易基因:何川團隊開發新m6A測序方法 可溫和條件下高分辨率/低背景噪聲檢測m6A修飾|Nature子刊

大家好,這里是專注表觀組學十余年,領跑多組學科研服務的易基因。

RNA和DNA中的化學修飾在多種生物過程中發揮著關鍵作用,包括轉錄調控、RNA降解、蛋白質翻譯和免疫調節等。這些修飾已被新的測序方法以單堿基分辨率定量地繪制出來,其中核苷酸脫氨基是一種高效策略,用于選擇性地繪制DNA中的5-甲基胞嘧啶(5-methylcytosine)和RNA中的N6-甲基腺苷(m6A)。然而,傳統的化學脫氨基方法依賴于在苛刻的酸性條件下使用芳基重氮鹽,這限制了其在大多數生物底物中的應用。近年來,基于亞硝酸鹽離子的RNA測序方法(如NO-seq和NT-seq)雖然簡單且成本效益高,但低轉化效率和苛刻的酸處理可能會導致RNA降解,從而影響檢測的準確性。此外,GLORI方法雖然提高了脫氨基效率和選擇性,但仍受到RNA降解和逆轉錄停止的限制,需要大量的RNA輸入。

為了開發一種溫和的化學脫氨基反應,以克服傳統方法的局限性。近日,芝加哥大學何川團隊通過設計一種接近中性pH值的溫和化學脫氨基反應,不僅可以顯著保護RNA,還能提高信噪比,從而實現對m6A位點的靈敏且穩健繪制。這種方法有望為研究m6A修飾在基因表達調控中的作用提供有力的工具,推動RNA修飾領域的研究進展。相關成果以《Small-molecule-catalysed deamination enables transcriptome-wide profiling of?N6-methyladenosine in RNA》為題,發表于Nature子刊《Nature Chemistry》。

標題:Small-molecule-catalysed deamination enables transcriptome-wide profiling of?N6-methyladenosine in RNA

發表時間:2025-4-17

發表期刊:Nature Chemistry

影響因子:IF19.2/Q1

單位:芝加哥大學

研究方法

研究者采用一種N-亞硝化策略,通過羰基有機催化劑和路易斯酸催化劑的協同催化作用,實現對RNA中腺苷(A)的脫氨基反應,將其轉化為次黃嘌呤(I)。這種方法被稱為化學協同催化輔助m6A測序(chemical cooperative catalysis-assisted m6A sequencing,CAM-seq)。具體實驗步驟如下:

  • 反應條件優化:通過篩選不同的路易斯酸和羰基化合物,研究者發現硼酸和甘油醛(glyoxal)在促進脫氨基反應中表現出最高的效率和選擇性。反應在接近中性的pH值(pH 6.0)下進行,溫度為37℃,時間為12小時。
  • 保護基團的選擇:為了避免甘油醛與鳥苷(G)形成加合物導致的逆轉錄酶停止(RT stops),研究者選擇了kethoxal作為保護基團,因為它具有更高的反應速率和更好的可逆性。
  • RNA樣本處理:從細胞或植物組織中提取總RNA,并進行poly(A)富集。將提取的RNA片段化,以提高測序效率。
  • 測序文庫制備:對化學處理后的RNA進行3'-端修復,連接3'-端接頭,進行逆轉錄反應生成cDNA,再連接cDNA接頭,完成文庫制備。最后對文庫進行PCR擴增,并使用Illumina平臺進行測序。

圖1:羰基有機催化劑和路易斯酸催化的一級胺協同脫氨基反應。

a. 在苛刻的酸性條件下,亞硝酸鹽離子通過逐步的亞硝化和重氮化反應介導脫氨基作用。

b. 本研究和GLORI-seq:由羰基有機催化劑和路易斯酸(LA)催化的協同脫氨基反應。

c. 全轉錄組m6A測序的m6A-CAM-seq方法示意圖。RNA樣本被片段化,并在優化的條件下進行處理,隨后進行純化和測序文庫制備。

研究結果

(1)溫和條件下對底物進行一般脫氨基處理

研究者在溫和條件下對多種核苷酸底物進行了脫氨基反應,發現甘油醛與硼酸三氟化物乙醚(BF3·OEt2)組合能高效脫氨基廣泛的核苷酸底物。通過改變羰基催化劑,從二羰基有機催化劑改為單羰基有機催化劑(如糠醛),可以顯著提高鳥苷類似物的脫氨基產率。研究者推測這可能是因為鳥苷類似物在位置6處可以與甘油醛環化,形成鳥苷-甘油醛加合物。

圖2:由有機催化劑與路易斯酸共同催化的核苷酸脫氨基反應。

a-c. 以胞嘧啶(a)、腺苷(b)和鳥苷(c)及其類似物為底物的脫氨基反應范圍。

d. 在優化的催化條件下,對甲基化核苷進行反應。

(2)闡明反應機制

通過15N核磁共振(NMR)光譜學跟蹤反應過程,研究者發現,在沒有路易斯酸的情況下,15N6腺苷與甘油醛的縮合反應非常緩慢,即使在50℃下加熱2小時后,縮合產物的形成仍然很少。然而,加入BF3·OEt2后,15N標記的腺苷在半小時內迅速轉化為中間體Int 3。二維1H-15N HMBC光譜學被用來監測路易斯酸催化的縮合反應,具有更高的15N靈敏度。在Na15NO2存在的情況下,15N亞胺信號消失,表明其轉化為脂肪族硝基取代的中間體,并隨后重排為N-亞硝化加合物。這些結果證實了通過亞胺中間體的反應路徑。

圖3:反應機制研究與催化循環。

a.15N6腺苷脫氨基反應的一維15N核磁共振(NMR)譜圖。

b. 提出的脫氨基反應的催化循環。

(3)DNA和RNA中腺苷脫氨基的選擇性條件

研究者進一步探索了優化CAM-seq選擇性條件,使其對腺苷的脫氨基反應具有更高的選擇性。通過測試不同的路易斯酸,發現硼酸在提高反應活性方面最為有效。在硼酸存在的情況下,二羰基化合物比單羰基化合物具有更高的脫氨基效率。通過液相色譜-串聯質譜(LC-MS/MS)分析,甘油醛和三氟丙醛都表現出對腺苷的選擇性,但由于三氟丙醛導致的顯著DNA/RNA降解,研究者選擇了甘油醛進行進一步研究。在優化的脫氨基條件下,甘油醛在DNA和RNA中都表現出對腺苷的完全脫氨基反應,而m6A位點保持不變。

圖4:在寡核苷酸中優化脫氨基條件。

a-b.在不同路易斯酸催化劑(a)和羰基有機催化劑(b)條件下,寡核苷酸中腺苷位點的突變比率。硼酸(紅色輪廓)和甘油醛(藍色輪廓)催化劑被選中進行進一步優化(n=4)。

c.不同羰基有機催化劑對A和C脫氨基的催化效率比較。二羰基催化劑在A位點的轉化率高于C位點。

d.在優化條件下,6堿基DNA寡核苷酸CTCAGC表現出對G保護和A脫氨基的高反應性。

e.使用5堿基m6A RNA寡核苷酸探針(ACm6AGU),在與d相似條件下展示A和m6A的選擇性。

f-h. LC–MS/MS監測DNA寡核苷酸脫氨基反應中甘油醛(f)、硼酸(g)和亞硝酸鹽(h)濃度的優化(n=3)。

i-k. LC–MS/MS監測RNA寡核苷酸脫氨基反應中甘油醛(i)、硼酸(j)和亞硝酸鹽(k)濃度的優化(n=3)。

(4)CAM-seq m6A檢測的優化條件

研究者注意到,盡管甘油醛作為一種有機催化劑非常有效,但它傾向于與鳥苷形成加合物,這可能導致逆轉錄酶在逆轉錄過程中停止(RT stops)。因此,研究者選擇了kethoxal作為保護基團,因為它具有更高的反應速率和更好的可逆性。在優化條件下,CAM-seq能夠在接近中性的pH值下進行,顯著減少RNA降解。通過測試11種不同的逆轉錄酶和3種不同的dNTP比例(dTTP/dCTP比例為1:1、1:40和1:400),研究者發現RevertAid RT在dTTP/dCTP比例為1:40時,背景噪聲水平最低,約為0.36%。

圖5:CAM-seq 協議的優化。

a. 使用甘油醛保護的G位點的RNA寡核苷酸探針測試了逆轉錄(RT)停止情況。

b. 使用kethoxal保護的RNA寡核苷酸探針在與a相似的條件下展示了RT停止比率。

c-f. 在中性條件下,使用甘油醛(c,d)和kethoxal(e,f)對DNA寡核苷酸的籠化(caging)(c,e)和去籠化(decaging)(d,f)動態比較。

g. 在中性條件下,甘油醛對kethoxal完全籠化的DNA寡核苷酸的競爭。

h-i. 使用完整的RNA(h)和200個核苷酸片段化的RNA(i)進行RNA降解實驗。

j. 通過插入寡核苷酸測序數據優化逆轉錄酶條件。測試了11種逆轉錄酶和3種dTTP/dCTP比例(1:1、1:40和1:400)。一個突出的條件(RevertAid RT在1:40比例下)顯示出低于0.36%的背景噪聲水平。

(5)人、擬南芥、玉米等不同物種轉錄組中的m6A全面圖譜

使用優化的CAM-seq協議,研究者在人類HEK293T細胞系中鑒定了282281個高度可信的m6A位點(P<0.001)。其中,235173個和180056個位點的修飾比例分別大于5%和10%。GAC motif最為富集,占HEK293T轉錄組中可信位點的54%,其次是AAC motif,占27%。值得注意的是,YAC(CAC/UAC)和RAU(GAU/AAU)motif,這些與RAC motif僅相差一個核苷酸的motif,也顯示出一定程度的m6A修飾。在人類轉錄組中,m6A富集的motif(如GAC)在3'-UTR區域的終止密碼子附近表現出明顯的富集信號,進一步證實了CAM-seq能夠提供整個轉錄組的高質量m6A圖譜。

研究者還對擬南芥和玉米的RNA樣本進行了分析,發現RAC motif在這些植物中也是最富集的m6A修飾motif。然而,與人類樣本不同的是,RAC motif僅占植物中所有m6A位點的40%,而在人類樣本中約為85%。此外,植物中AAC motif豐度最高,而在人類中則是GAC motif豐度最高。這些結果表明,植物中的m6A修飾模式與人類存在差異,可能與植物中m6A修飾的調控機制有關。

圖6:m6A修飾的精確定量揭示了在motif水平上的m6A沉積。

a. 所有A位點(覆蓋度>20)的m6A修飾水平分布,以GAC和UAG motif為例。

b. 多種方法檢測到的m6A位點與估計背景噪聲的比較。

c. CAM-seq和GLORI-seq在126362個重疊位點上m6A水平的相關性(r=0.883)。紅色虛線表示相等水平。紅色三角形標記的區域突出了GLORI-seq高估m6A水平的位點。

d. 在三種基于脫氨基的方法中觀察到的所有m6A位點中,AAC motif的比例,計算為所有位點的(m6A比率×覆蓋率)之和與所有位點的(m6A比率×覆蓋率)之和的比值。

e. 人類樣本中所有A位點(無過濾)的平均甲基化水平與相對motif頻率的關系。GAC和AAC motif(紅色)高于背景水平。整體m6A水平表示為0.41%。

f-g. 擬南芥(f)和玉米(g)中所有A位點的平均甲基化水平與相對motif頻率的關系。整體m6A水平分別表示為0.77%和0.69%。

h. 人類、擬南芥和玉米中通過過濾的16 three-letter motif的頻率與平均甲基化水平之間的關系。

i-k. 人(i)、擬南芥(j)和玉米(k)中相對于m6A位點的每個位置核苷酸重要性評分。

(6)飽和分析將轉錄速率與m6A水平關聯分析

研究者通過飽和m6A圖譜分析發現,基因表達水平與平均m6A水平呈負相關。具體來說,高轉錄率基因傾向于具有較低m6A水平,可能是由于m6A沉積復合物的可用性有限,或者甲基轉移酶復合物與轉錄機制在細胞內的動態關聯。此外,研究者還發現,基因的最大m6A修飾水平可以作為區分基因的一個重要參數。將基因分為兩組:一組是所有m6A位點的修飾水平普遍較低的基因,另一組是具有高修飾潛力的基因。這兩組基因的表達水平與m6A水平都呈現出顯著的負相關性。

圖7:影響m6A變化的因子。

a. 插圖展示了A位點的區域和基因分布如何影響基因中m6A修飾水平的變異。

b. 基于meta基因分析,終止密碼子附近的-20到+180核苷酸區域被確定為m6A沉積的熱點區域。

c. 基因間和單個基因內的變異對應數據。

d. log10基因表達水平與平均m6A水平之間的關系,以等高線圖表示,并帶有虛線趨勢線。

e. 所有基因的最大m6A修飾水平分布。低甲基化和高甲基化組的擬合曲線分別用藍色和紅色虛線標記。

f. 基因內平均m6A修飾水平與最大m6A修飾水平之間的相關性。

g-h. 僅低修飾基因(g)和僅高修飾基因(h)的log10基因表達水平與平均m6A水平之間的關系。

i. 所有基因(黑色)、無m6A修飾基因(藍色)、低m6A修飾基因(黃色)和高m6A修飾基因(紅色)的m6A水平與基因表達之間的總體關系。

CAM-seq、NO-seq、NT-seq、GLORI、MeRIP-seq等m6A測序方法介紹及比較

(1)CAM-seq(化學協同催化輔助的m6A測序)

原理:通過化學協同催化策略,利用羰基催化劑和路易斯酸催化劑的協同作用,將RNA中的腺苷(A)轉化為次黃嘌呤(I),而m6A位點抵抗脫氨基反應,保持為腺苷。通過逆轉錄酶或DNA聚合酶讀取時,I被讀作鳥嘌呤(G),從而實現m6A檢測。

優點:

溫和條件:反應在接近中性的pH值下進行,避免了RNA降解。

低背景噪聲:背景噪聲低至0.5%,遠低于其他方法。

低輸入量:僅需10ng的RNA輸入即可實現高分辨率檢測。

高靈敏度:能夠檢測到低比例的m6A修飾位點。

應用場景:

適用于低輸入量的RNA樣本,如單細胞RNA測序、微量組織樣本等。

(2)NO-seq(硝酸鹽介導的m6A測序)

原理:通過硝酸鹽離子介導的化學脫氨基反應,將RNA中的腺苷(A)轉化為次黃嘌呤(I),從而實現m6A的檢測。

優點:

操作簡單:不需要復雜的酶反應步驟。

成本低:試劑成本較低。

缺點:

反應條件苛刻:需要在酸性條件下進行,可能導致RNA降解。

背景噪聲高:由于反應不完全,背景噪聲較高,影響檢測準確性。

(3)NT-seq(硝酸鹽介導的轉錄組測序)

原理:與NO-seq類似,通過硝酸鹽離子介導的化學脫氨基反應,將RNA中的腺苷(A)轉化為次黃嘌呤(I),從而實現m6A的檢測。

優點:

操作簡單:不需要復雜的酶反應步驟。

成本低:試劑成本較低。

缺點:

反應條件苛刻:需要在酸性條件下進行,可能導致RNA降解。

背景噪聲高:由于反應不完全,背景噪聲較高,影響檢測準確性。

(4)GLORI(化學保護基團介導的m6A測序)

原理:通過化學保護基團(如甘油醛)保護鳥苷(G),然后進行化學脫氨基反應,將RNA中的腺苷(A)轉化為次黃嘌呤(I),從而實現m6A的檢測。

優點:

選擇性高:通過保護基團的選擇性保護,提高了脫氨基反應的選擇性。

高靈敏度:能夠檢測到低比例的m6A修飾位點。

缺點:

反應條件苛刻:需要在酸性條件下進行,可能導致RNA降解。

背景噪聲高:由于保護基團的不完全去除,可能導致背景噪聲較高。

高輸入量:需要較多的RNA輸入量(通常為微克級別)。

(5)MeRIP-seq(m6A免疫沉淀測序)

原理:通過特異性的m6A抗體對RNA進行免疫沉淀,然后通過高通量測序檢測m6A修飾位點。

優點:

全轉錄組:能夠實現全轉錄組的m6A檢測。

廣泛適用:適用于多種類型的RNA樣本。

缺點:

高輸入量:需要較多的RNA輸入量(通常為微克級別)。

背景噪聲高:由于抗體的非特異性結合,可能導致背景噪聲較高。

操作復雜:需要進行免疫沉淀步驟,操作較為復雜。

#基礎技術方法論專題 #m6A專題

關于易基因RNA m6A甲基化測序(MeRIP-seq)技術

易基因MeRIP-seq技術利用m6A特異性抗體富集發生m6A修飾的RNA片段(包括mRNA、lncRNA等rRNA去除所有RNA),結合高通量測序,可以對RNA上的m6A修飾進行定位與定量,總RNA起始量可降低至10μg,最低僅需1μg總RNA。廣泛應用于組織發育、干細胞自我更新和分化、熱休克或DNA損傷應答、癌癥發生與發展、藥物應答等研究領域;可應用于動物、植物、細胞及組織的m6A檢測。

大樣本量m6A-QTL性狀關聯分析,傳統MeRIP單個樣品價格高,通常難以承擔。易基因開發建立MeRIP-seq2技術,顯著提成IP平行性,實現不同樣本間相對定量,降低檢測成本。

易基因提供適用于不同科研需求的MeRIP技術:

  • m6A甲基化-常量mRNA 甲基化測序(MeRIP-seq)
  • m6A甲基化-常量mRNA +lncRNA甲基化測序(lnc-MeRIP-seq)
  • m6A甲基化-微量mRNA +lncRNA甲基化測序(Micro-lnc-MeRIP-seq)
  • 高通量m6A甲基化-常量mRNA甲基化測序(MeRIP-seq2)

技術優勢:

  • 起始量低:樣本起始量可降低至10-20μg,最低僅需1μg總RNA;
  • 轉錄組范圍內:可以同時檢測mRNA和lncRNA;
  • 樣本要求:可用于動物、植物、細胞及組織的m6A檢測;
  • 重復性高:IP富集重復性高,最大化降低抗體富集偏差;
  • 應用范圍廣:廣泛應用于組織發育、干細胞自我更新和分化、熱休克或DNA損傷應答、癌癥的發生與發展、藥物應答等研究領域。

研究方向:

m6A甲基化目前主要運用在分子機制的理論性研究

  • 疾病發生發展:腫瘤、代謝疾病(如肥胖/糖尿病)、神經和精神疾病(如阿爾茲海默癥/抑郁癥)、炎癥…
  • 發育和分化:早期胚胎發育、個體/組織/器官生長發育、干細胞分化與命運決定、衰老
  • 環境暴露與響應:污染、抗逆、生活方式

關于m6A甲基化研究思路

(1)整體把握m6A甲基化圖譜特征:m6A peak數量變化、m6A修飾基因數量變化、單個基因m6A peak數量分析、m6A peak在基因元件上的分布、m6A peak的motif分析、m6A peak修飾基因的功能分析

(2)篩選具體差異m6A peak和基因:差異m6A peak鑒定、非時序數據的分析策略、時序數據的分析策略、差異m6A修飾基因的功能分析、差異m6A修飾基因的PPI分析、候選基因的m6A修飾可視化展示

(3)m6A甲基化組學&轉錄組學關聯分析:Meta genes整體關聯、DMG-DEG對應關聯、m6A修飾目標基因的篩選策略

(4)進一步驗證或后期試驗

易基因提供全面的表觀基因組學(DNA甲基化、DNA羥甲基化、cfDNA)和表觀轉錄組學(m6A、m5C、m1A、m7G、ac4C、RNA與蛋白互作)、DNA與蛋白互作及染色質開放性技術方案(ChIP-seq、ATAC-seq),詳詢易基因:0755-28317900。

參考文獻:

Wang, P., Ye, C., Zhao, M. et al. Small-molecule-catalysed deamination enables transcriptome-wide profiling of N6-methyladenosine in RNA. Nat. Chem. (2025).?https://doi.org/10.1038/s41557-025-01801-3

相關閱讀:

1、2024項目文章精選:DNA甲基化、RNA甲基化(m6A/m5C)、ChIP-seq、單細胞轉錄組、宏基因組|年終盤點

2、項目文章 | Adv Sci:NSUN2介導m5C修飾代謝重編程促進腫瘤進展 揭示治療新選擇

3、項目文章 | NAR:RCMS編輯系統在特定細胞RNA位點的靶向m5C甲基化和去甲基化研究

4、項目文章:MeRIP-seq+RNA-seq揭示不同品種豬肌肉發育的m6A RNA甲基化差異|育種研究

5、項目文章:MeRIP-seq+RNA-seq揭示家禽(雞)脂肪沉積中的m6A RNA甲基化調控機制

6、項目文章 | MeRIP-seq揭示m6A修飾在肺動脈高壓(PAH)發病機制中的潛在作用和新治療靶點

7、項目文章 | 90天見刊,易基因m6A RNA甲基化(MeRIP)+轉錄組組學研究

8、項目集錦 | 易基因近期m6A甲基化(MeRIP-seq)研究成果

9、一文讀懂:八大RNA?m6A甲基化研究核心問題

10、m6A/m5C/m1A/m7G/ac4C/Ψ等8種RNA修飾的生物學功能和潛在機制 | 深度綜述

11、深度綜述:癌癥中RNA修飾機制的遺傳和表觀遺傳失調(m6A+m1A+m5C+ψ)

12、技術推介|RNA?m6A甲基化測序(MeRIP-seq)技術介紹

13、基礎技術方法論專題

本文來自互聯網用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。
如若轉載,請注明出處:http://www.pswp.cn/diannao/80850.shtml
繁體地址,請注明出處:http://hk.pswp.cn/diannao/80850.shtml
英文地址,請注明出處:http://en.pswp.cn/diannao/80850.shtml

如若內容造成侵權/違法違規/事實不符,請聯系多彩編程網進行投訴反饋email:809451989@qq.com,一經查實,立即刪除!

相關文章

前后端分離: vue3+SpringBoot+ElementPlus+Axios+MyBatisPuls

前后端分離: vue3SpringBoot 項目介紹搭建Vue前端工程axios請求響應攔截跨域 搭建后端TableId,TableName分頁顯示配置Druid數據源帶條件的分頁查詢后端校驗lambda表達式說明 項目介紹 🌟項目頁面 🌟技術棧: 1.前端技術棧: Vue3AxiosElementPlus 2.后端技…

序列密碼算法ShanLooog512設計原理詳解

序列密碼算法ShanLooog512設計原理詳解 ShanLooog512(閃龍512)為序列密碼算法,內部狀態為512比特,密鑰長度為128或256比特,輪函數為FFFFFFFF,循環輪數為24輪,輸出密鑰流為512比特的狀態。與Salsa20類似,內…

Matplotlib可視化基礎

1. 折線圖 matplotlib.pyplot.plot() # 主要參數: x,y -- 接收array,表示X軸和Y軸對應的數據,無默認 color -- 接收特定string,指定線條的顏色,默認為None linestyle -- 接收特定string,指定線條的類型…

阿里云直接對系統云盤擴容

阿里云直接對系統云盤擴容 登錄阿里云控制臺,進入ECS實例管理頁面,檢查目標磁盤的容量是否已更新為擴容后的數值。通過SSH遠程連接服務器,使用命令 lsblk 或 fdisk -l 查看當前磁盤分區和容量,確認擴容后的物理磁盤已被系統識別。…

OpenResty深度解析:從卓伊凡的”隱形主流”論看其深度原理與應用生態-卓伊凡

OpenResty深度解析:從卓伊凡的”隱形主流”論看其深度原理與應用生態-卓伊凡 一、OpenResty技術概述:悄然成為基礎設施的”隱形冠軍” 1.1 OpenResty的”附帶安裝”現象 正如技術觀察者卓伊凡在其《現代Web基礎設施的隱形架構》一文中首次提出的觀點:”OpenResty正在以一…

健康養生:開啟品質生活的密鑰

健康是人生最寶貴的財富,養生則是守護這份財富的關鍵。科學合理的養生方式,能讓我們以更飽滿的狀態擁抱生活。 合理飲食是健康養生的基石。遵循 “食物多樣、谷類為主” 的原則,保證每日攝入足夠的蛋白質、碳水化合物、脂肪、維生素和礦物質。…

湖北理元理律師事務所:債務優化的法律機制與民生實踐

在債務糾紛日益增多的社會背景下,合法、規范的債務管理服務成為民生需求的重要環節。湖北理元理律師事務所作為經國家司法局注冊登記的債事服務機構,以法律為工具,探索出一套覆蓋債務咨詢、規劃與風險防控的服務體系。 1.法律服務的專業化框…

AI日報 - 2025年04月29日

🌟 今日概覽(60秒速覽) ▎🤖 AGI突破 | 巨頭CEO預測AGI時間線,5年內或達人類認知水平;Yann LeCun強調多模態訓練重要性。 關于AGI定義和實現時間的討論升溫,對超越純文本訓練的需求成為共識。 ▎💼 商業動向…

【C++】類和對象(4)

目錄 1. 類型轉換 非explicit的單參數構造函數 示例 explicit的單參數構造函數 示例 不同版本的行為 示例 (單參數) 示例(多參數且其余參數有默認值 ) 示例(多參數且無默認值) 2. static成員變量…

蒼穹外賣10

WebSocket WebSocket是基于TCP的一種新的網絡協議。它實現了瀏覽器與服務器全雙工通信----瀏覽器和服務器只需要完成一次握手,兩者之間就可以創建持久性的連接,并進行雙向數據傳輸。 HTTP協議和WebSocket協議對比: HTTP是短鏈接 WebSocke…

STM32的Flash映射雙重機制

在STM32微控制器中,存在一個重要的內存映射特性:Flash存儲器可以同時出現在兩個不同的地址區域,而且可以通過重映射功能改變CPU啟動時從哪個地址獲取初始指令。 STM32的Flash映射雙重機制 當描述"通常起始于地址0x00000000&#xff0c…

在 Spring Boot 中實現異常處理的全面指南

在現代 Web 應用開發中,異常處理是確保系統健壯性和用戶體驗的關鍵環節。Spring Boot 作為一個功能強大的 Java 框架,提供了靈活的異常處理機制,能夠統一管理應用程序中的錯誤,提升代碼可維護性和響應一致性。2025 年,…

學習記錄:DAY19

Docker 部署與項目需求分析 前言 人總是本能地恐懼未知,令生活陷入到經驗主義的循環之中。但我們終將面對。今天的目標是把 Docker 部署學完,然后對項目進行需求分析。 日程 下午 4:30:Docker 部署項目部分學完了,做下筆記。晚…

Jackson 使用方法詳解

Jackson 是 Java 生態中最流行的 JSON 處理庫,也是 Spring Boot 的默認 JSON 解析器。它提供了高性能的 JSON 序列化(對象 → JSON)和反序列化(JSON → 對象)功能。以下是 Jackson 的全面使用指南。 1. 基礎依賴 Mave…

【網絡入侵檢測】基于源碼分析Suricata的統計模塊

【作者主頁】只道當時是尋常 【專欄介紹】Suricata入侵檢測。專注網絡、主機安全,歡迎關注與評論。 1. 概要 ?? 在 Suricata 的配置文件中,stats 節點用于配置統計信息相關的參數,它的主要作用是控制 Suricata 如何收集和輸出統計數據,幫助用戶了解 Suricata 的運行狀態和…

回歸預測 | Matlab實現DBO-LightGBM蜣螂算法優化輕量級梯度提升機多輸入單輸出回歸預測,作者:機器學習之心

回歸預測 | Matlab實現DBO-LightGBM蜣螂算法優化輕量級梯度提升機多輸入單輸出回歸預測,作者:機器學習之心 目錄 回歸預測 | Matlab實現DBO-LightGBM蜣螂算法優化輕量級梯度提升機多輸入單輸出回歸預測,作者:機器學習之心預測效果…

風力發電領域canopen轉Profinet網關的應用

在風力發電領域,開疆canopen轉Profinet網關KJ-PNG-205的應用案例通常涉及將風力渦輪機內部的CANopen網絡與外部的Profinet工業以太網連接起來。這種轉換網關允許風力發電場的控制系統通過Profinet協議收集和監控渦輪機的狀態信息,同時發送控制命令。 風力…

因特網和萬維網

本文來源 :騰訊元寶 因特網(Internet)和萬維網(World Wide Web,簡稱WWW)是緊密相關但完全不同的兩個概念,它們的核心區別如下: 本質不同?? ??因特網(Internet&#…

Visual Studio 技能:調整軟件界面布局

專欄導航 本節文章分別屬于《Win32 學習筆記》和《MFC 學習筆記》兩個專欄,故劃分為兩個專欄導航。讀者可以自行選擇前往哪個專欄。 (一)WIn32 專欄導航 上一篇:Windows編程:在VS2019里面,調整代碼字體大…

LeetCode 熱題 100_最小路徑和(92_64_中等_C++)(多維動態規劃)

LeetCode 熱題 100_最小路徑和(92_64) 題目描述:輸入輸出樣例:題解:解題思路:思路一(多維動態規劃): 代碼實現代碼實現(思路一(多維動態規劃&…