对GDX1卷烟包装机缺商标纸检测的改进

本文介绍了一种增加GDX1卷烟包装机缺商标纸检测可靠性的方法。     

植物基因环境效应启动子

植物的生长发育受到光照、温度、水分及氧等环境因素的影响，根据对不同环境的响应，植物基因的启动子主要可以分为光效应启动子，温度效应启动子和水效应启动子。在这些启动子中，除了含有基本启动子外，还存在一些特异的顺式调节元件，这些顺式调节元件在特异表达中发挥重要作用。     

非酸催化法合成2，4，4—三甲基—1—戊烯的研究

采用异丁醇为原料，以Ti(SO4)2/Al2O3为催化剂，合成了2，4，4－三甲基－1－戊烯。对影响反应的因素进行了讨论，用红外光谱及核磁共振光谱对结构进行了表征。标题化合物的收率为80％以上。     

3-芳氧基-1,2-环氧丙烷的合成

对3-芳氧基-1，2-环氧丙烷类化合物合成方法进行了研究，对反应条件、操作过程及品质控制等方面进行了改进，合成了11个3-芳氧丙烷类化合物，改进后的方法实用，产率高于文献报道，有普遍的推广应用的价值。     

噬菌体展示禽流感病毒抗原变异性基因片段文库的构建

构建T7噬菌体展示禽流感病毒抗原变异性基因片段文库. 首先， 从Gene Bank中查找筛选禽流感病毒抗原变异性基因, 将其截短、 修饰、 简并后得到禽流感病毒抗原变异性基因微阵列. 其次， 将合成的禽流感病毒抗原变异性基因片段文库扩增、 酶切, 链接到双酶切后的T7噬菌体载体基因上, 构成重组噬菌体DNA. 最后， 重组噬菌体DNA经体外包装和扩增, 得到T7噬菌体展示文库, 并进行T7噬菌体展示文库滴度、 重组率和免疫活性测定. 实验结果表明, 从Gene Bank中查找、 筛选、 剪切和修饰共获得96 258条序列构建T7噬菌体展示文库, 原始文库滴度为3.6×107个菌落/mL, 重组率大于90%. 用禽流感病毒H5N1抗体进行捕获, 经聚合酶链式反应(PCR)鉴定, 得到理想目的条带, 证明噬菌体表面展示蛋白具有抗原活性, 可用于禽流感病毒感染患者的快速检测及抗原表位筛选.     

基因治疗：基因生物技术的重要里程碑

基因治疗是将人的正常基因或有治疗作用的基因通过一定方式导入人体靶细胞以纠正基因的缺陷或者发挥治疗作用，从而达到治疗疾病目的的生物医学技术。基因治疗是当代医学和生物学一个新的研究领域。它试图从基因水平调控细胞中的缺陷基因表达或以正常基因矫正、替代缺陷基因，达到治疗基因缺陷所致的遗传病、免疫缺陷或抑癌基因的失活所致的肿瘤等疾病，即与基因相关的疾病。 根据临床统计，25％的生理缺陷、30％的儿童疾病和60％的成年人疾病都是由遗传病引起的。而人类遗传病大约有5000种，大部分是单基因缺陷造成的道机体是一个复杂的动态性的平衡系统。每一个基因对机体的正常功能的影响都是复杂的，任何一个基因的变化都会导致多种症状的发生。由于这些疾病病因复杂而且发生在遗传物质水平，用传统的治疗方式很难达到根治目的，而且价格昂贵周期长。基于以上这些原因，人们一直致力于寻找新的、更好的、更彻底的遗传疾病治疗方法。随着分子生物学和分子遗传学等学科的飞速发展、人们对遗传病的分子机理的深入了解以及许多遗传疾病分子模型的建立，特别是人类基因组计划超乎预想的发展和后基因组计划、蛋白质组计划的提出，使人们自己的遗传背景和基因与疾病的关系有了更清楚的认识。这些都使人的基因治疗成为可能。 基因治疗是近十年来发展起来的新型医疗技术，有广阔的研究、应用和开发前景，但是，它还需要解决许多基础研究和技术方面的问题，才能具有真正的实用价值。总而言之，基因治疗随着分子生物学、分子遗传学和临床医学等学科的发展，它将日益走向成熟。     

老鼠实验探索人类疾病奥秘

复杂的基因网络隐藏着引发肥胖、癌症以及心脏等病症的奥秘，美国杰克逊实验室正在通过老鼠实验，以此拨开困扰人类的多种疾病与基因之间的重重迷雾--[编者按]     

（BN）n及SiB（n-1）Nn（n=2-11）稳定结构的研究

利用遗传算法及Gastreich提出的经验势函数,研究了（BN）n（n=2-11）和SiBn-1Nn（n=2-11）团簇的可能稳定结构,对能量较低的异构体在HF/STO-3G水平进行优化,得到了（BN）n（n=2-11）和SiBn-1Nn（n=2-11）团簇稳定结构单环及线状结构,并进一步分析了单环的结构特征及相对稳定性。     

Finding finer functions for partially characterized proteins by protein-protein interaction networks

Based on high-throughput data, numerous algorithms have been designed to find functions of novel proteins. However, the effectiveness of such algorithms is currently limited by some fundamental factors, including (1) the low a-priori probability of novel proteins participating in a detailed function; (2) the huge false data present in high-throughput datasets; (3) the incomplete data coverage of functional classes; (4) the abundant but heterogeneous negative samples for training the algorithms; and (5) the lack of detailed functional knowledge for training algorithms. Here, for partially characterized proteins, we suggest an approach to finding their finer functions based on protein interaction sub-networks or gene expression patterns, defined in function-specific subspaces. The proposed approach can lessen the above-mentioned problems by properly defining the prediction range and functionally filtering the noisy data, and thus can efficiently find proteins’ novel functions. For thousands of yeast and human proteins partially characterized, it is able to reliably find their finer functions (e.g., the translational functions) with more than 90% precision. The predicted finer functions are highly valuable both for guiding the follow-up wet-lab validation and for providing the necessary data for training algorithms to learn other proteins.