共济失调蛋白2结合蛋白1基因多态性与奥氮平所致体重增加的关联研究

目的:既往研究表明,共济失调蛋白2结合蛋白1(A2BP1)基因多态性可能与精神分裂症、孤独症及肥胖等复杂疾病关联,但目前尚无相关文献提示A2BP1基因多态性与抗精神病药所致体重增加的关联.本研究拟探讨A2BP1基因多态性与奥氮平治疗精神分裂症所致体重增加的关联.方法:本研究共入组350例精神分裂症患者,其中完成奥氮平(治疗剂量5～20 mg/d)治疗8周者为328例.采用阳性与阴性症状量表(PANSS)减分率评估药物疗效;分别于治疗前和治疗8周后测量并记录患者的清晨空腹体重并计算治疗前后体重增加率(％).提取患者外周血DNA,采用DNA测序基因分析方法,在328例汉族精神分裂症患者中,检测A2BP1基因4个单核苷酸多态性(SNP)位点(rs8048076,rs1478697,rs10500331,rs4786847)的基因型,并采用数量性状位点分析方法(QTL)探索A2BP1基因多态性与奥氮平治疗所致体重增加率的关联.结果:A2BP1基因rs8048076 (T=3.237;P=0.0012)及rs1478697 (T=2.956;P=0.0032)位点与奥氮平治疗精神分裂症8周后所致体重增加率关联(P＜0.05),经多重检验Bonferroni校正后仍有统计学意义;而rs10500331 (T=-0.293;P=0.769)与rs4786847(T=0.666; P=-0.505)在本样本中与奥氮平所致体重增加的关联无统计学意义(P＞0.05).结论:本研究结果提示在中国汉族人群中,A2BP1基因多态性可能与奥氮平治疗精神分裂症患者所致体重增加副反应关联,如能进一步验证及机制探索,则有望在精神科个体化治疗方面对药物所致体重增加的预测与防治提供线索依据.     

基于BP神经网络与ETM+遥感数据的盐城滨海自然湿地覆被分类

高效而精确的湿地遥感分类是大范围湿地资源动态监测与管理的必要保障。本研究使用ETM 遥感数据,借助Matlab神经网络工具箱,构建了基于BP神经网络的滨海湿地覆被分类模型,并将其应用于江苏盐城沿海湿地珍禽国家级自然保护区的核心区的自然湿地覆被分类研究中。本研究选择3、4、7、8波段作为输入层变量,单隐藏层设为10个节点,输出层变量对应待划分的8种覆被类型,构建三层式BP神经网络滨海湿地覆被分类模型。结果显示,BP分类总精度为85.91%,Kappa系数为0.8328,与最小距离法和极大似然法的分类总精度相比,分别提高了7.99%和6.08%,Kappa系数也相比提高。研究结果表明,BP神经网络分类法是一种较为有效的湿地遥感影像分类技术,能够提高分类精度。     

基于深度卷积神经网络识别可变剪接位点

可变剪接源于多外显子基因生成多个转录本的调控过程。随着高通量测序,尤其是RNA-seq的研究进展,剪接序列和剪接位点可以通过挖掘海量的测序数据进行预测。可变剪接现象拓宽了人们对基因结构和蛋白质亚型的知识。然而现有的短序列比对软件受到随机性比对的影响,产生很多假阳性剪接位点,干扰下游数据分析。本研究发现,可变剪接位点周边序列的结构特征可被深度学习模型提取,并利用深度卷积神经网络识别剪接位点。本研究的模型具有识别率高、计算速度快,模型泛化能力强、鲁棒性高等优势。     

RNF8/RNF168信号通路在DNA损伤修复中的作用

细胞内DNA会受部分外界因素(如紫外辐射,电离辐射和化学毒素)和内部因素(如复制错误)的影响而发生损伤,包括DNA双链断裂、DNA错配和DNA交链等。DNA损伤发生后,损伤部位会被一些蛋白识别,进而招募一系列蛋白至损伤部位,形成一个修复系统。DNA双链断裂是最严重的一种DNA损伤,错误修复往往导致疾病的发生。DNA双链断裂(double strand break, DSB)后,细胞启动RNF8/RNF168信号通路进行修复。RNF8和RNF168是这条通路的枢纽蛋白;53BP和BRCA1是关键的效应蛋白,决定着DSB修复的方式;组蛋白泛素化、磷酸化和甲基化等翻译后修饰是这条通路顺利进行的基本条件;染色质重塑、泛素化酶/去泛素化酶平衡和蛋白稳定性是这条通路的主要调节方式。本综述对RNF8/RNF168信号通路进行了梳理总结,希望其能对相关研究者起到参考作用。     

基于卷积神经网络的大肠杆菌启动子预测

目的 基于位点特异性打分矩阵（position-specific scoring matrices,PSSM）的预测模型已经取得了良好的效果,基于PSSM的各种优化方法也在不断发展,但准确率相对较低,为了进一步提高预测准确率,本文基于卷积神经网络（convolutional neural networks,CNN）算法做了进一步研究。方法 采用PSSM将启动子序列处理成数值矩阵,通过CNN算法进行分类。大肠杆菌K-12（Escherichia coli K-12,E.coli K-12,下文简称大肠杆菌）的Sigma38、Sigma54和Sigma70 3种启动子序列被作为正集,编码（Coding）区和非编码（Non-coding）区的序列为负集。结果 在预测大肠杆菌启动子的二分类中,准确率达到99%,启动子预测的成功率接近100%;在对Sigma38、Sigma54、Sigma70 3种启动子的三分类中,预测准确率为98%,并且针对每一种序列的预测准确率均可以达到98%以上。最后,本文以Sigma38、Sigma54、Sigma70 3种启动子分别和Coding区或者Non-coding区序列做四分类,预测得到的准确性为0.98,对3种Sigma启动子均衡样本的十交叉检验预测精度均可以达到0.95以上,海明距离为0.016,Kappa系数为0.97。结论 相较于支持向量机（support vector machine,SVM）等其他分类算法,CNN分类算法更具优势,并且基于CNN的分类优势,编码方式亦可以得到简化。     

基于卷积神经网络的侵入性酿酒酵母感染疾病的检测方法

酿酒酵母(Saccharomyces cerevisiae)是常用于烘焙和酿造行业的发酵菌种,也作为益生菌用于预防和治疗各种腹泻及其相关疾病.然而,近二十年来,由于摄入酿酒酵母产生的侵入性酿酒酵母感染的病例一直在不断增加,特别是在老年人、免疫功能低下和危重患者群体中.此外,目前临床上所用酿酒酵母侵入性感染疾病的诊断方法耗时较长,而容易错过最佳的诊断时间和难以实现早期预防.本文提出了一种基于卷积神经网络的目标检测的方法用于对血液中的酿酒酵母细胞进行检测和识别,以达到侵入性酿酒酵母疾病诊断的目的.该方法是基于以ResNet-50网络结构作为特征提取网络构建的SSD算法.以实际采集的血液和酿酒酵母细胞混合液的样本图像作为算法的训练和测试数据,实验结果表明该方法的识别准确率可达到97.70%,检测时间为0.31 s.并且通过与相似的其他3种卷积神经网络算法的测试对比,结果表明该算法识别准确率也有着明显的优势.该论文通过实验验证了,基于卷积神经网络的目标检测方法有望作为侵入性酿酒酵母感染疾病检测和诊断的一种新方法;且该方法检测准确率高和时间短的优势有望实现侵入性酿酒酵母感染疾病的早期预防和及时诊...     

基于鼠脑海马位置细胞与Q学习面向目标导航

生理学实验表明在鼠脑海马结构中存在的一种具有特异性放电特征的细胞,它在大鼠空间导航和环境认知中起着关键性作用,该特异性神经元被称之为位置细胞。本文将基于位置细胞、运动神经元来构建一种前馈神经网络模型,采用Q学习算法实现大鼠面向目标导航任务。实验结果表明该前馈神经网络模型能快速实现大鼠面向目标导航任务。     

基于CNN与LSTM模型的蛋白质二级结构预测

蛋白质结构的预测在理解蛋白质结构组成和蛋白质的生物学功能有重要意义,而蛋白质二级结构预测是蛋白质结构预测的重要环节。当PSSM位置特异性进化矩阵被广泛应用于将蛋白质初级结构序列编码作为输入样本后,每个残基可以被表示成二维空间的数据平面,由此文中尝试利用卷积神经网络对其进行训练。文中还设计了另一种卷积神经网络,利用长短记忆网络感知了CNN最后卷积特征面的横向特征和纵向特征后连同卷积神经网络的全连接共同完成分类,最后用ensemble方法对两类卷积神经网络模型进行了整合,最终ensemble方法中包含两类卷积神经网络的六个模型,在CB513蛋白质数据集测得的Q3结果为77.2。