往事的回忆——怀念周培瑾先生北大核心

周培瑾,我国极端微生物学的主要开创者。在极端环境微生物的区域生态与系统进化、生理生化以及极端酶的基础与应用基础方面做出了卓越贡献。以他的名字命名的分类单元有周氏菌属(Zhouia)[1]、周氏盐微菌(Halomicrobium zhouii)[2]、周氏盐杆菌(Halobacterium zhouii)[3]、周氏类诺卡氏菌(Nocardioides zhouii)[4]、周氏钠线菌(Natrinema zhouii)[5]等。周培瑾先生曾任《微生物学报》第六届、第七届编委。2022年12月31日,周培瑾先生因病医治无效,在北京逝世。为了纪念周先生在微生物学领域的贡献,本期特刊发《微生物学报》执行主编刘双江研究员以及崔恒林、许学伟两位教授撰写的纪念专题文章。以此深切缅怀周培瑾先生。     

华北落叶松人工林林隙大小对其更新的影响

对关帝山华北落叶松人工林20个林隙的幼苗(高度<1 m)、幼树(高度≥1 m,胸径<5 cm)进行调查，分析4个面积林隙等级(<60 m²、60～120 m²、120～180 m²、≥180 m²)下华北落叶松幼苗和幼树的更新密度、生长指标和空间分布。结果表明：在不同面积的林隙等级中，幼苗、幼树的生长指标(基径、高度)和幼苗更新密度均在小林隙(14～60 m²)下最好，幼树更新密度在中林隙(60～120 m²)下最大，且同等级面积林隙下幼树密度均大于幼苗密度。华北落叶松幼苗、幼树在小林隙和中林隙下更新状况良好，大林隙(120～180 m²)和特大林隙(≥180 m²)则不利于华北落叶松更新。华北落叶松幼苗、幼树主要分布在林冠投影区域以及林冠空隙区域的边缘。通过补种或间伐等人工干扰手段将林隙面积控制在14～120 m²,可以促进华北落叶松的更新。     

小宠酷酷秀

<正>~~     

加大对“策划师”的关注程度建立灵活的组织机制

为了新药的开发．适应开发过程和开发目的地收集所需信息的组织机构，机动灵活的决策程序都是必不可少的。本来，最理想的境界是能够经常汇总并发挥企业整体的“策划”能力．做到人尽其才．随机应变。为了能达到这种效果．有人主张采用业务单元体制，但是．这种设想在目前的直接领导体制下．最终也会在业务单元中产生出垂直分割的组织机构。同时，如果仅仅改变海外部门的体制，而国内依然延续旧体制，这种内外脱节的状态将不可避免地发生冲突。     

基于双层BiGRU网络的哺乳动物组织m6A甲基化位点预测

目的 N⁶-甲基化腺苷（N⁶-methyladenosine，m⁶A）是RNA中最常见、最丰富的化学修饰，在很多生物过程中发挥着重要作用。目前已经发展了一些预测m⁶A甲基化位点的计算方法。然而，这些方法在针对不同物种或不同组织时，缺乏稳健性。为了提升对不同组织中m⁶A甲基化位点预测的稳健性，本文提出一种能结合序列反向信息来提取数据更高级特征的双层双向门控循环单元（bidirectional gated recurrent unit，BiGRU）网络模型。方法 本文选取具有代表性的哺乳动物组织m⁶A甲基化位点数据集作为训练数据，通过对模型网络、网络结构、层数和优化器等进行搭配，构建双层BiGRU网络。结果 将模型应用于人类、小鼠和大鼠共11个组织的m⁶A甲基化位点预测上，并与其他方法在这11个组织上的预测能力进行了全面的比较。结果表明，本文构建的模型平均预测接受者操作特征曲线下面积（area under the receiver operating characteristic curve，AUC）达到93.72%，与目前最好的预测方法持平，而预测准确率（accuracy，ACC）、敏感性（sensitivity，SN）、特异性（specificity，SP）和马修斯相关系数（Matthews correlation coefficient，MCC）分别为90.07%、90.30%、89.84%和80.17%，均高于目前的m⁶A甲基化位点预测方法。结论 和已有研究方法相比，本文方法对11个哺乳动物组织的m⁶A甲基化位点的预测准确性均达到最高，说明本文方法具有较好的泛化能力。     

定量地层对比常用方法的比较和适用性分析

定量地层学以生物地层学原理为核心,将地层学信息定量化,运用数学模型进行地层对比,作为传统地层学对比的重要补充。传统的生物地层学根据经验选取标准化石来建立生物地层序列,但同时也丢失了大量的化石信息。定量地层学则能够利用所有的化石信息,在传统生物地层学的基础上得到更高分辨率的地层对比结果。现阶段定量地层对比常用的方法主要有图形对比法、约束最优化法和单元组合法三种,但对于这三种方法各自适应的数据情况方面,目前成果较少。本文对这三种方法的原理进行了简要的介绍和分析,并建立数据模型,从标准化石的可对比性、数据集的物种总数、剖面间共有物种和单延限分子的比例四个方面对三种方法的适用条件进行了讨论。其中图形对比法更适用于单延限分子较少、标准化石可对比性强的数据集。单元组合法对数据集中物种间相互关系的复杂程度较为敏感,共有物种较多的数据集有更好的对比结果,但数据集中物种总数的增加会对其产生一定的负面影响,需要依靠进一步的人工调整。约束最优化法则对数据集各方面的优化均有响应,对物种总数较大的数据集有较好的对比结果,且剖面间共有物种占比越大,对比结果越理想。