XiaoMi-AI文件搜索系统
World File Search SystemKernel
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。
环境条件的影响以及胞质谷氨酰胺合成酶对玉米杂化核产生的等位基因变化
胞质谷氨酰胺合成酶（GS1）是主要负责玉米叶中的铵同化和重新合并的酶。通过检查酶在叶细胞中酶的过表达的影响，研究了GS1在玉米核产生中的农艺潜力。使用在该领域生长的植物产生并表征了表现出三倍的叶子GS活性增加三倍的转基因杂种。在不同位置，在叶片和束鞘鞘中的叶片和束鞘鞘中的几种过表达GLN1-3（GLN1-3）的基因（GS1）在不同位置生长了五年。平均而言，与对照组相比，转基因杂种中的核产量增加了3.8％。但是，我们观察到，给定领域试验的环境条件和转基因事件同时依赖于这种增加。尽管从一个环境到另一个环境变化，但在不同位置的两个GS1基因（GLN1-3和GLN1-4）多态性区域和核产量之间也发现了显着关联。我们建议使用基因工程或标记辅助选择的GS1酶是产生高屈服玉米杂种的潜在潜在领导者。但是，对于这些杂种，产量增加将在很大程度上取决于用于种植植物的环境条件。
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。
与内核匹配的深度和广泛的转移学习，用于从脑电图和心理问卷中汇总数据
摘要：运动图像（MI）促进运动学习，并鼓励大脑 - 计算机接口系统，这些系统需要进行脑电图（EEG）解码。但是，需要长时间的培训来掌握脑部节奏的自我调节，从而导致使用MI不确定的用户。我们介绍了一种基于参数的跨受试者转移学习方法，以改善基于MI的BCI系统中表现不佳的个体的性能，通过内核 - 汇总标记的EEG测量结果和心理问卷来汇总数据。为此，实施了用于MI分类的深层神经网络，以从源域预先培训网络。然后，将参数层转移，以在细胞调整过程中初始化目标网络，以重新计算基于多层感知的精度。要执行将分类特征与实价功能相结合的数据融合，我们通过高斯 - 插入实现了逐步的内核匹配。最后，根据受试者考虑其对BCI运动技能的影响，探索表现最出色的受试者（源空间）的两个选择策略，选择了对基于差异的集群的配对源 - 目标集来进行评估目的：单个受试者：单件受试者和多个受试者。针对判别MI任务获得的验证结果表明，即使包含问卷数据，引入的深层神经网络也具有准确性的竞争性能。
用Mittage-Leffler内核分析葡萄糖胰岛素胰高血糖素系统用于I型糖尿病
在本文中，我们提出了一个分数数学模型，以通过使用分形分数算子的广义形式来解释胰高血糖素在维持人体葡萄糖水平中的作用。结果的存在，界限和积极性是由固定点理论和Lipschitz的生物学可行性构建的。此外，处理了Lyapunov的第一个衍生功能的全球稳定性分析。分数系统系统的数值模拟是在lagrange插值的帮助下得出的。在不同初始条件下的正常和1型糖尿病的结果得出，这支持了理论观察。这些结果在闭环设计的意义上在葡萄糖 - 胰岛素 - 葡聚糖系统中起着重要作用，这有助于开发人工胰腺来控制社会中的糖尿病。
研究文章使用自适应内核回归
切片到体积重建（SVR）方法可以很好地处理运动伪像，并为胎儿脑MRI提供高质量的3D图像数据。但是，在SVR方法中，稀疏采样的问题并未很好地解决。在本文中，我们主要集中于从多个被运动伪影损坏的胎儿脑MRI稀疏体积重建。基于SVR框架，我们的方法包括Slice-volume 2D/3D注册，基于点差函数（PSF-）卷更新以及基于自适应内核回归的卷更新。自适应核回归可以很好地处理稀疏的采样数据，并通过通过协方差矩阵捕获局部结构来增强详细的保存。对临床数据进行的实验结果表明，核回归可通过结构灵敏度的参数设置为0.4，转向内核大小为7×7×7的稀疏抽样数据的图像质量提高，并转向平滑带宽0.5。所提出的基于GPU的方法的计算性能的速度超过90倍。
定量遗传：a）聚乙烯遗传 - 概念，示例 - 小麦中的内核颜色，b）种群遗传学 - Hardy-Weinberg定律。
但是，定量性状是经济上重要的衡量表型特征，例如身高，体重，皮肤色素沉着，对病理疾病的易感性或人类智力的易感性；植物或动物产生的花，水果，种子，牛奶，肉或鸡蛋等。定量性状也称为度量特征。他们没有显示个人和形成一系列表型之间的明显切断的差异，这些表型毫无察觉地将一种从一种类型融合到另一种类型，以引起连续变化。与定性性状相反，定量性状可以通过环境条件进行多样化，通常受许多因素或基因（也许是10或I00或更多）的控制，每种都有少量的表型，以至于他们的个体效应无法通过Mendelian方法来检测到Mendelian方法，但仅由统计学方法检测到。
具有超大寿命的绿色和瞬态锌离子电池的自下而上的设计
背景和目标：由于失去随访的患者的数量，纵向研究中缺少数据是一个无处不在的问题。内核方法通过成功管理非矢量预测因子（例如图形，字符串和概率分布）来丰富机器学习场，并成为分析由现代医疗保健诱导的复杂数据的有希望的工具。此pa-提出了一组新的内核方法，以处理响应变量中缺少的数据。这些方法将用于预测糖化血红蛋白（A1C）的长期变化，这是用于诊断和监测糖尿病进展的主要生物标志物，以探索探索连续葡萄糖（CGM）的预测潜力。
在小麦（Triticum aestivum l.）中，在染色体2D上，稳定的主要效应定量性状基因座的稳定效应定量特征基因座的识别和验证和验证
摘要：一个重组的近交系数量，包括371条线，由每个尖峰（KNP）基因型T1208和低KNPS基因型Chuannong18（CN18）开发。由小麦55k SNP阵列构建的遗传连锁图由11,583个标记组成。在三年内检测到与KNP有关的定量性状基因座（QTL）。分别使用ICIM-BIP，ICIM-MET和ICIM-EPI方法来识别八个，二十七个和四个QTL。一个QKTL，QKNPS.SAU-2D.1，在染色体2D上映射，可以平均解释18.10％的表型变化（PVE），并被视为KNP的主要稳定QTL。此QTL位于2D染色体上的0.89 MB间隔，并由标记物AX-109283238和AX-111606890倾斜。此外，设计了与qknps.sau-2d.1紧密相关的Kompetive Primentififififif PCR（KASP）标记的KASP-AX-111462389。QKNPS.SAU-2D.1对KNP的遗传作用成功地确认了两个RIL种群。结果还表明，KNPS和1000个内核重量（TKW）的显着增加是由QKNPS.SAU-2D.1引起的，这是由于尖峰数量（SN）的减少而克服了劣势，并最终导致晶粒产量的显着增加。此外，在QKNPS.SAU-2D.1位于中国春季参考基因组中的间隔内，仅发现了十五个基因，并且两个可能与KNP相关的基因都被鉴定出来。qknps.sau-2d.1可能会为未来的高产小麦育种提供新的资源。