精华内容
下载资源
问答
  • 那么如何找到一个适合自己研究方向的特异性启动子呢?今天,小编就带你解析特异性启动子的筛选和验证的经典思路,看看其“生产”过程!问 题特异性启动子有什么特征呢?跟常规启动子有什么区别呢?目...

    组成型启动子(如CMV,EF1A,UBC等)在大部分细胞中都能维持较稳定的表达活性,但其应用主要局限于细胞层面。相比而言,组织特异性启动子可调控外源基因在某些特定来源的细胞或组织部位中表达,因此更加适用于在体研究。那么如何找到一个适合自己研究方向的特异性启动子呢?今天,小编就带你解析特异性启动子的筛选和验证的经典思路,看看其“生产”过程!问 题特异性启动子有什么特征呢?跟常规启动子有什么区别呢?目前,大部分的特异性启动子是从特定细胞专一表达的基因启动子鉴定得来的,如神经元特异性启动子Syn来源SYN1。特异性启动子主要由两大部分组成:核心启动子+特异性调控元件(甲基化修饰位点、特定转录因子调控位点等),调控元件多座落在核心启动子临近位置。我们分析两篇特异性启动子研究的文章,观摩下特异性启动子的筛选过程:内皮细胞特异性启动子

    ICAM-2 Promoter的筛选【1】一第一步首先鉴定在您研究细胞中特异性表达的基因。这一步主要采用的有高通量测序、芯片、质谱等技术方法,比较基因在不同组织细胞中的表达情况,筛选到在目的组织细胞中高表达,而在其他组织细胞中低表达的基因。二第二步根据第一步筛选到的基因,预测其启动子,常取翻译起始位点ATG之前的序列分析,取多个物种进行比对。吉凯小知识:为什么要对序列进行多物种比对?原理是功能性序列在物种进化过程中是趋于保守的,典型的就是蛋白质在物种间高度保守。虽然启动子序列非保守,但是核心调控序列是保守的。以下是文章中人和小鼠ICAM启动子比对情况。-0.33kbp人ICAM-2启动子序列和

    小鼠对应序列的比较三第三步预测完启动子序列后还不够,需要通过实验筛选出具有活性、片段最短特异性启动子:

    首先,构建不同长度的启动子(通常取-5k或者-3k至ATG这一段);

    其次,根据第二步分析的同源性情况进行启动子截短,将众多的调控序列包含在不同的截短体中;最后,在目的以及非目的细胞中验证不同截短体启动子的表达情况,即可筛选出较短并具有特异性表达活性的启动子序列。这篇文章在主动脉内皮细胞BAEC与非内皮细胞COS中检测了不同长度ICAM-2启动子的表达情况,证明了0.33kbp启动子在体内和体外都具有高特异性,并且在5’区域上游增加到2.7kb并不会增加其表达活性。不同长度启动子的活性对比

    BAEC:主动脉内皮细胞;COS:非内皮细胞四第四步筛选特异性调控因子,成为验证特异性启动子的必经之路。特异性调控因子的筛选方法常采用“对预测的转录因子进行单点或者组合突变”的手段。

    这篇文章采用突变和凝胶电泳迁移证明了ICAM-2启动子中的Sp1位点和2个GATA位点是顺式作用的正调节因子。Sp1位点的突变中止了主动脉内皮细胞BAEC中核蛋白的特异性结合,在BAEC细胞中ICAM-2的活性减少了70%。同时P8的突变也使ICAM-2的活性减少了70%。点突变鉴定核心调控因子通过以上4步,一个内皮细胞特异性启动子就出炉啦,还能发一篇启动子筛选和验证的文章。是不是很easy?不就是将筛选的特异性表达基因做启动子截断以及验证嘛,有啥难的!如果这样想,就是too young,too simple了。为什么这么说呢?上篇文章中的特异性启动子调控位点恰好是在临近启动子的区域,但是新的研究发现:在人21和22号染色体上,只有22%的转录因子结合位点分布在蛋白编码基因的5'端;也就是说,还存在调控位点远离启动子的情况。比如巢蛋白(Nestin)是成年神经干细胞特异性表达蛋白,其特异性的表达就由2号内含子与启动子共同调控。那么怎么做呢?以下小编列举几篇关于Nestin研究思路的文章,以供参考【2】【3】。一第一步还是比对同源性文章发现大鼠和人巢蛋白2号内含子的3'端部分含有高序列相似性的结构域,但启动子区域却不具有同源性。于是研究人员在SV40启动子前添加了不同长度的内含子序列,通过检测启动子活性的改变,证明2号内含子可以在Nestin阳性细胞(P19/F9)中增强启动子表达活性:内含子驱动的启动子在Nestin阳性细胞(P19/F9)

    与阴性细胞中的表达活性二通过位点突变筛选特异性调控因子验证机制第一步的实验显示出最短调控区段为2号内含子中的320bp,于是分析这段序列,找到了POU factor binding site(以TFBIND预测),并且做了点突变,验证了其为主调控因子:三序列拼接在筛出位于内含子的最短调控序列后,将其置于核心启动子(多为TSS上游300-500bp)上游,整合后的序列即为特异性启动子。以上文章重点论述的是内含子调控功能,也可以参考以下文章直接以不同长度的内含子加不同长度的启动子拼接验证【4】:构建不同组合形式报告系统P1:CMV启动子

    P2:400bp核心启动子

    P3:内含子2+核心启动子

    P4:内含子+CMV启动子

    P5:4kb启动子

    P6:内含子+4kb启动子将上述质粒转染至MEF细胞, P3与P6结果一致,所以认定内含子2+Nestin核心启动子的组合为最短特异性启动子。不同组合质粒的荧光表达情况除了单内含子调控的Nestin之外,还有双内含子调控的视网膜双极细胞特异性启动子Opto-mGluR6【4】;也有部分文章构建来自不同基因区段组合的启动子,如巨细胞特异性启动子SP146-C1【5】。这些不按套路出牌的特异性启动子简直是在为广大科研工作者挖坑!因此,小编强烈建议大家在自己的课题研究中尽量通过查找文献,使用已经前人验证的特异性启动子,而不是自己亲自动手去筛选。近几年火热的腺相关病毒(AAV),通过特定血清型与特异性启动子的组合,可实现基因的定向递送,已经成为动物模型基础研究的常用载体系统,以及临床试验中基因治疗的热门选择。吉凯基因通过文献查阅,序列优化,共提供20余种不同器官的特异性启动子腺相关病毒AAV载体,覆盖神经、肌肉、骨骼、心血管、眼科、肝脏、肾脏、脂肪、胰腺等多个研究领域。并有科研大咖的亲测经验分享(点击查看)。注 意特异性启动子是可以跨物种使用的哦,原因嘛就在于功能性调控序列在物种间是保守的,所以不必纠结于启动子来源的物种类型。

    展开全文
  • 作者 | 洪曾艳指导 | 刘向荣教授单位 | 厦门大学研究方向 | 生物序列分析1. 研究背景增强子是一段50-1500bp的DNA序列,它能够提高特定基因的转录活性,能大大增强启动子的...

    作者 | 洪曾艳

    指导 | 刘向荣教授

    单位 | 厦门大学

    研究方向 | 生物序列分析

    1. 研究背景

    增强子是一段50-1500bp的DNA序列,它能够提高特定基因的转录活性,能大大增强启动子的活性。启动子是转录起始位点上游与RNA聚合酶结合的一段DNA序列,能使RNA聚合酶与模板DNA准确的结合并具有转录起始的特异性。增强子和启动子的相互作用关键影响了基因的表达调控,和人类疾病的发生密切相关。因此研究某个增强子是否会和某个启动子发生反应具有重大的意义。用生物实验的手段进行增强子和启动子的相互作用研究需要耗费大量的人力、时间和资金。随着高通量测序技术发展,为研究人员提供了大量的数据,用计算的方式深入研究增强子和启动子的相互作用成为可能。

    现有的一些关于增强子和启动子的相互作用识别的计算方法存在一些不足。首先,强子和启动子的相互作用具有细胞系特异性,即在不同细胞系中的作用规律通常是不同的。大多数现有方法可以预测细胞系特异性的增强子和启动子的相互作用,但是构建的模型不能在各种细胞系中通用。其次,之前的方法都使用one-hot或普通的word embedding对基因序列编码,这具有一些局限性。比如,单个细胞系的训练样本数量不够多,训练出来的词向量包含的信息有限。

    为了解决这些问题,作者提出了一个新的深度学习模型,EPIVAN,只需要输入增强子和启动子的基因序列就可以预测增强子和启动子的相互作用。这项工作的三个贡献如下:(1)使用基于人类全基因预训练的DNA向量来编码增强子和启动子。(2)使用注意机制来增强关键特征对模型的贡献,从而提高模型的性能。(3)建立了一个通用模型,它具有迁移能力,可用于预测各种细胞系中的增强子和启动子的相互作用。

    2.模型介绍

    模型预测增强子和启动子的相互作用的流程如图1所示。它有三个主要步骤:序列嵌入,特征提取和注意机制。然后,将生成的特征向量馈送到最后的预测层,以预测EPI。

    图1 EPIVAN的流程图

    2.1序列嵌入

    为了解决one-hot编码和普通词向量所含信息不足的问题,作者使用了dna2vec中提供的预训练的DNA向量。dan2vec是Ng等人在2017年提出的一种基于word2vec词向量模型的新方法,用于计算DNA序列中k-mers(k-mer是长度为k的序列片段)的分布式表示。dna2vec使用人类基因组序列作为学习语料库,将k-mers嵌入到100维连续向量空间中。相比以单细胞系的增强子和启动子基因序列作为训练语料,dna2vec使用更大的学习语料库,因此学习的DNA向量包含更多的序列信息。用预训练的DNA向量对输入模型的基因序列进行编码能够让模型有更多的信息能捕获。

    2.2特征提取

    在深度学习中,通常使用递归神经网络(RNN)进行序列分析,但是RNN不能并发计算,对于长序列的分析需要耗费非常多的计算资源和时间。也有些方法使用卷积神经网络(CNN)进行序列特征提取,CNN可以并行计算,但是CNN只能关注序列局部联系的特征,会丢失远距离序列依赖特征。所以作者将CNN和RNN相结合,共同提取序列特征。序列编码。当获取了序列的向量表示后,作者首先使用1维卷积层和最大池化层来提取序列中的局部相关特征,然后将它们再输入到双向门控循环单元(Bi-GRU)中以提取全局相关特征。

    2.3注意力机制

    在进行初步的特征提取后,作者希望能够加强更关键的特征对模型的贡献。作者使用了Yang等人在2016年提出的用于文档分类的注意力机制来自适应地学习特征的权重。为了让EPIVAN模型更好的做出预测,对预测增强子和启动子是否会发生反应启更突出作用的特征,作者使用这个注意力机制来提高这些关键特征的权重。该注意力机制在训练过程中能够自适应地学习一个上下文向量,并计算每个特征的隐藏表示和这个上下文向量的相似性,如果相似性越高则赋予该向量的权重越大。注意机制的公式描述如下:

    其中,是第i个特征的隐藏表示。α为每个特征的归一化权重。所有特征向量乘以它们相应的权重,然后求和为最终的特征向量v。最后这个特征向量将输入到预测层(一个sigmoid单元)中进行最后的预测。

    3. 实验

    实验的数据来自TargetFinder提供的数据集,该数据集包含了人类的6个细胞系(GM12878,HUVEC,HeLa-S3,IMR90,K562,NHEK)中的增强子和启动子相互作用。当一对启动子和增强子会发生反应,被标记为正样本;否则被标记为负样本。作者使用了数据增强的方法处理类不平衡问题。并使用受试者工作特征曲线下面积(AUROC)和precision-recall 曲线下面积作为模型性能的评估指标。

    因为增强子和启动子相互作用存在细胞系特异性,所以作者首先构建了特异性模型,EPIVAN-specific。并通过实验证明了,在指定细胞系上训练的EPIVAN-specific能够很好地预测该细胞系上的增强子和启动子相互作用,但是在其他细胞系上就失去了预测能力(如表1和表2所示)。

    表1 EPIVAN-specific在每个细胞系上的AUROC值

    表2 EPIVAN-specific在每个细胞系上的AUPR值

    为了解决要为不同的细胞系训练不同的模型,作者提出构建通用模型EPIVAN-general。相比在单个细胞系上训练的EPIVAN-specific,在六个细胞系上训练的EPIVAN-general能够捕获共同特征,但捕获特异性特征的能力低于EPIVAN-specific,所以EPVAN-general可以在6个细胞系上通用,但是在指定细胞系上没有EPIVAN-specific的表现好(实验结果如表3所示)。

    表3 EPIVAN-general在每个细胞系上的表现

    在构建完EPIVAN-specific和EPIVAN-general模型的基础上,作者对预训练DNA向量和注意力机制对模型的贡献进行了讨论。作者设计了两组对照实验,证明了预训练DNA向量有助于模型更好地捕获细胞系共有特征。注意机制有助于模型更好地提取细胞系特异性特征。这两者共同协助,大大提高了通用模型的性能(在训练集较小的EPIVAN-specific模型上,预训练DNA向量无法发挥出作用)。对照实验结果如图2和图3所示。

    图2 八个模型在六个细胞系上的AUROC值。(a)去除预训练DNA向量或注意机制后EPIVAN-specific的表现。(b)去除预训练DNA向量或注意机制后EPIVAN-general的表现。

    图3 八个模型在六个细胞系上的AUPR值。(a)去除预训练DNA向量或注意机制后EPIVAN-specific的表现。(b)去除预训练DNA向量或注意机制后EPIVAN-general的表现。

    为了提高EPIVAN-general在指定细胞系上的表现,作者提出了新的训练策略,令EPIVAN-general在指定细胞系上进行再训练来增强EPIVAN-general对该细胞系特异性特征的提取,并将再训练后的模型称为EPIVAN-best。并将EPIVAN-best在每个细胞系上的表现和EPIVAN-specific和EPIVAN-general进行对比。实验结果表明,EPIVAN-best在每个细胞系上的表现比EPIVAN-specific和EPIVAN-general都要好得多(如表4和表5所示)。

    表4 三个模型在六个细胞系上的AUROC值

    表5 三个模型在六个细胞系上的AUPR值

    作者还将EPIVAN-best和现有的最先进的识别增强子和启动子相互作用的模型进行比较,实验结果表明,EPIVAN-best在每个细胞系上的表现都优于现有模型(如表6和表7所示)

    表6 不同模型在六个细胞系上的AUROC值

    表7 不同模型在六个细胞系上的AUPR值

    最后作者对EPIVAN-general是否能够进行迁移学习进行了讨论。实验结果表明,EPIVAN-general可以作为迁移学习的预训练模型(如表8所示)。

    表8 EPIVAN-general迁移到新的细胞系上的AUROC和AUPR值

    4. 总结

    在这项工作中,作者提出了一个仅使用增强子和启动子序列就能预测增强子和启动子相互作用的新模型EPIVAN。与现有模型相比,EPIVAN增加了预先训练的DNA向量和注意机制,能够构建不同细胞系都适用的通用模型。作者证明了EPIVAN能够捕获细胞系特异性特征和细胞系共同特征,并证明了EPIVAN-general具有良好的迁移能力,可以作为迁移学习的预训练模型。六个细胞系的实验结果作者提出的最优模型EPIVAN-best比现有的最先进的模型表现都更好。

    参考资料

    Zengyan Hong, Xiangxiang Zeng, Leyi Wei, Xiangrong Liu, Identifying Enhancer-Promoter Interactions with Neural Network Based on Pre-trained DNA Vectors and Attention Mechanism, Bioinformatics, btz694.

    Ng, P. (2017) dna2vec: Consistent vector representations of variable-length k-mers. arXiv:1701.06279.

    Yang, Z. et al. (2016) Hierarchical Attention Networks for Document Classification. arXiv:1707.00896.

    Whalen, S. et al. (2016) Enhancer-promoter interactions are encoded by complex genomic signatures on looping chromatin. Nature Genetics, 48, 488-496.

    Code availability

    https://github.com/hzy95/EPIVAN

    DrugAI

    ( 扫描下方二维码订阅获取最新消息!)

    本文为DrugAI原创编译整理,如需转载,请在公众号后台留言。

    展开全文
  • 作者 | 陆丰庆单位 | 厦门大学研究方向 | 生物序列相互作用今天给大家介绍2019年11月发表在Nature Genetics的论文“Activity-by-contact mode...

     


    今天给大家介绍2019年11月发表在Nature Genetics的论文“Activity-by-contact model of enhancer-promoter regulation from thousands of CRISPR perturbations”,该工作由剑桥大学-哈佛大学-麻省理工学院联合研究所的Fulco团队联合完成。本研究提出一种新的实验方法CRISPRi-FlowFISH用于量化增强子对基因的影响,并提出一个名为ABC(Activity-by-contact model)的模型用于预测增强子-基因之间的相互作用。

    1

    研究背景

    人类基因组中的增强子可以控制基因在特定细胞类型中的表达。因此,增强子的遗传变异会导致许多常见疾病。但是,哪些增强子调节哪些特定基因,这个问题仍待解决,目前也缺乏预测跨细胞类型的增强子与基因的联系的一般规则。为解决这一难题,Fulco团队提出了一种实验方法CRISPRi-FlowFISH,该方法的关键在于基于目标基因的表达并且通过CRISPRi和荧光原位杂交技术(FISH)来测量候选增强子功能。同时该团队发现一个简单的ABC(Activity-by-contact model)模型在预测CRISPR数据集中的复杂连接方面明显优于其他的方法。这种ABC模型能够在染色质状态测量的基础上,构建给定细胞类型中增强子与基因的连接的全基因组图。CRISPRi-FlowFISH和Activity-by-contact模型一起提供了一种系统的方法来定位和预测哪些增强子调节哪些基因,并将有助于解释非编码基因组中数千种疾病风险变体的功能。

    2

    方法

    2.1 CRISPRi-FlowFISH

    CRISPRi-FlowFISH结合了CRISPRi(一种基因干扰技术)和FISH(荧光原位杂交技术,一种基因染色技术),通过干扰目标基因附近的候选增强子核苷酸序列,并量化这些序列对目标基因的影响。其主要原理是gRNA可以引导KRAB-dCas9与特定核苷酸序列结合,抑制该序列表达。KRAB-dCas9已经被证明可以抑制许多启动子和增强子,并影响gRNA附近的200-500个碱基对(bp)内的候选调控元素。主要操作步骤如下:

    1. 检测目标基因附近核苷酸序列的DNase I hypersensitive (DHS)值,DHS峰值对应着候选增强子序列,为各个候选增强子设计gRNA并用荧光原位杂交技术为gRNA病毒染色。

    2. gRNA病毒引导KRAB-dCas9进入细胞抑制候选增强子的表达并为细胞着色。同时对一个细胞群落的多个细胞进行实验,每个细胞至多能与一个gRNA结合。

    3. 利用荧光激活细胞分选技术,采样着色的细胞并根据目标基因表达强度将采集样本分为六组,然后使用高通量测序技术确定每组内每种gRNA的丰富度。

    4. 根据各种gRNA的丰富度和基因表达情况,使用Broyden–Fletcher–Goldfarb–Shanno 算法与极大似然估计方法推导各个gRNA抑制的候选增强子对目标基因的作用。

    图1 CRISPRi-FlowFISH操作流程

    2.2 Activity-by-contact model

    目前已有基于增强子与目标基因的方法、基于基因组三维特征的方法和基于表观基因组特征的机器学习方法用于预测增强子和目标基因之间的功能性连接,其表现均不尽人意。Fulco团队提出了ABC模型,该模型基于简单的生物化学概念:一种远端候选元素对目标基因的定量影响应该取决于它作为增强子的活性(Activity),加权于它与目标基因启动子的3D接触频率(Contact);一个远端候选元素对目标基因表达的相对贡献应该取决于该元素的定量影响除以所有元素的总定量影响。在这个概念下,得到远端候选元素E对目标基因G的相对贡献值公式:

    其中:

    1. 增强子活性(A)取远端候选元素核苷酸序列上DHS和H3K24ac ChIP–seq 的几何平均值,这两个参数被用于识别增强子。

    2. 接触频率(C)取5 kb分辨率下,远端候选元素E与目标基因G上启动子之间的由Hi-C实验法测得的KR归一化接触频率。

    图2 ABC score计算过程

    3

    结果

    3.1 使用CRISPRi-FlowFISH识别目标基因的调控元素

    Fulco团队对K562人类白血病细胞进行实验,反复实验中对每个候选元素的计算出的量化影响具有高度相关性,皮尔森相关系数达0.94且CRISPRi-FlowFISH计算得到的量化影响满足逆转录定量PCR的测量,皮尔森相关系数达0.81。此外,在对GATA1的实验中,识别出三个之前已确定的候选元素。图3展示了CRISPRi-FlowFISH对目标基因GATA1与HDAC6对应调控元素的识别。计算得到的对目标基因表达有促进或抑制作用的远端候选元素正好对应核苷酸序列中DHS和H3K27ac值的波峰位置。

    图3 CRISPRi-FlowFISH识别GATA 1和HDAC6的远端候选元素

    3.2 使用CRISPRi-FlowFISH映射多个调控元素和多个目标基因的关系

    在对全基因组进行调控元素和目标基因的CRISPRi-FlowFISH映射后,实验结果表明一个增强子可以调控多达五个目标基因、一个目标基因可以被多达十四个远端候选元素调控、部分增强子会跳过近端的基因而调控远端的基因、调控元素与目标基因之间的距离大多小于100kb,这些符合其他实验方法的结果。此外,在测试的3863个远端候选元素-目标基因对中,141对涉及重要基因表达的识别错误率低于0.05。

    图4 CRISPRi-FlowFISH映射多个调控元素和多个目标基因的关系

    3.3 使用ABC模型预测目标基因的增强子

    Fulco团队将ABC模型对远端候选元素-目标基因对的评分与CRISPRi-FlowFISH测得的量化影响进行了对比,二者之间相关性说明了模型的优秀性能。

    图5 远端候选元素-目标基因的ABC评分和量化影响的相关性

    作者还比较了基于ABC阈值的二元分类模型和其他增强子-基因调控预测模型的召回率,精确度和AUPRC,结果表明ABC模型性能极佳,AUPRC达0.65,优于其他预测模型,如图6。此外,ABC模型也优于单独使用A或C的模型(AUPRC分别为0.22和0.29)。

    图6 ABC与其他模型的预测性能比较

    3.4 ABC模型跨细胞类型的泛化能力

    虽然染色质可达性和组蛋白修饰在许多类型的细胞中可以测量,但并不是所有细胞类型都有三维接触谱,因此需要定义其他方法来计算ABC模型中的C值。由于Hi-C实验测得的接触频率在不同细胞类型中具有极大相关性且很大程度上取决于基因序列的一维距离,因此可以直接使用K562的Hi-C数据或者十个人类细胞类型的Hi-C平均值或者一维距离的倒数作为C值,这三种替代方案在K562中达到了与原方案相近的预测性能(AUPRC = 0.65, 0.66 ,0.64)。迁移到其他细胞类型上时也有不错的表现,如图7。

    图7 ABC模型跨五个细胞类型的平均性能

    4

    讨论

    为了更好地表征并预测增强子对目标基因的影响,本文提出新型实验方法CRISPRi-FlowFISH 和ABC预测模型,两者结合提供了映射和预测增强子调控基因和破译非编码基因组中疾病风险变体功能的系统性方法。在30个基因上测试了多达3500对潜在的增强子-基因对后,结果表明简单的ABC模型预测复杂影响的能力大幅度优于先前的预测模型。

    本文还揭示了增强子-基因连接的关键性质并为将来研究调控元素和非编码基因遗传变异奠定了基础。文章中的实验数据以及ABC模型的预测都表明增强子往往调控多个基因、大部分起作用的增强子距离目标启动子的不超过100kb、增强子对目标基因的量化影响时大范围的。

    然而,目前的增强子-基因相互作用模型是不完整的。特别是,仅根据物理接触来推断增强子影响的方法,其精确度和灵敏度都很低,本文目前工作重点为寻找更有效的特征来表示和预测相互作用。此外,未来研究一个有前景的领域将是使用额外的CRISPRi-FlowFISH数据集来迭代地细化和改进ABC或类似的模型,并将这些模型应用于来自多种细胞类型的许多公共功能基因组数据集。

     

    Data availability

    https://osf.io/uhnb4/

    https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE118912

     

    Code availability

    https://github.com/broadinstitute/ABC-Enhancer-Gene-Prediction

    参考资料

    Fulco, C.P., Nasser, J., Jones, T.R. et al. Activity-by-contact model of enhancer–promoter regulation from thousands of CRISPR perturbations. Nat Genet 51, 1664–1669 (2019) doi:10.1038/s41588-019-0538-0

    展开全文
  • 该研究还揭示了启动组件和业务使用之间的适度和积极关系,作为衡量社交媒体实施的一种手段,但启动组件和私人使用之间存在弱和积极的关系。 发现适应成分与社交媒体实施措施(商业用途和私人用途)之间存在弱弱关系...
  • 并且观察到顶置信息中心屏幕上面的温度显示为虚线(正常情况下应该显示车外实际温度),罗盘方向显示为N(北),与车辆实际方向一致;转动点火钥匙,启动发动机,发动机启动约2s后熄火;关闭点火开关,重新启动...
  • 随着现代采煤技术的飞速发展,煤炭的产量不断提高,用电量成倍增长,使得用电设备逐渐向大型化、连续化和自动化方向发展,因此对真空电磁启动器的要求越来越高。为了使真空电磁启动器具有智能保护功能、多种控制方式...
  • 上海瞻芯电子科技有限公司(以下简称“瞻芯电子”)作为国内碳化硅半导体功率器件主流供应厂商之一...2019年底瞻芯电子的碳化硅二极管产品系列在深圳麦格米特电气股份有限公司(以下简称“麦格米特”)认证通过并启动小...

    上海瞻芯电子科技有限公司(以下简称“瞻芯电子”)作为国内碳化硅半导体功率器件主流供应厂商之一,从2017年成立至今一直备受业界关注。在过去的三年多时光里,瞻芯电子与国内主要开关电源厂商和新能源汽车电驱动厂商保持着良好的互动交流并陆续送样测试,并收到多家厂商的技术垂询与测试反馈。

    2019年底瞻芯电子的碳化硅二极管产品系列在深圳麦格米特电气股份有限公司(以下简称“麦格米特”)认证通过并启动小批量验证试产。经过半年的生产实践,麦格米特同意瞻芯电子该产品系列在充电模块产品线上可逐步全方位替代进口器件,进入批量采购阶段。麦格米特充电模块产品线研发总监方飞表示,“瞻芯电子碳化硅二极管性能优良,可与国外知名友商产品媲美,在长达半年的生产过程中没有任何不良现象发生。众所周知,麦格米特对供应商的选择非常严格、近乎苛刻。此次瞻芯电子碳化硅二极管产品系列与麦格米特充电模块业务部门的合作,将会使双方在产品发展与成本管控等方面,更上一个新台阶。关于瞻芯电子: 瞻芯电子是一家聚焦于碳化硅(SiC)半导体领域的高科技芯片公司,于2017年成立于上海自贸区临港新片区。瞻芯电子齐集了海内外一支经验丰富的碳化硅工艺及器件设计、碳化硅MOSFET驱动芯片设计、电力电子系统应用、市场推广和产品运营等方面高素质核心团队,自成立之日起便启动6英寸碳化硅MOSFET的产品研发工作。经过三年的深度研发和极力攻关,成为中国第一家掌握6英寸碳化硅MOSFET和二极管工艺,以及碳化硅MOSFET驱动IC芯片的公司。瞻芯电子以虚拟IDM模式与国内一线半导体行业的合作伙伴完成晶圆制造、芯片封装、模块封装、性能测试和可靠性测试等工作环节,为中国新能源产业提供整套碳化硅功率器件及驱动芯片解决方案,同时打造我国独立自主的碳化硅电力电子产业链关键环节。 

    详细情况请登陆上海瞻芯电子科技有限公司网址,也欢迎来邮来电联系。

    • 电话:021-60870171           传真:021-60870172

    • 地址:上海市浦东新区南汇新城镇海洋一路333号8号楼3楼

    • 邮箱:

      jun.cao@inventchip.com.cn

    • 网站:

      http://www.inventchip.com.cn

     瞻芯电子碳化硅二极管产品介绍:

    daf4498fa045104ff4993de916aa4a84.png

    瞻芯电子碳化硅二极管产品系列,目前主要是基于自主开发的6英寸1200V工艺器件研发平台,电流分布从5A~40A不等,封装类型包括TO220-2、TO247-2和TO247-3等十多个不同产品型号。产品广泛应用于风能逆变、光伏逆变、工业电源、新能源汽车、电机驱动、充电桩等领域。此外,6英寸650V工艺器件研发平台正在开发中。

    c585dd952825044735d054ab85eff599.png

    关于麦格米特: 深圳麦格米特电气股份有限公司(深交所挂牌上市,股票代码:002851)成立于2003年,注册资本金4.69亿,是一家以电力电子及工业控制为核心技术,从事电气自动化领域软硬件和系统解决方案的研发、生产、销售与服务的高科技公司。公司业务领域涵盖工业电源、工业自动化、新能源汽车及轨道交通、智能家电和高端智能制造。总部位于深圳科技园,拥有4000多名员工,业务面向全球40多个国家和地区。公司致力于人类更加高效使用电能,生产效率持续改进,生存环境更加洁净,人类生活日益美好。

    93d633b188c4b36d309761f6b146e47f.png

    展开全文
  • 启动诊断系统,并读出车辆位置信号检查模式的REV信号结果,符合标准;输人信号正常(点火开关ON),变速杆在R挡的时候电压为10~14V,于是拆下导航Eau的连接器,用万用表测量REV与GND1之间的电压,电压为10~14V,...
  • 过去两年很多大公司的一个主要技术方向就是将应用上云,在这个过程中的一个典型错误用法就是将容器当成虚拟机来使用,将一堆进程启动在一个容器内。但是容器和虚拟机对进程的管理能力是有着巨大差异的。不管在容器中...
  • 在过去四年中(2015-2019),云以及分布式计算成为最受欢迎的技术之...我们还将看到容器化生态系统在2019年的现状以及演变方向。“不是我们造就了历史,而是历史造就了我们。”——马丁·路德·金Docker是当今最知名的...
  • Initiator-Android启动器 Android 启动优化方向: 1、合理利用多线程,核心线程数的设置。利用Systrace辅助查看各任务的启动时间耗时 cpu time:真正使用的时间。...5、启动阶段不启动子进程 6、提
  • 车型:奔驰C200底盘:W204故障现象:用户反映车辆无法启动,插入钥匙不能点亮仪表,方向锁不能解锁,但是遥控钥匙可以遥控解锁车辆门锁。故障诊断:接车后首先验证用户反映的故障现象,车辆确实无法启动,并且插入...
  • 电子魔方

    2019-09-16 11:33:19
    启动游戏后按键盘上的上下方向按键设置魔方层数,按回车或鼠标点击开始按钮,开始游戏. 鼠标点击魔方每一面边界的魔方块可以旋转一层, CTRL + Z 撤销上一步操作 CTRL + SHIFT + Z 恢复撤销的操作 ESC 返回登录界面...
  • 华硕笔记本UEFI 设置U盘启动教程 方法一:利用启动热键快速设置 1、电脑开机出现华硕logo后马上按“DEL”键 。 2、然后按“F8”键,弹出“启动菜单...2、用键盘的“左右方向键”切换到“启动菜单中。 3、用键
  • 作者:郝健目前就职于瑞星咖啡,负责4层负载均衡的研究与开发。曾就职于天融信,赛尔网络,云杉网络几家公司。主要感兴趣的方向:linux内核网络系统,dpdk。目前,Linux平台下主流的...
  • 5G产业链方向

    2019-09-15 12:06:44
    5G基站电子投资启动 影响: 2019年基站建设初期。 基站建设个股2020-2021享受业绩包发 运营商CAPEX与几张加上你和增量度高度相关 2019年与2020年基站数量增速31%、44% 2020年为5G消费电子大年 影响 射频元器件的...
  • 图2EDK软件、硬件和集成流程图3简单的SDK软件开发流程步骤随着FPGA内使用嵌入式处理器设计越来越多,我们面临的挑战也越来越多,主要挑战分为三个方向:满足不断提高的技术要求–要求有一个适用于该应用的处理器系统...
  • 3,小车启动后,自主运动控制滑板在平衡状态,然后人为在跷跷板,与小车运动方向一致的某个位置,放入一个盒子,盒内插入一枚500g钢球(钢球可在盒子中自由滚动,滚动范围不小于50mm),小车继续保持转向滑板平衡。...
  • 如何设置光驱启动

    2009-10-19 00:40:00
    进入CMOS Setup设置主菜单打开计算机电源...在主菜单中你可以选择不同的设置选项,按上下左右方向键来选择,按“Enter”键进入菜单 选择选择其中的高级BIOS特征(advanced bios features)进入,下面的有 1st Boot Dev
  • 本课视频通过易语言调用API控制了易语言组合框的...程序 __启动窗口_创建完毕 置随机数种子 () .计次循环首 (10, ) 组合框1.加入项目 (到文本 (取随机数 (111111111, 999999999)), ) .计次循环尾 () hwnd = 组合框
  • 用89C51,外接晶振,复位电路,二个数码管,二个按键,做一个电子秒表,具体要求为用按键起停电子表,可用按键设计倒计时时间(如10S,20S,60S),并启动倒计时功能。能用按键选择以上两功能之一。 一、设计目的...
  • 5、 系统可以上电自启动。上电初始化 扩展任务: 1、 增加可人工控制的紧急状态模式,两个方向全亮红灯。 2、 增加夜间模式,两个方向全亮黄灯并闪烁。(要求系统能在开关控制下在白天、夜间两个模式下转换) 分...
  • 当今的汽车正朝着提供高能效同时对环境影响降至最低的方向发展。但就长远而言,以非石油为基础的动力系统似乎是最具前景的解决方案;与此同时,汽车工业正在推出基于现有技术引入更多改进。一项主要趋势是混合动力化...
  • 近年来,国内云计算大数据领域的技术创新成果不断涌现,创业项目层出不穷,正成为创新创业的重要领域和方向。为了更好地推动云计算大数据创新创业健康发展,由中国云计算技术与产业联盟、中国大数据专家委员会和中国...
  •  当今的汽车正朝着提供高能效同时对环境影响降至最低的方向发展。但就长远而言,以非石油为基础的动力系统似乎是最具前景的解决方案;与此同时,汽车工业正在推出基于现有技术引入更多改进。一项主要趋势是混合动力...
  •  4、充电模块启动正常并输出电压和极性正确后,接通电池组开关及各母线开关,测量电池组开关下口、合母、控母电压和极性是否正确,并观察电压表计是否方向打翻。  5、一次接通馈出开关,分别测
  • 初始化Dock(红色框的控件),判断程序启动时的屏幕方向.调用自己- (void)transitionToLandScape:(BOOL)isLandScape;方法,通知控件屏幕方向改变,将此事件一直传递下去 程序运行过程中屏幕方向改变会调用- ...

空空如也

空空如也

1 2 3 4 5 ... 17
收藏数 332
精华内容 132
关键字:

启动子方向