"中共中央的小伙子"——博古年轻曲折的人生轨迹

博古24岁任团中央书记时还不是党中央委员,却一跃成为中共中央总负责人,是建党80年来最年轻的高级领导者.他在不到四十年的短暂生命中,曾有过辉煌的年华.然而他追随王明犯过严重的"左"倾错误,给中国革命造成了重大损失.但他能幡然悔悟,修正错误,在以后的革命斗争中充满活力,矢志不移地追求真理,为人民的解放事业英勇献身.     

创新型国家建设与大学的使命

建设创新型国家,是全面小康社会建设的支持和保证。在创新型国家建设中,大学的重要使命是:推进文化创新,培育建设创新文化;加强基础研究,推进知识创新;实行产学研结合,促进成果转化和技术创新;推动制度创新,为政府决策提供思想支持;提高教育质量,培育创新人才。实施素质教育,是大学完成使命的关键。     

“中国罪犯DNA数据库“模式库:13个STR位点基因在中国人群中的分布

目的:对D3S1358、vWA、FGA、D8S1179、D21S11、D18S51、D5S818、D13S317、D16S539、THO1、TPOX、CSF1PO、D7S820等13个STR位点进行多态性调查,探索其用于"罪犯DNA数据库"的可行性.方法:用多重PCR和四色荧光自动化检测技术分析13个STR位点的基因型,计算各位点等位基因的分布频率.结果:获得13个STR位点在中国南北汉族、维吾尔族、回族人群中的等位基因分布频率资料.结论:上述位点适合作为中国人群的遗传学标志,用于"中国罪犯DNA数据库"的建立.     

探索“两课”教学与学管工作一体化的新模式

加强学生思想政治教育势在必行。我校思想政治教育存在"两课"教学与学生思想实际脱节,学管工作方法滞后,与学生沟通少等问题。构建思想政治教育模式的具体做法包括:实行思想政治教育辅导员制,采取观察法、调查法、反馈法、实践法等。     

中国东部蒙古族人群15个STR基因座多态性研究

目的调查15个STR基因座在中国东部蒙古族人群中的基因频率分布。方法应用四色荧光标记引物复合扩增技术,对105名东部蒙古族无关个的血样15个STR基因座进行多态性研究。结果在东部蒙古族人群中15个STR基因座偶合率在0.0084～0.2169之间,个体识别概率(DP)在0.7831～0.9916之间,杂合度在0.5619～0.9231之间,三联非父排除率(PE)在0.4490～0.8444之间,多态性信息总量(PIC)在0.5438～0.9178之间,15个STR基因座总TDP值为0.9999999999998,所有基因座经χ2检验符合Hard-Weinberg平衡。结论上述15个STR基因座在东部蒙古族人群中等位基因分布较好,个体识别率高,适合法医个体识别和亲子鉴定。     

皮肤损伤愈合中NOS的表达及NO的作用

皮肤损伤愈合是机体保持组织完整性的一个有组织的过程,需要炎症细胞、生物化学介质之间的复杂作用。一氧化氮合酶(nitricoxidesynthase,NOS)是皮肤组织损伤愈合过程中的一个重要因子,合成一氧化氮(nitricoxide),生成的一氧化氮参与损伤愈合的全过程,在炎症介导,细胞的增殖、分化和凋亡及血管形成、基质沉积和损伤后组织重构中均发挥重要作用,而且在某些皮肤疾病中,NO也具有重要作用。本文针对近年来NOS在损伤愈合过程中的研究进展,综述了在皮肤损伤愈合过程中NOS的表达和NO的作用,认为NOS是皮肤损伤愈合机制的一个重要方面,具有深入研究的必要。     

Classification of premium and regular gasoline by gas chromatography/mass spectrometry,principal component analysis and artificial neural networks

Detection and correct classification of gasoline is important for both arson and fuel spill investigation. Principal component analysis (PCA) was used to classify premium and regular gasolines from gas chromatography-mass spectrometry (GC-MS) spectral data obtained from gasoline sold in Canada over one calendar year. Depending upon the dataset used for training and tests, around 80-93% of the samples were correctly classified as either premium or regular gasoline using the Mahalanobis distances calculated from the principal components scores. Only 48-62% of the samples were correctly classified when the premium and regular gasoline samples were divided further into their winter/summer sub-groups. Artificial neural networks (ANNs) were trained to recognise premium and regular gasolines from the same GC-MS data. The best-performing ANN correctly identified all samples as either a premium or regular grade. Approximately 97% of the premium and regular samples were correctly classified according to their winter or summer sub-group.