SOS应答对质粒介导的qnr耐药基因表达调控机制的研究进展

SOS应答是普遍存在于细菌中的一种低保真度的DNA修复方式。当细菌DNA受损时，大量的DNA单链堆积，SOS应答启动并诱导远距离基因表达参与DNA修复。此修复过程缺失了DNA复制的校正功能，因此SOS应答会大大增加细菌的基因突变频率从而使细菌能够更快的适应不利环境。另一方面，随着细菌耐药的日益严峻，qnr基因家族成为质粒介导的喹诺酮耐药(plasmid-mediated quinolone resistanc PMQR)研究热点。有报道发现细菌的SOS应答会对菌株的qnr耐药水平造成明显的差异性，完整的SOS应答能够使菌株MIC成倍增加。由此可以怀疑SOS应答对qnr基因的表达存在相应的调控机制，但是相关机制尚未阐明。基于此本文就SOS应答机制和qnr耐药机制二者之间的关系进行试探性的综述。     

经侧脑室引流管测压与有创颅内压监测的对比研究

目的探讨经侧脑室引流管测压进行实时颅内压（ICP）监测的准确性和安全性。 方法对福建医科大学附属第一医院神经外科自2016年1月至2018年6月收治的行脑室型有创ICP监测传感器置入术的28例患者，同时采用压力传感器连接侧脑室外引流管测量脑脊液传导压力（P1），通过临床监测数据采集软件系统每分钟实时采集P1和同期监测的有创ICP数据，每频段连续采集30 min，分析和对比2组数据的一致性。同时对患者的临床特征、颅内感染和浅表手术切口感染、颅内再出血等进行分析。 结果28例患者共获得87个频段和2610对P1和ICP数值。有创ICP监测的平均值为（14.217±6.729）mmHg（1 mmHg=0.133 kPa），引流管测压P1的平均值为（14.263±6.765）mmHg，ICP与P1的组内相关系数（ICC）为0.977（P<0.001），具有较高的一致性。2组数据Band-Altman散点图显示P1与ICP的差值为（0.046±1.435）mmHg（95%CI：-2.767~2.859）。28例患者均未发生手术相关的颅内感染、浅表手术切口感染和愈合不良、颅内再出血等。 结论经侧脑室引流管连接压力传感器测压与有创ICP传感器监测所得到的ICP值具有良好的一致性，其准确性和安全性较高，可作为持续监测ICP的有效技术。     

Modeling Marked Temporal Point Process Using Multi-relation Structure RNN

Event sequences with marker and timing information are available in a wide range of domains, from machine log in automatic train supervision systems to inf     

枸杞多糖对大鼠角膜缘干细胞体外增殖的影响研究

目的通过体外分离和培养大鼠角膜缘干细胞(Limbal Stem Cells, LSCs)，观察枸杞多糖(Lyciumbarbarum Polysaccharide, LBP)对LSCs体外增殖的影响，为中药体外培养LSCs的研究提供实验资料。 方法体外分离和培养LSCs，显微镜观察LSCs的细胞形态特征，通过免疫荧光检测转录因子p63初步鉴定大鼠LSCs；分对照组和枸杞多糖处理组，每组20例，免疫印迹检测增殖细胞核抗原(Proliferating Cell Nuclear Antigen, PCNA)，初步探讨枸杞多糖对LSCs的增殖影响。 结果镜下观察LSCs体积小，呈多边形或椭圆形，胞核较大，核质比例大，免疫荧光结果显示体外分离的LSCs可表达p63(阳性率为76.41±1.66%)；枸杞多糖处理后LSCs的PCNA蛋白的表达水平高于对照组，并且随着枸杞多糖浓度的增加，PCNA蛋白的表达升高(P<0.05)。 结论枸杞多糖对LSCs的增殖和生长具有促进和维持的作用。     

模拟诊疗在留学生心血管内科实习带教中的应用研究

目的　探讨模拟诊疗在留学生心血管内科实习带教中的应用效果。方法　将35名留学生随机编号，分成试验组和对照组。试验组18名学生分成3组（每组6名）进行模拟诊疗教学，对照组17名学生进行常规实习。通过填写评价单和相关的临床能力测试对两组教学效果进行评价。选用SPSS 19.0软件进行t检验。结果　参与模拟诊疗教学的留学生均希望在各科实习中多采用此方法。在临床能力测试方面，试验组学生在病史采集[（22.16±2.17）vs.（20.33±2.03）]、体格检查[（23.05±1.79）vs.（19.78±2.05）]及回答问题[（23.50±1.47）vs.（19.56±1.92）]方面均优于对照组，差异有统计学意义（P<0.05）。但是在病历书写方面，两组差异无统计学意义（P>0.05）。结论　利用高仿真的模拟诊疗教学手段，弥补了留学生在实习期间不能充分接触患者的缺陷，有助于提高其临床操作技能、增强医患沟通能力等医学职业素养。     

16排及8排移动CT多中心临床应用对比分析

目的多中心临床应用对比分析8排及16排移动CT的成像质量及性能特点、检查耗时、人工成本及辐射剂量值等。 方法解放军总医院第七医学中心神经外科自2010年8月至2020年7月应用8排移动CT行头部扫描90 059例次，解放军总医院第七医学中心神经外科联合多家医院自2017年3月至2020年7月应用16排移动CT行头部扫描10 969例次，分别采集患者头部扫描成像、检查时间、人工成本（人员累计耗时），以及辐射剂量值：CT剂量指数（CTDIvol）、剂量长度乘积（DLP）、有效剂量（ED）。另外随机选择同期60例次64排大型CT检测值作为对比。 结果（1）成像分析：8排移动CT头部扫描90 059例次，其中急诊室82 843例次（91.99%）、ICU 7090例次（7.87%）、手术室126例次（0.14%）。16排移动CT头部扫描10 959例次，其中急诊室8601例次（78.41%）、ICU 879例次（8.01%）、手术室31例次（0.28%）、车/船/机载头部扫描1458例次（13.29%）。2组成像质量基本相同，与8排移动CT组相比较，16排移动CT安装有精密导轨控制扫描和减振器，扫描速度快，运动伪影少，具有平扫+增强、脑血管造影（CTA）和脑灌注成像（CTP）等多种成像功能。（2）扫描时间与辐射剂量：16排、8排移动CT及64排大型CT的扫描时间、人工成本、辐射剂量（CTDIvol、DLP、ED）比较，差异均有统计学意义（P<0.05）。 结论16排移动CT成像质量优良，扫描速度快耗时少、人工成本低、辐射剂量低，具有平扫、增强及CTA、CTP多种成像功能。     

Generalizability of machine learning for classification of schizophrenia based on resting‐state functional MRI data

Machine learning has increasingly been applied to classification of schizophrenia in neuroimaging research. However, direct replication studies and studies seeking to investigate generalizability are scarce. To address these issues, we assessed within‐site and between‐site generalizability of a machine learning classification framework which achieved excellent performance in a previous study using two independent resting‐state functional magnetic resonance imaging data sets collected from different sites and scanners. We established within‐site generalizability of the classification framework in the main data set using cross‐validation. Then, we trained a model in the main data set and investigated between‐site generalization in the validated data set using external validation. Finally, recognizing the poor between‐site generalization performance, we updated the unsupervised algorithm to investigate if transfer learning using additional unlabeled data were able to improve between‐site classification performance. Cross‐validation showed that the published classification procedure achieved an accuracy of 0.73 using majority voting across all selected components. External validation found a classification accuracy of 0.55 (not significant) and 0.70 (significant) using the direct and transfer learning procedures, respectively. The failure of direct generalization from one site to another demonstrates the limitation of within‐site cross‐validation and points toward the need to incorporate efforts to facilitate application of machine learning across multiple data sets. The improvement in performance with transfer learning highlights the importance of taking into account the properties of data when constructing predictive models across samples and sites. Our findings suggest that machine learning classification result based on a single study should be interpreted cautiously.