葡京娱乐场-富盈娱乐场开户

微衛星不穩定性（Microsatellite Instability, 簡稱MSI）是目前腫瘤臨床檢測中一種非常重要的分子表型，多發生于結直腸癌、胃癌、和子宮內膜癌。微衛星不穩定性與腫瘤的發生、發展，治療方案制定及治療效果預測相關，更是腫瘤免疫治療療效預測的重要分子標記物。當前，臨床上使用的兩種微衛星不穩定性檢測的金標準方法：MSI-PCR和MSI-IHC，都需要專業技術人員通過實驗操作來完成，均費時費力且成本較高。近年來，隨著高通量測序（Next Generation Sequencing）的發展，基于高通量測序的微衛星不穩定性檢測方法開始顯露頭角，在檢測結果與兩種臨床金標準保持高度一致的情況下，極大的縮減了檢測時間并減少了檢測成本，大幅提高了推廣微衛星不穩定性檢測的可行性。2014年，西安交大葉凱教授團隊率先開發了基于高通量測序的微衛星不穩定性檢測方案——MSIsensor。2017年該檢測方案作為全世界首個泛腫瘤檢測方案MSK-IMPACT中的微衛星不穩定性計算方法，通過了美國食品藥品監督管理局的嚴格測試并獲得批準。美國紀念斯隆凱特琳癌癥中心測試表明，基于高通量測序的微衛星不穩定性檢測與金標準的一致性可達99.4%。然而，微衛星不穩定性檢測方案大都要求提供病人的癌癥組織樣本及一份取自血液或者癌癥組織附近的正常樣本。一方面，這一份正常對照樣本限制了微衛星不穩定性的應用場景，尤其難以應用于血癌樣本、福爾馬林包埋樣本、PDX/PDO等不易獲得正常對照樣本的情況；另一方面，額外的對照樣本增加了微衛星不穩定性的檢測成本。基于上述原因，在葉凱指導下，葉凱青年科學家工作室科研人員經過兩年的探索，從微衛星不穩定性發生機理出發，通過數學模型抽象，從單個腫瘤樣本中提取特征，開發了MSIsensor-pro。MSIsensor-pro實現不依賴正常對照樣本的微衛星不穩定性檢測，只需50個微衛星位點的測序數據即可實現微衛星不穩定性的精準檢測。MSIsensor-pro的開發擴大了微衛星不穩定性的應用范圍，減低了微衛星不穩定性檢測的成本。同時MSIsensor-pro在低腫瘤純度和低測序深度這類低信噪比數據中也顯示出來很大的潛力。 該研究成果近期發表在國際組學和生物信息學領域權威期刊《基因組蛋白質組與生物信息學報》（影響因子6.597）上。葉凱的博士生賈鵬為該論文的第一作者，葉凱為通訊作者，西安交通大學為本文唯一通訊作者單位。這是葉凱教授課題組在基因組暗物質解析方面的又一重要突破。論文鏈接為：https://www.sciencedirect.com/science/article/pii/S1672022920300218

導讀東北電力大學和長春理工大學研究團隊開發并實現一種結合腦電圖源成像(ESI)技術和卷積神經網絡(CNN)的新方法，以對運動想象(MI)任務進行分類。ESI技術采用邊界元法(BEM)和加權最小范數估計(WMNE)分別解決EEG的正向和逆向問題。然后在運動皮層中創建十個scout來選擇感興趣的區域(ROI)。研究者使用Morlet小波方法從scout的時間序列中提取特征。最后，使用CNN對MI任務進行分類。實驗結果:在Physionet數據庫上的整體平均準確率達到94.5%，分別對左拳頭、右拳頭、雙拳和雙腳的單個準確率達到95.3%、93.3%、93.6%、96%，采用十倍交叉驗證進行驗證。研究人員表示，他們的研究成果與最先進的MI分類方法的結果相比，總體分類增加了14.4%。研究者為驗證方法的有效性，加入了4個新的受試者進行驗證，發現總體平均準確率為92.5%。此外，全局分類器適應單一對象，整體平均準確率提高到94.54%。研究者表示，他們提出的結合scout ESI和CNN的方法，提高了腦電解碼四類MI任務的BCI性能。系統框架圖1 系統框架圖系統框架如圖1所示。原始數據來自國際10-10系統的64個電極(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10電極)，并以每秒160個樣本的速度采集。根據國際10-10系統從64個通道采集原始腦電圖，并使用BCI2000系統進行記錄。記錄的數據被分為四個獨立MI任務包括左拳MI,右拳MI,雙拳MI和雙腳MI。首先，由于ERD在執行運動想象時在alpha和beta中不同，因此使用FIR濾波器對EEG進行了8 Hz至30 Hz的帶通濾波。然后，通過計算包含正問題和逆問題的源，將傳感器空間的活動轉化為源空間的活動。接下來，創建scout并提取特征。研究者在運動皮層中創建了10個scout，因為我們只關心與運動相關的活動。十個scout中的每一個都代表了可用源空間中的一個感興趣的區域(ROI)，并且是定義在皮層表面或頭部體積上的偶極子的子集。左腦的scout稱為L1、L2、L3、L4、L5，右腦的scout稱為R1、R2、R3、R4、R5。利用JTFA從10個scout的源時間序列中提取特征。最后，利用CNN對時頻圖進行分離并進行分類。實驗在實驗中，研究人員僅使用了隨機選擇的十個受試者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。這里用于分析的數據集包含每個受試者84次試驗，每一類包含21次試驗。在記錄64通道腦電圖時，受試者執行了不同的運動想象任務。每個受試者針對以下四個任務中的每一個執行了3輪21試驗：當目標出現在屏幕左側時，受試者想象打開和合上相應的拳頭，直到目標消失。然后受試者放松。當目標出現在屏幕的右側時，受試者想象打開和合上相應的拳頭，直到目標消失。然后受試者放松。當目標出現在屏幕頂部時，受試者想象打開和合上雙手的拳頭，直到目標消失。然后受試者放松。當目標出現在屏幕底部時，目標會想象雙腳張開和合攏，直到目標消失。然后受試者放松。為了統一數據維數，研究者選擇了4s的數據，因為每次想象任務的執行時間都在4s左右。此外，腦電圖任務是分開的，研究人員在實驗中將左拳，右拳，雙拳和雙腳MI任務分別稱為T1，T2，T3和T4。圖2 scout命名左右運動想象的scout分別命名為L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如圖2所示。10個scout每一個都被擴展到40個頂點，每個頂點只有一個源。L1區域對應40個信號，其他scout也一樣。在計算了來源后，研究者在運動皮層中創建了十個scout，如圖3所示。圖3 創建10個scout使用ESI計算十個受試者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次試驗的四個任務(T1、T2、T3、T4)的源。對于這四項任務中的每一項，每個受試者每次都要進行7次測試(#1，#2，#3，#4，#5，#6，#7)。展示了第一個步的10個被試的10個scout的4項任務的來源。然后提取10個scout的時間序列進行進一步分析。特征提取在計算源之后，研究人員在運動皮層中創建了包含40個源的10個scout，并提取了scout的時間序列。如圖4所示為提取R5 scout時間序列作為示例。圖的右邊顯示了R5 scout的時間序列。本文利用小波變換從scout時間序列中提取特征。圖4 提取R5 scout時間序列作為示例在這項研究中，研究者提出利用CNN來解決運動想象任務分類的問題。該模型基于Schirrmeister等提出的Deep ConvNet架構，該網絡模型由一個六層卷積網絡組成，其中兩個最大池層和三個全連接層，如圖5所示。圖5對于Physionet數據庫，研究者首先采用Deep ConvNet架構，包括四個卷積層、四個最大池層和一個全連接層。在實驗中，研究者依據經驗使用兩個最大池化層。并嘗試了不同數量的卷積層和完全連接層。時頻圖利用Morlet小波方法得到了scout的特征。對于每個任務，R5 scout的時頻圖如圖6所示。包含時間和頻率互補的時頻分析方法提供了時域和頻域的聯合分布信息，清晰地描述了信號頻率與時間的關系。圖6 R5 scout的時頻圖顯然，只有部分時頻映射是紅色的，表明每個任務只對特定的頻率和時間敏感。由于圖的數量比較大，研究者使用CNN來選擇和學習這些圖中最基本的特征。研究人員隨機選擇了幾個樣本，并將一些特征圖可視化，作為MI任務的學習表示，如圖7所示。圖7為了獲得有效的結果，將數據集分為90％作為訓練集，其余10％作為測試集。首先，將十個受試者的數據集（總共19320個樣本）分為17388個樣本以訓練所提出的CNN模型，以及1932個樣本以驗證模型的有效性。在實驗中，研究者還選擇了另外四個受試者的數據集以增加數據集的規模(27048個樣本)，其中24343個樣本是訓練集，其他樣本是測試集。在選定的scout上對所提出的CNN架構進行了十次訓練和測試，以驗證所提出模型的魯棒性。圖8(a)顯示了10個scout中每個的全局平均精度。圖8 統計結果R5的全局平均精度最高，達到94.5%，而L2的全局平均精度最低，為91.3%。對應L1、L3、L4、L5、R1、R2、R3、R4的整體準確率分別為92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的總體精度均在91%以上，標準差均在0.20%以下。圖8(b)顯示了十個scout中每個scout四個MI任務的組級統計結果及其標準差。一般來說，R5表現的要比其他的好，而L2在迭代2000中表現最差。標準差較小，說明這些精度更接近平均值且穩定。圖9 統計結果圖9(a)顯示了帶有標準差的混淆矩陣，說明了group level分類結果。T1、T2、T3和T4的全局平均精度峰值分別為95.3%、93.3%、93.6%和96.0%。R5 scout的四個MI任務中的每一個都如圖9(b)所示。通過改變訓練集和測試集順序的10次試驗，確定了scoutR5的性能，結果如圖10(a)和(b)所示。在10次試驗中，scout R5的T1、T2、T3、T4的平均準確率分別為93.3%、93.8%、94.2%、94.1%。換句話說，四個任務中每一個的平均準確率都超過了93%。全局平均準確率為93.7%。10次試驗結果表明，該方法對scout R5的分類效果較好。從以上結果可以清楚地看出，R5 scout在四種MI任務的分類中扮演著最重要的角色。因此，選擇R5對四個MI任務進行分類。圖 10圖11. (a)是不同模型的全局平均準確性的比較。可以發現，該研究提出的模型可以達到最大的精度。從圖11. (b)不同模型的ROC曲線可以看出提出的模型比其他模型表現更好。?不同模型T1上的精度比較。(d)不同模型T2的精度比較。(e)不同模型T3的精度比較。(f)不同型號T4的精度比較。圖11 不同模型的精度比較結論東北電力大學和長春理工大學研究團隊開發并實現一種結合腦電圖源成像(ESI)技術和卷積神經網絡(CNN)的新方法。該方法可以對運動想象(MI)任務進行分類。實驗結果表明，他們的研究成果與最先進的MI分類方法的結果相比，總體分類增加了14.4%。研究者加入了4個新的受試者進行驗證來驗證方法的有效性。研究者表示，他們提出的結合scout ESI和CNN的方法，提高了腦電解碼四類MI任務的BCI性能。論文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

本發明公開了一種高靈敏的ZnO/AlN核鞘納米棒陣列紫外光探測器的制備方法，包括如下步驟：在藍寶石襯底上生長ZnO納米棒陣列；采用磁控濺射法在ZnO納米棒上濺射不同厚度的AlN鞘層薄膜；采用濺射法或者電子束蒸鍍分別在ZnO/AlN核鞘納米棒陣列兩端制備具有歐姆接觸的金屬電極，構成完整的器件。本發明通過簡單的磁控濺射方法，控制濺射時間，在ZnO納米棒上生長不同厚度、表面光滑均一的AlN鞘層薄膜，制備的ZnO/AlN核鞘光探測器件不僅具有更好的紫外光響應，在360nm紫外光照射下，電壓為5V時，明暗電流比為5.5×103，提高了一個數量級，同時具有更快速的響應和恢復時間，分別是0.883和0.956s。

本發明公開了一種兼顧近場和遠場性能的三維攝像聲納系統換能器陣列的稀疏優化方法，包括以下步驟：根據三維攝像聲納系統中近場數字波束形成算法的類型，確定三維攝像聲納系統的聚焦距離誤差參數；利用聚焦距離誤差參數確定近場稀疏優化能量函數；采用全局尋優算法，求解使近場稀疏優化能量函數達到最小的稀疏換能器陣列Q1；對Q1中開啟的換能器進行二次稀疏優化，求解使遠場稀疏優化能量函數達到最小的稀疏換能器陣列Q2；當聲納系統工作在近場狀態時，使用Q1進行聚焦波束形成；當聲納系統工作在遠場狀態時，使用Q2進行遠場波束形成。本發明能夠在有效降低系統硬件復雜度的同時，保證系統在不同探測距離下都具備穩定的探測性能。

快速診斷COVID-19是控制大流行的關鍵。本項目通過對新冠患者、健康人、醫護人員、上呼吸道感染（非新冠）的呼出氣中揮發性有機物進行了篩查。通過數據分析，發現新冠患者呼出氣中存在有別于健康人和其他患者的特征性有機化合物（VOC）生物標志物。呼出氣的采集只需1-2分鐘內完成，一次性耗材，無交叉污染。通過GC-IMS、PTR-MS或其它定制的VOC傳感器可以快速實現對患者的新冠篩查，全程無需任何生物檢測試劑，專業技術要求低，簡單無創、費用低廉，初步數據顯示相對于核酸檢測該方法的靈敏度和特異性均能達到90%。

本發明公開了一種硅烷偶聯劑修飾二氧化鈦納米管陣列材料及其制備方法和應用。該硅烷偶聯劑修飾二氧化鈦納米管陣列材料主要由二氧化鈦納米管陣列、硅烷偶聯劑、有機溶劑和冰醋酸混合后反應得到，可應用于處理含有機污染物和/或重金屬污染物的廢水中。本發明的硅烷偶聯劑修飾二氧化鈦納米管陣列材料氧化還原能力強，可同時去除有機污染物和重金屬污染物，且去除效果好，可反復使用。

本發明公開一種用于毛細管色譜內壁修飾固定相及其制備方法，其采用納米SiO2顆粒作為修飾試劑，采用多層組裝法在毛細管內壁修飾納米SiO2修飾層，修飾好的納米SiO2修飾層的厚度可控、修飾層厚度可在160～600nm間調節，有效地解決了毛細管電色譜的固定相柱容過低的問題。本方法一次修飾可獲得6～7層納米顆粒修飾層，三次修飾即可達到22～23層，修飾效率高，修飾時間短，毛細管內徑選擇范圍廣，是一種制備毛細管開柱的理想方法。

本發明公開了一種基于回轉式固定床的二氧化碳高溫循環脫除方法，填充鈣基吸收劑的固定床轉子旋轉至高溫煙氣側通道，煙氣中CO2被鈣基吸收劑填料脫除并形成CaCO3，脫除CO2后煙氣排出，CaO則通過碳酸化反應轉化為CaCO3；固定床轉子繼續攜帶已轉化為CaCO3的填料旋轉至燃料氣側通道，燃料氣與純氧通入該區域發生燃燒并放出熱量為CaCO3分解供熱，釋放出高濃度CO2，隨后CO2由該反應區排出并被封存或作他用，CaCO3分解再生為CaO；內部填料再生后的固定床轉子重新旋轉至煙氣側捕獲分離煙氣中CO2，利用轉