仙人掌X病毒(cactuSviruSX,CVX)严重威胁世界火龙果产业的发展。为实现对该病毒的定量检测,本研究根据CVX外壳蛋白(CP)的保守序列设计特异性引物CVX-F/-R,建立了引物浓度150 nmol/L,退火温度62℃的SYBR Green I实时荧光定量PCR检测方法...仙人掌X病毒(cactuSviruSX,CVX)严重威胁世界火龙果产业的发展。为实现对该病毒的定量检测,本研究根据CVX外壳蛋白(CP)的保守序列设计特异性引物CVX-F/-R,建立了引物浓度150 nmol/L,退火温度62℃的SYBR Green I实时荧光定量PCR检测方法。该引物扩增效率为97.38%,R^(2)为0.9965,对标准品的检测极限浓度为8×10^(2)拷贝/μL,其灵敏度是普通PCR的100倍。对火龙果不同组织中CVX的相对表达量进行检测发现,病毒在花丝中的含量最高,之后依次为花萼、花瓣、嫩枝、老枝和根。对采自贵州黔南州的40份火龙果样品进行检测,共检测出32份阳性样品。上述结果表明,本研究建立的实时荧光定量PCR特异性强、灵敏度高,为今后CVX的检测提供了重要的技术补充。展开更多
目的本研究旨在构建一个基于临床和影像学特征的极端梯度提升(extreme gradient boosting,XGBoost)模型,以鉴别乳腺非肿块病变的良恶性。材料与方法收集2018年1月至2024年7月2个机构,2种乳腺X线设备检查的有病理结果的首诊乳腺非肿块病...目的本研究旨在构建一个基于临床和影像学特征的极端梯度提升(extreme gradient boosting,XGBoost)模型,以鉴别乳腺非肿块病变的良恶性。材料与方法收集2018年1月至2024年7月2个机构,2种乳腺X线设备检查的有病理结果的首诊乳腺非肿块病变480个。患者被分为建模组[n=310,数字乳腺X线摄影(digital mammography,DM)检查]、内部验证组(n=108,DM检查),和外部验证组[n=62,数字乳腺体层合成摄影(digital breast tomosynthesis,DBT)检查]。记录患者术前乳腺X线(DM或DBT),MRI以及临床特征。采用XGBoost算法和多因素逻辑回归分析,分别构建XGBoost模型和逻辑回归(logistic regression,LR)模型。使用受试者工作特征(receiver operating characteristic,ROC)曲线评估模型的诊断效能。结果在建模组中,患者以7∶3随机分为训练集(n=217)和测试集(n=93)。训练集、测试集、训练集的内部验证组及训练集的外部验证组中,恶性非肿块病灶分别为159(73%)、58(62%)、73(68%)和43(69%)。XGBoost模型的诊断效能明显优于LR模型,在独立的训练集、测试集、训练集的内部验证组及训练集的外部验证组中均表现出良好的诊断效能,曲线下面积(area under the curve,AUC)在0.884~0.913之间。XGBoost模型在四个队列中也表现出良好的校准能力和临床净获益。结论XGBoost模型能够准确鉴别乳腺非肿块病变的良恶性,具有推广应用的潜力。展开更多
文摘仙人掌X病毒(cactuSviruSX,CVX)严重威胁世界火龙果产业的发展。为实现对该病毒的定量检测,本研究根据CVX外壳蛋白(CP)的保守序列设计特异性引物CVX-F/-R,建立了引物浓度150 nmol/L,退火温度62℃的SYBR Green I实时荧光定量PCR检测方法。该引物扩增效率为97.38%,R^(2)为0.9965,对标准品的检测极限浓度为8×10^(2)拷贝/μL,其灵敏度是普通PCR的100倍。对火龙果不同组织中CVX的相对表达量进行检测发现,病毒在花丝中的含量最高,之后依次为花萼、花瓣、嫩枝、老枝和根。对采自贵州黔南州的40份火龙果样品进行检测,共检测出32份阳性样品。上述结果表明,本研究建立的实时荧光定量PCR特异性强、灵敏度高,为今后CVX的检测提供了重要的技术补充。
文摘目的本研究旨在构建一个基于临床和影像学特征的极端梯度提升(extreme gradient boosting,XGBoost)模型,以鉴别乳腺非肿块病变的良恶性。材料与方法收集2018年1月至2024年7月2个机构,2种乳腺X线设备检查的有病理结果的首诊乳腺非肿块病变480个。患者被分为建模组[n=310,数字乳腺X线摄影(digital mammography,DM)检查]、内部验证组(n=108,DM检查),和外部验证组[n=62,数字乳腺体层合成摄影(digital breast tomosynthesis,DBT)检查]。记录患者术前乳腺X线(DM或DBT),MRI以及临床特征。采用XGBoost算法和多因素逻辑回归分析,分别构建XGBoost模型和逻辑回归(logistic regression,LR)模型。使用受试者工作特征(receiver operating characteristic,ROC)曲线评估模型的诊断效能。结果在建模组中,患者以7∶3随机分为训练集(n=217)和测试集(n=93)。训练集、测试集、训练集的内部验证组及训练集的外部验证组中,恶性非肿块病灶分别为159(73%)、58(62%)、73(68%)和43(69%)。XGBoost模型的诊断效能明显优于LR模型,在独立的训练集、测试集、训练集的内部验证组及训练集的外部验证组中均表现出良好的诊断效能,曲线下面积(area under the curve,AUC)在0.884~0.913之间。XGBoost模型在四个队列中也表现出良好的校准能力和临床净获益。结论XGBoost模型能够准确鉴别乳腺非肿块病变的良恶性,具有推广应用的潜力。
