基于注意力机制的RNA碱基关联图预测方法

目的 长链非编码RNA在遗传、代谢和基因表达调控等方面发挥着重要作用。然而，传统的实验方法解析RNA的三级结构耗时长、费用高且操作要求高。此外，通过计算方法来预测RNA的三级结构在近十年来无突破性进展。因此，需要提出新的预测算法来准确的预测RNA的三级结构。所以，本文发展可以用于提高RNA三级结构预测准确性的碱基关联图预测方法。方法 为了利用RNA理化特征信息，本文应用多层全卷积神经网络和循环神经网络的深度学习算法来预测RNA碱基间的接触概率，并通过注意力机制处理RNA序列中碱基间相互依赖的特征。结果 通过多层神经网络与注意力机制结合，本文方法能够有效得到RNA特征值中局部和全局的信息，提高了模型的鲁棒性和泛化能力。检验计算表明，所提出模型对序列长度L的4种标准（L/10、L/5、L/2、L）碱基关联图的预测准确率分别达到0.84、0.82、0.82和0.75。结论 基于注意力机制的深度学习预测算法能够提高RNA碱基关联图预测的准确率，从而帮助RNA三级结构的预测。     

倍性复杂植物的2种倍性鉴定方法的建立及应用(专题约稿）

研究以猕猴桃属内不同植物的幼嫩叶片为材料,利用流式细胞术和全基因组SNP(single nucleotide polymorphism)位点杂合子等位基因深度比率(heterozygous allele depth ratio)分布2种方法进行猕猴桃倍性鉴定。对取样叶片的生长状态、防止细胞核黏连的PVP(聚乙烯吡咯烷酮)浓度、滤网目数及过滤次数、不同倍性样本全基因组SNP分型的参数调整等因素进行探索。结果表明,流式细胞术检测中取未展开的幼嫩叶片获得完整细胞核的数目最多;5%PVP对减少细胞核之间的黏连最适宜;500目滤网过滤3次效果最好。SNP的分型主要与模拟基因组的组装质量和过滤识别SNP的参数设置有关。流式细胞术鉴定倍性的关键技术是使用未展开的幼嫩叶片以保证足够数量的完整细胞核及减少细胞核之间的黏连。同一植物材料的染色体倍性在60Co-γ辐照处理前后未发生改变。全基因组SNP位点杂合子频率分布图判断的倍性与流式细胞术鉴定结果一致。2种鉴定结果可以相互验证,使倍性的判断变得更加准确,为加快猕猴桃育种提供了基础。     

毛叶山桐子种子休眠与萌发特性的研究

目的：探究毛叶山桐子种子(Idesia polycarpa Maxim. var. vestita Diels)的休眠类型和解除休眠的最适方法，为生产实践中的种苗繁育提供一种能有效解除毛叶山桐子种子休眠和提高萌发率的方法。方法：以成熟的毛叶山桐子种子为材料，研究种子的水分透性及温度、光照、去垢剂、后熟、层积和植物激素对种子休眠与萌发的影响。结果：(1)种子具有发育成熟的胚，种皮被有蜡质层但具有透水性；(2)在10～35℃和交替光照(12 h光照/12 h黑暗，光强度为144μmol·m^-2·s^-1)下萌发30 d，种子的萌发率低于30%，具有休眠特性；(3)种子在完全黑暗条件下几乎不萌发，是一种需光性种子；(4)4℃和10℃层积30 d显著地增加种子的萌发速率和萌发率，后熟90 d则对种子萌发没有影响；(5)GA3能部分解除种子的休眠和促进萌发，将萌发率提高至56.7%，氟啶酮则没有作用。结论：毛叶山桐子种子的休眠类型为非深度生理休眠，解除休眠和促进萌发的最适方法是将种子在4℃或者10℃中层积30 d，然后在25℃和交替光照中萌发。     

基于双向长短时记忆网络和注意力机制的RNA m5C甲基化位点预测

RNA 5-甲基胞嘧啶(m5C)修饰在许多生物过程中发挥重要的作用，对m5C位点的准确识别有助于更好地理解其生物学功能，所以识别m5C甲基化位点十分必要。尽管已发展了多种识别m5C甲基化位点的机器学习方法，但预测能力仍有待提高。本文基于双向长短时记忆网络和注意力机制，提出了一种预测RNA m5C甲基化位点的深度学习算法。用该方法在人、小鼠、酿酒酵母和拟南芥共4种生物的RNA m5C数据集上进行实验，m5C位点预测AUC值分别达到92.5%、99.7%、93.6%和86.5%。与现有预测方法相比，该方法具有较好的预测性能，并且具有更优的泛化能力，为RNA m5C甲基化位点预测提供了一种新方法。     

基于Faster R-CNN的对虾生长性状表型高通量测定技术的建立及应用

为提高对虾外部生长性状表型数据的获取效率,利用拍照获得的对虾外部表型照片,采用基于区域生成网络RPN(Region Proposal Networks)的Faster R-CNN(Faster Region-convolutional neural networks)深度学习神经网络,通过对8400张对虾表型照片的学习和训练,构建了快速识别对虾全长并输出位置信息的模型。该模型可识别图片中的对虾并以识别框的形式表示出具体的位置。对于不同角度拍摄的对虾,模型生成识别框的长度或对角线长度与人工测量的对虾全长之间呈高度相关。研究以此建立了对虾全长性状表型数据高通量测定技术,该技术的建立可以在对虾生长性状表型数据测定中节省人工测量的时间,提高了对虾全基因组选择育种的效率。此外,该模型的建立也为对虾头胸部长度及不同体节长度等其他外部表型数据的测定提供了新的思路,为对虾生长性状表型组的建立奠定了重要基础。     

基于无人机影像与面向对象-深度学习的滨海湿地植物物种分类

明确滨海湿地植物物种类型及其分布状况是实现滨海湿地精细化生物多样性监测的基础,对于滨海湿地的保护管理与生态可持续发展均具有重要意义。本研究以无人机可见光遥感影像为基础数据源,在定量分析最优分割尺度与最优分类特征组合的基础上,应用面向对象-U-net深度学习方法对闽江河口湿地植物物种类型进行分类,并与K最近邻、决策树、随机森林和贝叶斯分类方法进行精度对比分析,以期为滨海湿地植物物种遥感精细分类与生物多样性保护管理提供方法借鉴与科学参考。研究结果表明,利用面向对象-U-net深度学习方法提取不同滨海湿地植物物种类型的分类精度可达95.67%,总体精度较其他分类方法提高6.67%–13.67%, Kappa系数提高0.12–0.31,且分类整体性好。此外,实现植物物种光谱特征、形状特征、纹理特征与高度特征的最优特征选择对于有效提高湿地植物物种信息分类精度具有重要作用,应用最优分割尺度实现影像分割可提高整体分类效率。     

深度突变扫描技术在蛋白研究中的应用

作为细胞结构与功能的中心参与者,蛋白质一直是生命科学研究的中心主题。分析蛋白质序列变异对其结构、功能的影响,是研究蛋白的重要手段之一。近年一种称为深度突变扫描(deep mutational scanning,DMS)的技术被广泛应用于蛋白研究领域,其通过高丰度DNA文库在蛋白特定区域平行引入成千上万种突变,经筛选后,利用高通量测序为每一种突变打分,从而揭示序列与功能之间的相关性。深度突变扫描以其高通量、快速简易、节省人工等特点,已经成为蛋白质功能研究以及蛋白工程改造的一种重要方法,目前已在蛋白进化、抗体改造、致病突变鉴定等蛋白研究的多个领域广泛应用。本综述简要概括了深度突变扫描技术的原理,重点介绍了其在哺乳动物细胞中的应用,同时分析了目前的技术瓶颈,旨在为相关研究提供参考。     

田野工作在食物消费研究中的应用

田野工作作为一种经典研究手段和科学学术范式，通过参与式观察和深度访谈获取事实，探寻现象背后的逻辑和意义，特别适合对繁杂琐碎、难以系统表述的日常生活和行为事件，或缺乏客观表达能力的人群进行研究。田野工作研究有助于再现日常生活和行为的丰富细节和真实性，并且挖掘行为背后的意义。将田野工作用于食物消费研究中，有助于解决当前食物消费研究中数据获取成本高、准确性差的问题，弥补食物消费研究“重统计数据，轻生活实践”的不足，充分呈现食物消费的丰富内容和复杂层面，并挖掘其中的深层结构和意义。探讨应用田野调查工作方法研究中国居民食物消费问题，对于促进我国食物消费研究方法的多样化和理论进步具有重要现实意义。