个极化子的非平衡动力学行为。扫描隧道显微镜（Scanning Tunneling Microscope，STM）由于其隧穿电流具有高度的局域性，空间分辨率可以达到原子量级。然而受电流放大器带宽的局限，其时间分辨一般只能达到微秒量级（10-6 s），而很多微观动力学过程往往发生在皮秒（10-12 s）和飞秒（10-15 s）量级。为了提高STM的时间分辨率，其中一种比较可行的办法是将超快激光的泵浦-探测（pump-probe）技术和STM相结合，利用超快光与电子隧穿过程的耦合来实现“飞秒-埃”尺度的极限探测。尽管超快激光技术和STM相耦合的概念在上世纪90年代就被提出，但是相关研究进展非常缓慢，主要受限于一系列技术难点，例如：激光的热效应对STM隧道电流的干扰、激光诱导电流的低信噪比、超快激光脉冲在STM中的展宽、激光与隧穿电子间的耦合机制等。

据李荣鹏教授介绍，人类基因组中编码功能蛋白的基因仅占基因总量的2%，其余98%的基因转录产物为非编码RNA，过去这类RNA一直被认为是冗余，其相关功能研究一直是空白。近年来，非编码RNA的研究逐渐成为国际热点，大量实验证据证明，非编码RNA控制着几乎所有的细胞生理功能。李荣鹏教授的研究在国际上首次证实了母系遗传的长链非编码RNA MEG3的4号转录产物，在肺部感染免疫过程中能够特异性表达，然后通过调节炎症因子IL-1b的表达水平，精准控制宿主的免疫反应。在感染过程中，肺泡巨噬细胞通过降低MEG3-4的表达量，释放出游离的小分子非编码RNA miR-138，然后miR-138结合到细胞因子IL-1b的mRNA 5‘UTR区域，形成剪切复合体降解mRNA，以维持IL-1b在体内的较低水平，防止过度的炎症反应杀伤细胞。这一结果深层次解析了MEG3-4调节宿主感染免疫的分子机制，同时也为推进MEG3-4作为RNA药物的应用提供了理论基础。

本发明公开了一种源于东洋参的新化合物(2S,3S,4R,9E)  2 [(2′R) 2′ 羟基 二十九碳酰胺] 十八碳 1,3,4 三醇，其结构式为该化合物对胆固醇酰基转移酶具有选择性抑制的作用，能够有效用于预防和治疗血脂、动脉粥样硬化、冠心病等疾病，具有良好的研究开发和应用前景；该化合物的制备方法步骤少及操作简便，得到的化合物天然无毒性。

4月22日，清华大学药学院饶燏课题组与武汉大学宋保亮课题组合作在《药物化学杂志》（Journal of Medicinal Chemistry）发表题为“降解对比抑制：开发靶向3-羟基-3-甲基-戊二酰辅酶A还原酶的降解小分子”（Degradation Versus Inhibition: Development of Proteolysis-Targeting Chimeras for Overcoming Statin-Induced Compensatory Upregulation of 3-Hydroxy-3-methylglutaryl Coenzyme A Reductase）的研究论文。HMGCR（3-Hydroxy-3-methylglutaryl Coenzyme A Reductase）是胆固醇（cholesterol）合成途径中的限速酶，并且是经典的治疗血脂异常的药物靶点。它的抑制剂（statin,他汀类化合物）如阿伐他汀（atorvastatin,立普妥®，辉瑞）在临床被用于预防和治疗心血管疾病，并取得了极大的成功。但是有相当一部分人对他汀类药物不耐受，比如会发生骨骼肌损伤等较为严重的副作用，这有可能与服用他汀类药物后体内通过负反馈调节导致HMGCR补偿性表达升高有关。因而在该工作中，研究人员利用蛋白靶向降解嵌合体（Proteolysis-Targeting Chimera, PROTAC）的技术，对HMGCR在进行降解而起到抑制胆固醇合成作用的同时可以避免HMGCR的高表达，从而有望降低副作用。 图1.抑制剂与PROTAC对HMGCR的影响 在该工作中，研究人员首先筛选出SRD15细胞系作为细胞测试的基础，然后基于HMGCR的配体阿伐他汀和E3链接酶CRBN的配体泊马渡胺进行了一系列的构效关系研究，发现化合物P22A作为PROTAC具有较好地降解活性（DC50~100 nM）。相比之下，抑制剂阿伐他汀对HMGCR引起了明显的上调作用（图1）。 图2.抑制剂和PROTAC对LDLR和胆固醇的影响 接下来，研究人员通过一系列的生化和细胞生物学实验证实了PROTAC通过泛素-蛋白酶体系统发挥作用的机制；通过蛋白组学的研究发现抑制剂和PROTAC引起的组学应答也有很大不同。抑制剂和PROTAC对胆固醇合成抑制和通过SREBP通路引起的低密度脂蛋白受体（LDLR）表达水平上调的能力相当（图2）。 HMGCR是位于内质网上的八次跨膜蛋白, PROTAC对此类蛋白的降解能力往往有限，该工作首次证明利用PROTAC技术对内质网蛋白进行降解的可行性。另外，靶蛋白上调的现象还出现在很多其它的抑制剂中，该工作展示了面对此种情况时是PROTAC一个很好的应用场景。 宋保亮课题组博士生李美欣和饶燏组博士后杨毅庆为本工作共同第一作者，饶燏和宋保亮课题组罗婕为共同通讯作者。本研究得到了国家自然科学基金、清华-北大生命联合中心以及中国博士后基金的大力支持。 原文链接： https://pubs.acs.org/doi/10.1021/acs.jmedchem.0c00339

本发明公开了一种基于开槽结构的四分之一模基片集成波导滤波器，包括四分之一模基片集成波导弧形腔，四分之一模基片集成波导弧形腔通过基片集成波导圆形腔沿任意两条相互垂直的磁壁分割得到，四分之一模基片集成波导弧形腔包括介质基片，介质基片的上表面设有上金属层，介质基片的下表面设有下金属层，介质基片中沿四分之一模基片集成波导弧形腔的周向均匀分布有贯穿上金属层和下金属层的金属通孔。本发明相对于传统的基片集成波导圆形腔有效实现了小型化。并且，相对于传统的多层结构，本发明结构简单，加工方便。此外，相对于传统的微带结构，本发明的滤波器品质因数高，损耗小。

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

面向工程机械机电液一体化系统的动态性能匹配方法与分析软件（以下简称为软件）， 能够根据用户对工程机械整机动力配件的选型，自动组成整机系统模型，并预测工程机 械整机运行时的性能以及各配件的功率输出和发热情况。该软件可应用于工程机械产品 开发的各个阶段如参数选型，性能匹配、故障诊断、实验辅助等，并已成功应用于山推 工程机械股份有限公司的新产品开发中。 技术特点： (1) 机电液热融合建模，理论定位高级。软件以预制的机电液零部件模块模型为基 础，可快速地、精细化地实现极端工况条件下机电液融合模型。 (2) 一体化的系统分析，问题覆盖面广。软件综合多种软件资源，对特定工程机械 机型的核心动力系统，可实现任意节点输出的、图解化的、基于机械系统实验结 果的系统分析。 (3) 机型软件快速开发，面向用户需求。软件可针对牵引底盘和非牵引底盘，快速 开发出面向特定工程机械机型的机电液一体化性能分析软件。 (4) 功能契合实际需要，适用范围广泛。适用于工程机械各个技术阶段的参数选型、 性能匹配、故障诊断、以及实验辅助。