XiaoMi-AI文件搜索系统
World File Search SystemKern
全基因组关联研究研究谷物蛋白，千核重量和面包小麦（Triticum aestivum L.）的归一化差异指数
摘要：研究谷物蛋白含量（GPC），1000个核重量（TKW）和归一化差异植被指数（NDVI）的基因组区域，以280种面包小麦类型类型进行了研究。使用35K公理阵列对全基因组关联（GWAS）面板进行了基因分型，并在三个环境中进行了表型。在覆盖面包小麦的A，B和D亚基因组的18个染色体上检测到总共26个标记性属性关联（MTA）。GPC显示最大MTA（16），其次是NDVI（6）和TKW（4）。最多10 mTA位于B亚基因组上，而在A和D亚基因组上映射了8个MTA。In silico analysis suggest that the SNPs were located on important putative candidate genes such as NAC domain superfamily, zinc finger RING-H2-type, aspartic peptidase domain, folylpolyglutamate syn- thase, serine/threonine-protein kinase LRK10, pentatricopeptide repeat, protein kinase-like domain superfamily,细胞色素P450和扩张蛋白。发现这些候选基因具有不同的作用，包括调节胁迫耐受性，养分重液，蛋白质积累，氮利用率，光合作用，谷物填充，线粒体功能和核心发育。新鉴定的MTA的影响将在不同的遗传背景中得到验证，以进一步利用标记育种。
基于内核的量子回归器模型学习非
Quantum机器学习是一项越来越多的研究领域，旨在执行量子计算机协助的机器学习任务。基于内核的量子机学习模型是范式涉及量子状态的范式示例，并且从这些状态之间的重叠中计算出革兰氏矩阵。在手头的内核中，常规的机器学习模型用于学习过程。在本文中，我们研究了量子支持向量机和量子内核脊模型，以预测量子系统的非马克维亚性程度。我们对幅度阻尼和相阻尼通道进行数字量子模拟，以创建我们的量子数据集。我们详细介绍了不同的内核函数，以绘制数据和内核电路以计算量子状态之间的重叠。我们表明，我们的模型提供了与完全经典模型相当的准确预测。
对玉米中与内核大小相关特征的遗传结构和基因资源进行系统研究
摘要：谷物产量是玉米中最关键和最复杂的定量性状。内核长度（KL），内核宽度（kW），内核厚度（KT）和与核大小相关的数百 - 内核重量（HKW）是玉米中与产量相关性状的必不可少的组成部分。通过广泛使用定量性状基因座（QTL）映射和全基因组关联研究（GWAS）分析，已经发现了数千个QTL和定量性状核苷酸（QTN）来控制这些性状。但是，只有其中一些被克隆并成功地用于育种计划。在这项研究中，我们详尽地收集了与四个性状相关的基因，QTL和QTN，进行了QTL和QTN的聚类识别，然后将QTL和QTN簇合并以检测共识热点区域。总共确定了与内核大小相关性状的31个热点。他们的候选基因被预测与调节内核发展过程的众所周知的途径有关。可以进一步探索识别的热点，以进行细化和候选基因验证。最后，我们提供了高产和优质玉米的策略。这项研究不仅会促进因果基因的克隆，还可以指导玉米的繁殖实践。
测定强化水稻仁中叶酸（维生素B9）
氢氧化钠是苛性钠的。与非常高浓度的氢氧化钠接触会导致眼睛，皮肤，消化系统或肺部严重燃烧。长时间或反复的皮肤接触可能会导致皮炎。谨慎处理。甲酸是一种腐蚀性化学物质，接触可以严重刺激并烧伤皮肤和眼睛，并可能造成眼睛损伤。吸入甲酸会刺激鼻子和喉咙。在通风罩乙腈中使用：避免与皮肤和眼睛接触。避免吸入蒸气或雾气。远离点火源，因为它是易燃的。盐酸：非常谨慎的手柄。浓缩的HCl具有腐蚀性。避免呼吸蒸气，并避免与皮肤和眼睛接触。仅在烟雾罩中处理。
引文 Flórez JM、Martins K、Solin S、Bostrom JR、Rodríguez-Villamil P、Ongaratto F、Larson SA、Ganbaatar U、Coutts AW、Kern D、Murphy TW、Kim ES、
用于猪肉生产的公猪通常会接受手术阉割，以防止产生膻味并减少雄激素驱动的行为（例如攻击性和爬跨），因为这些行为会增加受伤风险 (Rault 等人，2011)。膻味是一种在完整公猪的肉中发现的异味和强烈味道，消费者认为这是不可接受的。手术阉割是一个福利问题，因为它被认为是痛苦的，并且有效的镇痛方法基本上不可用 (Rault 等人，2011)。这种管理程序的一些替代方法已在市场上可买到，例如针对促性腺激素释放激素 (GnRH) 的免疫 (Dunshea 等人，2001)，但也存在许多限制其使用的限制 (Bonneau 和 Weiler，2019 年；Squires 等人，2020 年)；并且消除阉割的目标已被证明是不可行的（ Backus 等人，2018 年）。我们寻求一种遗传机制来避免手术阉割的需要。编辑基因来阻止性成熟是一种有前途的方法，因为预计仍处于青春期前的公猪不会产生公猪异味和攻击性行为。我们选择了 kisspeptin 系统，因为它在启动哺乳动物青春期方面具有保守作用（ Lents，2019 年；Uenoyama 等人，2019 年；Sobrino 等人，2022 年）。Kisspeptin 是由高度保守的 KISS1 基因编码的肽，可刺激 GnRH 的释放和促性腺激素的分泌（ Lents，2019 年）。 kisspeptin 受体基因 (KISS1R) 突变会导致人类促性腺激素性性腺功能减退症 (HH) 和性成熟不足 (de Roux 等人，2003 年；Seminara 等人，2003 年；Semple 等人，2005 年)。同样，在实验室啮齿动物中敲除 Kiss1 (d'Anglemont 等人，2007 年；Lapatto 等人，2007 年；Uenoyama 等人，2015 年；Ikegami 等人，2020 年) 或 Kiss1r (Funes 等人，2003 年；Seminara 等人，2003 年；Lapatto 等人，2007 年) 基因会导致青春期失败和因 HH 引起的不孕。 Sonstegard 等人 (2016) 、Sonstegard 等人 (2017) 也在猪中诱发了促性腺激素性性腺功能低下症，他们使用 TALEN 敲除猪的 KISS1R，开发出第一个受损 kisspeptin 系统大型动物模型 ( Tan et al., 2013 )，证明 kisspeptin 信号传导对于公猪的性成熟至关重要。具有受损 KISS1/KISS1R 基因的人、小鼠和猪对外源性 GnRH、促性腺激素 ( Seminara 等人，2003 年；Sonstegard 等人，2017 年) 或 kisspeptin 类似物 ( d ' Anglemont 等人，2007 年；Lapatto 等人，2007 年) 有反应，尽管其中一些方法仅部分逆转了公猪的 KISS1R KO 表型 ( Sonstegard 等人，2017 年)。我们假设 KISS1 KO 猪将是 KISS1R KO 猪的表型复制品，因为
用于 EEG 的多核时间和空间卷积 - ...
摘要：使用端到端卷积神经网络 (ConvNet) 的深度学习已应用于多种基于脑电图 (EEG) 的脑机接口任务，以提取特征图并对目标输出进行分类。然而，EEG 分析仍然具有挑战性，因为它需要考虑影响提取特征表征能力的各种架构设计组件。本研究提出了一种基于 EEG 的情绪分类模型，称为多核时空卷积网络 (MultiT-S ConvNet)。该模型使用多尺度核来学习各种时间分辨率，并应用可分离卷积来查找相关的空间模式。此外，我们使用轻量级门控机制增强了时间和空间滤波器。为了验证 MultiT-S ConvNet 的性能和分类准确性，我们在基于 EEG 的情绪数据集 DEAP 和 SEED 上进行了受试者相关和受试者无关的实验。与现有方法相比，MultiT-S ConvNet 具有更高的准确度结果和一些可训练参数。此外，所提出的时间滤波多尺度模块能够提取广泛的 EEG 表征，涵盖短波长到长波长的成分。该模块可进一步应用于任何基于 EEG 的卷积网络模型，其能力有望提高模型的学习能力。
基于脑电图的多核情绪识别...
摘要：基于脑电信号的情绪识别应用范围广泛且具有巨大的潜在价值，近年来受到学术界和工业界越来越多的关注。同时，多核学习（MKL）也因其数据驱动的便捷性和较高的准确率受到研究者的青睐。然而，MKL在基于脑电信号的情绪识别中的研究很少。因此，本文致力于探索MKL方法在脑电情绪识别领域的应用，推动MKL方法在脑电情绪识别中的应用。为此，我们提出了一种基于MKL算法EasyMKL的支持向量机（SVM）分类器，以探讨MKL算法在基于脑电信号的情绪识别问题中的可行性。我们设计了两种数据划分方法，随机划分以验证MKL方法的有效性，顺序划分以模拟实际应用。然后，基于常用数据集上海交通大学情绪脑电数据集（SEED），针对中性、消极和积极情绪进行了三分类实验，随机划分和顺序划分的平均分类准确率分别为92.25%和74.37%，比传统的单核SVM有更好的分类性能。最终结果表明MKL方法明显有效，MKL在脑电情绪识别中的应用值得进一步研究。通过对实验结果的分析发现，对对称电极上的特征进行简单的数学运算并不能有效融合脑电信号的空间信息以获得更好的性能，同时也证实了高频段信息与情绪状态的相关性更高，对情绪识别的贡献更大。综上所述，本文探索了MKL方法在脑电情绪识别领域的研究，为基于脑电的情绪识别研究提供了一种新的思路。
基于多核学习的运动想象 BCI 文盲分布自适应和分类框架
摘要：脑机接口（BCI）将用户的运动想象（MI）等想法转化为对外部设备的控制。然而，一部分人无法有效控制BCI，他们被定义为BCI文盲。BCI文盲受试者的主要特点是分类率低和可重复性差。针对MI-BCI文盲问题，提出一种基于多核学习的分布自适应方法，使源域和目标域之间的特征分布更加接近，同时最大化类别可分性。受到核技巧的启发，采用基于多核的极限学习机对带标签的源域数据进行训练，以找到一个最大化数据可分性的新的高维子空间，然后使用基于多核的最大均值差异进行分布自适应，以消除新子空间中域间特征分布的差异。针对MI-BCI文盲的特征维数较高，本文采用能够有效处理高维特征且不需要额外交叉验证的随机森林作为分类器，并在公开数据集上对所提方法进行了验证。实验结果表明，所提方法适用于MI-BCI文盲，并能降低域间差异，从而降低跨受试者和跨会话的性能下降。
内核和量子机器学习
摘要：支持向量机 (SVM) 和核方法 (KM) 被广泛用于数据学习中的分类和回归。核是将数据映射到更高（可能是无限）维度的正定函数。通常，SVM 1 将核方法实现为子程序，将非线性数据映射到更高维度，使其变为线性可分。SVM 在此特征空间中的数据点类别之间绘制线性决策边界。本文从经典机器学习的角度回顾了核和核方法及其在量子机器学习中的可能实现。我们从核的基础开始，包括希尔伯特空间和再生核希尔伯特空间、Mercer 条件，并证明了三个广泛使用的核满足 Mercer 条件的有效性。我们回顾了两种不同的量子机器学习方法，即参数化量子电路和基于核的训练，并讨论了其中一种相对于另一种的潜在优势。本文可以帮助读者开始了解核理论和量子机器学习。