点击右上角
微信好友
朋友圈
请使用浏览器分享功能进行分享
大熊猫“团团”病理解剖报告：原发性脑瘤致大脑严重萎缩******
中新社台北12月19日电 台北市立动物园19日确认，大熊猫“团团”罹患“肥胖细胞型星形胶质细胞瘤”，这种原发性脑瘤导致“团团”大脑严重萎缩，也是癫痫发作的原因。
综合中央社、联合新闻网、中时新闻网等台湾媒体报道，“团团”治疗后期多次出现癫痫症状，11月19日因病情恶化去世。台湾有关方面当天进行了病理解剖工作，并将采样组织送验。近日，病理解剖报告出炉。
台北市立动物园12月19日举办记者会对解剖报告进行说明。据园方介绍，“肥胖细胞型星形胶质细胞瘤”癌细胞可能生长在中枢神经系统的任何位置，“团团”的脑瘤生长在左侧大脑，并伴随大面积组织的液化坏死。同时，“团团”的大脑细胞被大量破坏，大脑严重萎缩。至于“团团”此病症是否为遗传疾病，尚无足够资料可比对分析。
园方称，“团团”是目前文献上第二例长脑瘤的大熊猫，也是罹患“肥胖细胞型星形胶质细胞瘤”的首例。(完)
提速近10倍！基于深度学习的全基因组选择新方法来了****** 近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物（Molecular Plant）》上。 全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。 统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。 相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机，深度学习算法的优化将会提高全基因组选择的预测能力。 该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料，通过创新深度学习算法框架开发了全基因组选择新方法。 与其他五种主流预测方法相比，该方法有以下优点： 可以利用多组学数据开展全基因组预测；算法设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。 该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。 学术支持 中国农业科学院作物科学研究所 记者 宋雅娟
（文图：赵筱尘 巫邓炎） [责编：天天中] 阅读剩余全文（）  视觉焦点
盈彩地图 |
)