SUPPRESSOR OF OVEREXPRESSION OF CONSTANS 1(SOC1)在拟南芥中被证实为调节花芽发育的关键因子。胡桃楸是一种重要的木本油料果材兼用树种,其雌雄异型异熟的开花特性未知。为探索SOC1基因在胡桃楸雌雄异型花芽发育过程的调控作用及促...SUPPRESSOR OF OVEREXPRESSION OF CONSTANS 1(SOC1)在拟南芥中被证实为调节花芽发育的关键因子。胡桃楸是一种重要的木本油料果材兼用树种,其雌雄异型异熟的开花特性未知。为探索SOC1基因在胡桃楸雌雄异型花芽发育过程的调控作用及促进早花的分子机制,利用胡桃楸花芽转录组数据获取SOC1基因CDS序列,通过PCR扩增技术克隆出SOC1基因的cDNA序列全长,并对其进行生物学信息分析;同时,利用qRT-PCR方法对SOC1基因在胡桃楸不同器官组织以及雌雄先型雌雄花芽不同发育时期的表达情况进行定量分析。结果表明:胡桃楸成花相关JmSOC1基因cDNA序列全长为705 bp,编码234个氨基酸;生物信息学分析得出JmSOC1蛋白分子量为21569.04 Da;理论等电点(pI)值为8.3。qRT-PCR定量表达分析显示,JmSOC1基因在雌雄花蕾、果实、叶和茎中均有表达,但在雌雄花芽中表达量较高,且在雌花中表达量最高;并且在生理分化期时的雌雄花芽表达量趋于平稳,而到形态分化期时雌雄花芽表达量呈递增趋势,且表达量明显高于生理分化期。因此,推测JmSOC1基因参与了胡桃楸雌雄花芽发育的全过程,在开花过程中起着重要的调控作用。研究结果为进一步探索胡桃楸花芽发育的分子机制奠定了基础。展开更多
针对单一传感器SLAM(Simultaneous Localization And Mapping)技术在复杂环境中存在精度低、可靠性差等问题,提出一种基于因子图消元优化的激光雷达、视觉和IMU(Inertial Measurement Unit)融合SLAM算法(Multi Factor Graph fusion SLAM...针对单一传感器SLAM(Simultaneous Localization And Mapping)技术在复杂环境中存在精度低、可靠性差等问题,提出一种基于因子图消元优化的激光雷达、视觉和IMU(Inertial Measurement Unit)融合SLAM算法(Multi Factor Graph fusion SLAM with IMU as the Dominant system,ID-MFG-SLAM).首先,采用多因子图模型,提出以IMU为主系统,视觉与激光雷达为辅系统,通过引入辅系统观测因子约束IMU偏差,并接收IMU里程计因子实现运动预测与融合的全新结构.之后,为降低融合后的优化成本,加入滑窗机制并设计基于Householder变换的QR分解消元法将因子图转换为贝叶斯网络.最后,引入一种球面线性插值与线性插值之间的自适应插值算法,将激光雷达点云投影到单位球体上实现视觉特征点深度估计.实验结果表明,相比其他经典算法,该方法在复杂大、小场景中绝对轨迹误差分别可达到约0.68 m和0.24 m,具有更高的精度和可靠性.展开更多
文摘SUPPRESSOR OF OVEREXPRESSION OF CONSTANS 1(SOC1)在拟南芥中被证实为调节花芽发育的关键因子。胡桃楸是一种重要的木本油料果材兼用树种,其雌雄异型异熟的开花特性未知。为探索SOC1基因在胡桃楸雌雄异型花芽发育过程的调控作用及促进早花的分子机制,利用胡桃楸花芽转录组数据获取SOC1基因CDS序列,通过PCR扩增技术克隆出SOC1基因的cDNA序列全长,并对其进行生物学信息分析;同时,利用qRT-PCR方法对SOC1基因在胡桃楸不同器官组织以及雌雄先型雌雄花芽不同发育时期的表达情况进行定量分析。结果表明:胡桃楸成花相关JmSOC1基因cDNA序列全长为705 bp,编码234个氨基酸;生物信息学分析得出JmSOC1蛋白分子量为21569.04 Da;理论等电点(pI)值为8.3。qRT-PCR定量表达分析显示,JmSOC1基因在雌雄花蕾、果实、叶和茎中均有表达,但在雌雄花芽中表达量较高,且在雌花中表达量最高;并且在生理分化期时的雌雄花芽表达量趋于平稳,而到形态分化期时雌雄花芽表达量呈递增趋势,且表达量明显高于生理分化期。因此,推测JmSOC1基因参与了胡桃楸雌雄花芽发育的全过程,在开花过程中起着重要的调控作用。研究结果为进一步探索胡桃楸花芽发育的分子机制奠定了基础。
文摘针对单一传感器SLAM(Simultaneous Localization And Mapping)技术在复杂环境中存在精度低、可靠性差等问题,提出一种基于因子图消元优化的激光雷达、视觉和IMU(Inertial Measurement Unit)融合SLAM算法(Multi Factor Graph fusion SLAM with IMU as the Dominant system,ID-MFG-SLAM).首先,采用多因子图模型,提出以IMU为主系统,视觉与激光雷达为辅系统,通过引入辅系统观测因子约束IMU偏差,并接收IMU里程计因子实现运动预测与融合的全新结构.之后,为降低融合后的优化成本,加入滑窗机制并设计基于Householder变换的QR分解消元法将因子图转换为贝叶斯网络.最后,引入一种球面线性插值与线性插值之间的自适应插值算法,将激光雷达点云投影到单位球体上实现视觉特征点深度估计.实验结果表明,相比其他经典算法,该方法在复杂大、小场景中绝对轨迹误差分别可达到约0.68 m和0.24 m,具有更高的精度和可靠性.
