目的:利用ITS2和 matK分子标记对覆盆子及其相似品种进行鉴别，规范覆盆子的基源。 方法:收集覆盆子及其相似品山莓、蓬蘽、茅莓、寒莓、高粱泡的ITS和 matK序列，经隐马尔可夫模型去除两端的5.8S和28S序列，共得到ITS2序列25条，经Clustal校对共获得 matK序列22条。运用MEGA软件分析各分类群的ITS2和 matK序列，计算种内和种间遗传距离，构建邻接系统进化树（NJ）；通过ITS2 database预测各分类群的ITS2二级结构，采用4Sale软件比对二级结构，通过ProfDistS软件构建基于联合ITS2一级序列及其二级结构的剖面邻接（PNJ）系统发育树。 结果:分别基于ITS2和 matK标记的不同物种种间具有显著的遗传间隔。NJ树和PNJ树拓扑关系一致，各分类群表现出单系性。覆盆子ITS2二级结构与其相似品种均具有显著差异。 结论:建议ITS2和 matK序列均可作为鉴别覆盆子与其相似品种的DNA条形码，ITS2二级结构信息可丰富鉴定结果，可为覆盆子及悬钩子属植物的资源研究及品种选育提供依据。

孤独症谱系障碍(autism spectrum disorder,ASD)是一种异质性神经发育障碍,由人类大脑系统中的信息流受损所致,具有高度遗传性,并与动态功能连接(ynamic functional connectivity,DFC)受损相关.ASD患者是影响较为深远的儿童精神疾病之一,确诊患儿的家庭也将面临来自财务、精神和社会的多重压力和挑战.既往关于ASD的研究多基于静息态功能连接(static functional connectivity,SFC),但SFC在很大程度上没有考虑到时间变异性的存在和潜力对大脑功能的影响.近年来,由于DFC可以准确捕捉功能连接(functional connectivity,FC)随时间的波动,揭示不同FC状态之间的转换,在ASD的研究中广泛使用.本文对DFC一些常见及较新方法,如滑动窗口法(sliding-window,SW)、隐马尔可夫模型(hidden markov model,HMM)、主特征向量动力学分析(leading eigenvector dynamics analysis,LEiDA),以及这些方法在ASD中的应用和最新研究进展进行综述,并对这些方法优势及不足之处进行总结、比较.本综述期望通过对DFC方法及其应用进行总结为ASD的早期诊断和个性化治疗提供了新途径.通过分析DFC模式,研究者能够识别出与ASD相关的特定连接特征,有望开发出基于DFC的生物标志物,提高ASD的诊断准确性和可靠性.

目的 基于增强采样构建的隐式马尔可夫状态模型,分析胰高血糖素样肽1受体(GLP-1R)激动剂PF-06882961激活GLP-1R的机制.方法 从PDB数据库中下载GLP-1R晶体结构(PDBID:6X1A),基于该晶体结构构建PF06882961与GLP-1R结合的高斯加速动力学(GaMD)体系,模拟PF06882961与GLP-1R结合的动力学轨迹.使用工具包Pyemma读取PF06882961与GLP-1R结合的GaMD动力学轨迹,构建马尔可夫模型.然后分别从一级结构[关键氨基酸残基间的αC间距(Glu247-His180;Glu364-Arg190)]和二级结构[关键α螺旋间扭转角(Val365-Pro358-Ala350;Arg380-Phe390-Met397)]两个层面对构建的马尔可夫模型中PF-06882961与GLP-1R复合物若干构象进行聚类分析,得出5个结构具有差异的PF-06882961与GLP-1R复合物宏观态构象(S1、2、3、4、5),将其可视化后分析各个宏观态构象之间的结构差异,以明确PF-06882961激活GLP-1R的结构基础.结果 从二级结构层面进行聚类分析时,PF06882961与GLP-1R结合后,GLP-1R细胞外结构域部分与跨膜结构域间距离减小,GLP-1R下游的G蛋白发生了重要构象转变.从一级结构及二级结构层面进行聚类分析时,PF-06882961结合GLP-1R后,GLP-1R的跨膜结构域内关键氨基酸残基重排出新的极性网络(Glu364-Tyr241-His180-Glu247),细胞外结构域内由Phe385-Tyr203-Tyr148组成π-π堆叠网络.结论 PF-06882961与GLP-1R结合后,通过由Phe385-Tyr203-Tyr148组成的π-π堆叠网络、由Glu364-Tyr241-His180-Glu247重排而成的新极性网络分别稳定GLP-1R的细胞外结构域及跨膜结构域,从而激活 GLP-1R.

数据分析模型可辅助中医药经验的传承和临床诊疗,以胃癌前状态为例探索"数据-知识"双驱动模式构建的可能性.数据驱动是围绕数据分析开展临床决策,其辨证决策研究依托隐结构模型、部分可观察马尔可夫决策过程以确认疾病病因、证候要素、病机演变和辨证方案;知识驱动是利用数据和信息推动决策和行动的过程,其辨证决策研究依托卷积神经网络以提高局部辨病辨证准确性."数据-知识"双驱动模式可弥补单一驱动数字模拟准确性的短板,达到局部辨病与宏观辨证的平衡.在既往研究基础上探索胃癌前状态病证诊断辅助决策平台的构建方法,认为可通过机器与算法辅助来延伸医生诊断和决策能力,整合相关研究方法并获取胃癌前状态中医辨证和内镜病理诊断预测核心特征,探索疾病中医辨证内镜病理识别要素,为数据分析前沿技术在中医辨证智能化领域的深入研究和创新应用提供思路.

该研究总结了患者与呼吸机非同步性(patient-ventilator asynchrony,PVA)自动识别技术在机械通气过程中的应用.在早期阶段,规则及阈值的设定方法依赖于呼吸机参数及波形的人为解析,虽然这类方法直观并易于操作,但在阈值设定和规则选择上相对敏感,不能很好地适应患者状态的微小变动.随后,机器学习和深度学习的技术开始出现并发展.这些技术通过算法自动提炼和学习数据特性,使PVA的检测更具鲁棒性和通用性.其中,逻辑回归、支持向量机、随机森林、隐马尔可夫模型、卷积自编码器、长短期记忆网络、一维卷积神经网络等方法都被成功地用于PVA的识别.尽管深度学习方法在特性提取上取得了显著进步,但是它们对标签数据的需求较大,可能会消耗大量医疗资源.因此,强化学习与自监督学习的结合可能是一个实际可行的解决方案.此外,算法的验证大多基于单一的数据集,未来对于跨数据集验证的需求将是一个重要且充满挑战性的发展方向.

目的 预测广州地区人巨细胞病毒(HCMV)临床低传代UL144基因B细胞表位.方法 应用生物信息学方法,改进型自我优化预测结构(SOPMA),Garnier-Osguthorpe-Robson (GOR),人工神经网络预测法(HNN)预测二级结构,隐马尔可夫模型(TMHMM)预测跨膜结构,分别用Hopp&Woods、Zimmerman、Janin、Welling、Flexibility预测亲水性、极性、可及性、抗原性、柔韧性.结果 预测HCMV UL144编码产物包含176个氨基酸残基,等电点为8.97.二级结构预测结果显示:3-转角及无规则卷曲主要位于31-42、57-63、71-78、87-93、96-100、127-131氨基酸区域.TMHMM预测UL144氨基酸序列为一次跨膜蛋白,其跨膜区域为134-156氨基酸区域,胞外及胞内区域分别为:1-133、157-176氨基酸区域.亲水性位于39-47、108-117、124-131、157-164区域;表面可及性区域为22-30、39-50、94-103、105-132、156-164;极性区域位于17-37、39-54、69-77、81-89、94-104、106-136、156-164;抗原性区域位于21-26、97-102、107-125、127-136;柔韧性区域位于27-47、56-71、85-95、101-106、108-118、123-131、156-172.结论 综合各项参数,UL144基因106-125、94-102、21-30氨基酸区域抗原指数(AI)较高,预测该区域内或其附近为B细胞表位的位点.

目的 探讨广东省妇幼保健院分离鉴定的人巨细胞病毒(HCM V)临床低传代病毒株D2(以下简称为HCMV D2)的UL140基因B细胞表位的生物信息学特征.方法 采用2016年3月至2017年3月,于广东省妇幼保健院新生儿科确诊感染HCM V的10例新生儿新鲜尿液标本中,分离鉴定的HCMV D2为研究材料.采用生物信息学方法,包括隐马尔可夫模型(TMHMM)预测HCMV D2 UL140基因跨膜结构,ExPASy在线序列分析平台预测基因的亲水性、表面可及性、极性、柔韧性及抗原性参数,以及GOR(Garnier-Osguthorpe-Robson)、人工神经网络预测法(HNN)、改进型自我优化预测结构(SOPMA)预测UL140基因二级结构.综合分析上述预测结果 ,并计算UL140基因的氨基酸残基抗原指数(AI),总结UL140基因B细胞表位的生物信息学特征.结果来自广东省妇幼保健院感染HCMV新生儿的HCMV D2 UL140基因的氨基酸包含191个氨基酸残基,相对分子质量为21.5×103,等电点为5.12.UL140基因B细胞表位的生物信息学特征包括:①TMHMM预测UL140基因存在1个跨膜区域,为26-48aa,细胞外区域为1-25aa.②ExPASy在线序列分析平台预测UL140基因的亲水性位于14-22、66-72、76-95、113-125、136-148、55-160、167-176aa;表面可及性位于5-22、50-60、64-96、132-160、167-187aa;极性位于5-22、45-98、103-128、132-187aa;柔韧性位于16-26、75-100、104-113、136-160aa;抗原性位于9-18、53-58、82-88、115-124、136-146、164-187aa.③U L140基因二级结构预测结果为,无规则卷及 β-转角主要位于1-8、13-25、79-95、103-113、153-159aa.④计算UL140基因氨基酸残基的AI较高区域的结果显示,5-10、14-22aa区域的AI较高.结论 HCMV D2 UL140基因B细胞表位,可能位于的区域为5-10、14-22aa或其附近.

睡眠状况是评价人体健康状态的重要指标.本文提出一种基于枕下式的无扰睡眠监测系统,通过无扰获取的心率信号测算心率变异性(HRV),并结合隐马尔可夫模型(HMM),在对用户无扰无接触的环境下求解睡眠分期.针对现有HMM睡眠分期存在的问题,提出采用集合经验模态分解(EEMD)消除HRV个体差异导致的分期误差,再求解相应的睡眠分期.试验选取广州医学院呼吸疾病研究所10例不同年龄及性别的无睡眠障碍的院内正常受试者,并与多导睡眠图(PSG)睡眠分期结果相比较.研究结果证明本文所提无扰式睡眠监测方案可实现S1～S4睡眠分期,正确率超过60％,且性能优于现有HMM睡眠分期方案.

介绍人工智能在医学领域的应用,通过自然语言处理方法自动构建基于“疾病-症候-特征”3层结构模型的医学诊断知识图谱,具体阐述智能构建方法与构建过程,将其运用到临床决策支持系统中检测临床疗效,结果表明通过该方法构建的医学知识图谱具有效率高、疾病诊断正确率高等特点.

目的 开发一种基于深度图像的非接触式帕金森病步态不对称性识别方法,以辅助医疗诊断和评估,解决穿戴型传感设备费用高、影响正常生活且检查流程复杂的问题.方法 2016年7月至8月,对帕金森病患者8例和健康人10例,采用Kinect V2.0采集行走6 m的运动数据;对左右脚参数滤波处理后分别聚类,使用相似度矩阵算法分别计算健康人和帕金森病患者相似度值;使用隐马尔科夫模型验证该方法的识别效果.结果 所有患者左右脚参数聚类序列相似度小于健康人;从患者中提取的14条数据,成功识别12条(85.71％);从健康人中提取的46条数据,成功区别35条(76.09％).结论 基于左右脚位移过程中步态参数聚类结果不对称性的非接触式识别方法,对于帕金森病患者有一定识别效果.