海三棱藨草[× Bolboschoenoplectus mariqueter(Tang & F.T.Wang)Tatanov]的分类学地位至今尚无定论.为明确海三棱藨草的分类学地位并探讨其与近缘种的关系,该研究分别利用1个核基因(ITS)和5个叶绿体基因(matK、ndhF、rbcL、trnL和trnL-trnF)的DNA条形码序列对海三棱藨草及其近缘种的4种21批样品进行扩增和测序,通过采用相似性搜索算法对单一序列和序列组合的物种鉴定效率进行评价,并基于贝叶斯推断方法构建系统发育树进行鉴定分析.结果表明:(1)ITS+matK序列组合的物种鉴定效率最高,为71.4％,可实现海三棱藨草及其近缘种的种间区分、鉴定.(2)基于ITS+matK序列组合构建海三棱藨草及其近缘种的系统发育树,发现同一物种的样品聚集度较好,海三棱藨草与三棱草属[Bolboschoenus(Asch.)Palla]的物种聚为一支,明显与水葱属[Schoenoplectus(Rchb.)Palla]物种分开,并且海三棱藨草与海滨三棱草[Bolboschoenus maritimus(Linnaeus)Palla]形成单系.综上所述,ITS+matK序列组合可作为海三棱藨草及其近缘种物种鉴定的最佳条形码序列,研究结果不支持海三棱藨草为天然杂交种的观点,而应将其归入三棱草属中,海三棱藨草应为海滨三棱草的异名.该研究结果为海三棱藨草及其近缘种的分类学研究提供了分子依据.

利用植物DNA条形码候选序列matK、psbA-trnH、psbK-psbl和rbcL对蜘蛛抱蛋属(Aspidistra)植物的19种104批样品进行扩增和测序,并采用相似性搜索算法(BLAST)对各序列的鉴定效率进行评价,得出蜘蛛抱蛋属物种鉴定的最佳序列.结果显示,psbK-psbl的物种鉴定成功率为88.7％,在单一序列中成功率最高.通过多序列组合鉴定效率的比较,发现组合序列的鉴定成功率明显高于单一序列,其中matK+(psbK-psbl)组合的鉴定成功率高达100％,基于该序列组合构建蜘蛛抱蛋属植物的系统发育树,结果显示同一物种的样品聚集度较好,多表现为单系.研究结果表明matK+(psbK-psbl)序列组合可作为蜘蛛抱蛋植物种鉴定的最佳条形码序列.

龙脑香科植物是东南亚地区重要的热带木材来源树种,对其开展DNA条形码评估在林业监管及森林资源保护等方面具有非常重要的实际应用价值.通过对龙脑香科植物样品进行rbcL、matK、trnL-trnF和ITS2四个片段的扩增和测序,结合GenBank下载的数据,共获得龙脑香科树种14属244种共计899条序列.通过比较4个片段的通用性、序列特征、种内和种间的遗传变异,基于Best Match (BM)、Best Close Match (BCM)、相似性搜索算法(BLAST)和邻接树(NJ)4种方法评估DNA条形码对于龙脑香科树种的鉴定能力.结果 表明,ITS2在龙脑香科树种中鉴定效率最高,通过优化的扩增体系能够从该科植物叶片中获得较高质量的ITS2片段;叶绿体matK片段扩增和测序效率为100％,且种内及种间遗传变异明显,鉴定成功率高于其它叶绿体片段,并据此提出ITS2和matK适合作为龙脑香科树种的DNA条形码.

目的:评价不同DNA条形码序列对甘草属的鉴定能力.方法:应用5条常用DNA条形码序列ITS、ITS2、psbA-trnH、matK与rbcL对甘草属进行PCR扩增与序列测序,结合在GenBank数据库下载的序列数据,通过分析各序列种内与种间变异与遗传距离,构建系统发育树,并基于相似性搜索算法和最近距离法计算各序列鉴定成功率,以分析比较各序列对甘草属的鉴定效率.结果:matk序列因扩增与测序成功率均较低,没有加入后续的数据分析.各个序列的鉴定成功率由高到低的顺序为psb A-trnH、ITS、ITS2、rbcL.ITS和ITS2序列种间最小变异均大于种内最大变异,且种内变异最小.Barcoding gap检验结果显示,ITS、ITS2的重叠区较小.NJ树结果显示,只有psbA-trnH序列能把甘草属不同物种分开.结论:利用DNA条形码序列可准确鉴别甘草属植物,psbA-trnH和ITS组合序列可作为鉴定甘草属植物的较优序列组合.本研究为甘草属植物的分子鉴别提供科学依据.

药物-靶标相互作用(DTI)鉴定是药物研发中的关键步骤,可有效缩小候选药物分子的搜索范围.同时,DTI鉴定也是多重药理和药物重定位等研究的基础.然而,通过生物实验研究DTI耗时长、成本高且伴有一定的盲目性.随着信息科学的飞速进步,人工智能(AI)在药物研发领域得到广泛应用,成为研究DTI的有效策略.根据算法设计原理的不同,用于DTI预测的AI方法可分为基于相似性、基于特征、基于网络和基于深度学习4类.本文重点介绍该4类方法的构建思路,并讨论模型评价问题和负样本问题.AI在DTI预测工作中具有巨大的发展潜力,可为药物研发带来新的机遇.

目的 为解决乳腺超声图像在采集和传输过程中引入噪声导致图像质量下降,影响乳腺癌早期诊断的问题,提出一种基于非下采样剪切波变换(Non-Subsampled Shearlet Transform,NSST)与改进模糊的乳腺超声图像增强方法.方法 首先,通过改进模糊算法增强图像对比度;然后,采用NSST将图像分解为低频部分和高频部分,其中对低频部分进行线性变换以调整图像整体对比度,对高频部分采用阈值模型去除图像中的噪声;最后,将处理后的高频部分和低频部分通过逆NSST获得增强图像.采用信噪比(Signal to Noise Ratio,SNR)和对比噪声比(Contrast to Noise Ratio,CNR)衡量算法去噪性能,结构相似性、特征相似性和信息熵衡量算法细节保留能力,平均梯度衡量算法对比度增强效果.结果 本文方法增强后图像的SNR为2.108,CNR为0.903,信息熵为7.363,平均梯度为9.439,结构相似性为0.939,特征相似性为0.972,均明显高于基于非局部均值自适应选择搜索区域图像去噪算法、基于NSST与模糊对比度的增强算法和基于双边滤波的NSST去噪算法.结论 该图像增强方法在保证图像结构的条件下,能有效降低噪声,增强图像对比度,具有一定的实际应用价值.