摘要：基因组大尺度遗传操纵是指对基因组大片段DNA的敲除、整合、易位等遗传改造。相较于小规模基因编辑,基因组大尺度遗传操纵可实现更多遗传信息的同步改造,对于探究多基因相互作用等复杂机制的理解有重要意义。同时,基因组大尺度遗传操纵技术可对基因组开展更大规模的设计重构,甚至创建全新的基因组,在复杂功能重塑方面具有重要创新潜力。酵母是一种重要的真核模式生物,因其安全性和易于操作而被广泛应用。本文系统总结了酵母基因组大尺度遗传操纵的工具包,包括重组酶介导的大尺度操纵、核酸酶介导的大尺度操纵、从头合成大片段DNA以及其他大尺度操纵工具,介绍了它们的基本工作原理与典型应用案例。最后,对大尺度遗传操纵面临的挑战和发展进行了展望。

摘要：为降低多示例学习中噪声示例对分类结果的影响,提出赋予包示例不同的权值,不断更新分类器,调整权值,提高分类精度。在传统的多示例学习中,训练集由若干个包组成,每个包包含若干个示例,包示例标签未知。受获取数据的环境和传输过程等不确定因素的影响,现实世界的数据极易受到噪声的干扰,在多示例学习中,正包中存在正示例,也可能包含负示例噪声,这些噪声会影响分类效果。实验结果表明,该方法具有更好的分类能力。

摘要：针对近年出现的多示例多标签学习,把主动学习应用到其框架上,提出一种基于支持向量机最小分类距离的多示例多标签主动学习方法。引入支持向量机的最小分类距离,提出分类器对未标记多示例包的置信度,在学习过程中,迭代地主动选择最能改善分类器性能的未标记多示例包添加到训练集中进行学习,有效减少训练多示例包的成本,改善分类器性能。实验结果表明,与样本随机选择策略相比,该方法在训练样本相同的情况下能够获得更好的分类性能。