基于小波的事件相关脑电图(EEG)相位相干性作为帕金森病与路易体病认知状态的鉴别生物标志物

《Frontiers in Human Neuroscience》:Wavelet event-related EEG phase coherence as a discriminant biomarker of the cognitive status in Parkinson’s and Lewy body disease

【字体: 大 中 小 】 时间:2026年04月02日 来源:Frontiers in Human Neuroscience 2.7

编辑推荐:

  背景:人类认知源于功能性皮层长程连接,表现为与认知任务相关的低频(<8?Hz)脑电图(EEG)活动的电极对间的相位同步。方法:研究人员检验了以下假设:结合机器学习的此类EEG标志物能够区分伴有轻度认知障碍(MCI)和痴呆(D)的帕金森病(PD)患者与路易体痴呆

  
背景:人类认知源于功能性皮层长程连接,表现为与认知任务相关的低频(<8?Hz)脑电图(EEG)活动的电极对间的相位同步。方法:研究人员检验了以下假设:结合机器学习的此类EEG标志物能够区分伴有轻度认知障碍(MCI)和痴呆(D)的帕金森病(PD)患者与路易体痴呆(DLB)患者。研究人员计算了健康对照(HC, N?=?24)、PD-MCI(N?=?20)、PDD(N?=?18)和DLB(N?=?11)患者在视觉odd-ball任务期间记录的EEG活动中事件相关delta频段(1–3.5?Hz)和theta频段(4–7?Hz)的相位相干性。结果:使用delta频段相干性作为输入,HC与PD-MCI的比较得出受试者工作特征曲线下面积(AUC)约为0.79,准确率为86.4%。HC与PDD的区分性能更高,AUC接近0.92,总体准确率为94.6%。在HC与DLB参与者的分类中,模型达到了83.3%的敏感性和88.9%的特异性,AUC约为0.77。Theta频段模型显示出可比的结果,HC与DLB的平均AUC约为0.75,HC与PDD的AUC略高于0.80,而HC与PD-MCI的分类性能保持在中等水平。结论:这些发现表明,低于8?Hz的事件相关EEG相位相干性是PDD和DLB患者认知缺陷的一个有前景的EEG相关指标,为与认知过程相关的皮层活动网络动力学中断以及潜在的认知增强新药测试和疾病监测生物标志物提供了见解。
神经退行性疾病随着预期寿命的延长,尤其是发达国家,正构成日益加重的全球健康负担。痴呆目前影响全球约5500万人,全球年成本超过1.3万亿美元。帕金森病(PD)是增长最快的神经退行性疾病之一,2021年全球估计影响1177万人(Li et al., 2025)。认知障碍和痴呆是帕金森病致残、生活质量下降、住院治疗和死亡的主要原因。在更广泛的痴呆谱系中,以广泛的α-突触核蛋白病理为特征的路易体痴呆(DLB)约占所有痴呆病例的5-8%。尽管具有重大的临床和社会影响,帕金森病和路易体病谱系中的痴呆仍然认识不足(Alzheimer’s Association, 2025; Ratnavel et al., 2025),并且在常规临床实践中,早期区分认知表型——如帕金森病轻度认知障碍(PD-MCI)、帕金森病痴呆(PDD)和DLB——仍然具有挑战性。延迟或不准确的表型分类限制了及时干预,使临床决策复杂化,并增加了护理人员和医疗保健负担。这些挑战凸显了需要一种易于获得、客观且可扩展的生物标志物,以支持在门诊环境中可行地用于早期诊断、表型分层和疾病进展与治疗反应的纵向监测。脑电图(EEG)特别适合临床应用,能以最小的患者负担和广泛的可用性,提供对大规模神经动力学直接且时间精确的评估。

人类大脑通过神经振荡的动态同步,在分布式网络中协调大规模信息处理(Babiloni et al., 2004; Srinivasan et al., 2007)。在认知任务参与期间,这种协调创造了允许神经信号整合的瞬态时间窗口,并反映在空间分布的电极对记录的EEG信号间的相位同步中,尤其是在低频带(<8?Hz)。事件相关(ER)delta(1–3.5/4?Hz)和theta(4–7?Hz)振荡通过支持远距离区域间通信,在注意力、记忆和执行功能中发挥关键作用(Ba?ar et al., 1999; Klimesch, 1999)。因此,EEG相位相干性被选为本研究的主要分析标志物,因为它直接量化了分布式脑区间的协调性,并提供了超越局部信号振幅的大规模神经通信的可解释特征(Haufe et al., 2014)。

在神经退行性疾病中,认知下降越来越被视为一种断联综合征,其中大规模网络通信的进行性破坏是认知功能障碍的基础。与此框架一致,越来越多的证据表明,delta和theta相位同步的破坏可能反映了PD在PD-MCI、PDD和DLB阶段认知下降背后的皮层功能断联(Güntekin and Ba?ar, 2016; Yener et al., 2019)。例如,Güntekin et al. (2019) 报告了在听觉和视觉odd-ball目标处理期间theta频段试验间相位相干性和频谱功率的等级性降低,在PDD中最低,PD-MCI中中度降低,认知未受损的PD中最高,尤其在额-中央电极部位,以右半球为主。在另一项研究中,Fide et al. (2023) 报告了阿尔茨海默病(AD)患者在视觉odd-ball目标处理期间delta、theta和alpha频段半球内和中线相干性相对于健康对照(HC)降低,而遗忘型轻度认知障碍(aMCI)个体则表现出相干性增加,被解释为反映了疾病早期的代偿性或潜在的适应不良性网络重组。此外,Hünerli-Gündüz et al. (2023) 报告了PD-MCI患者在听觉odd-ball范式期间delta频段功率和相位锁定值(PLVs)降低,并提出这些降低与通过磁共振成像(MRI)评估的丘脑、壳核和海马的结构萎缩相关。与此一致,Güntekin et al. (2021) 也发现,在听觉odd-ball范式中,PDD、伴有痴呆的阿尔茨海默病(ADD)、DLB和血管性认知障碍(VCI)患者的delta和theta PLV均显著降低。

尽管先前的发现提供了信息,但它们仍然不足以用于PD和DLB认知缺陷的临床评估。为了解决这一差距,研究人员实施了一个结构化且可解释的机器学习流程,旨在实现可解释性和预测可靠性。Delta和theta频段的相位锁定值(PLVs)被提取为连接性特征(Ruiz-Gómez et al., 2019; Cao et al., 2025),并应用了Bolasso——一种结合自助重采样和L1正则化的LASSO自举扩展(Bach, 2008; Yang et al., 2023; Tibshirani, 1996)——以增强特征稳定性并限制在具有适度样本量的高维EEG空间中的过拟合。正则化线性模型施加稀疏性,改善泛化能力,并在神经数据中实现可解释的特征选择(Abraham et al., 2014);因此,基于LASSO的逻辑回归为基于EEG的神经分类提供了一个稳健的框架,最近的临床EEG研究证明了其预测实用性(Mao et al., 2025)。最后,使用10折交叉验证和正则化进行监督分类分析(例如,HC vs. PDD),以确保稳健和可泛化的性能。此外,该方法与近期倾向于可解释和轻量级EEG模型(如xEEGNet(Zanola et al., 2025))的趋势一致。

据研究人员所知,先前没有研究将基于小波的EEG相位连接性指标与机器学习分类器相结合,以在单一任务分析框架内区分健康对照、PD-MCI、PDD和DLB。本研究整合了任务表现(odd-ball错误分数)和整体认知状态(MMSE)以及边缘和网络水平的EEG特征,从而能够在一个严格定义且诊断同质的队列中,将相干性改变与行为表现和临床认知状态联系起来进行解释。这种多模态和内部一致的框架增强了生物学可解释性,并将本研究与先前的odd-ball或EEG连接性研究区分开来,后者通常分别检查帕金森病和路易体病或仅关注单一分析水平。同时,将EEG连接性测量转化为临床有意义的结果仍然有限。由于采集协议和分析流程存在显著异质性(di Biase et al., 2023; Kucikova et al., 2024; Law et al., 2020; van der Zande et al., 2018),现有在路易体病和帕金森病谱系中的发现难以比较,并且连接性指标在比较研究中不如传统频谱EEG标志物标准化和验证一致。在此背景下,本研究提供了一个系统性和整合性的步骤,以弥合EEG连接性测量与临床相关认知表型之间的差距。

为了解决这一差距,本研究专门检验了以下假设:(1) 基于小波的事件相关delta和theta频段电极对间的相位相干性将随着PD-MCI、PDD和DLB患者认知障碍的加重而逐渐降低,在痴呆期患者中观察到最显著的破坏;(2) 这些连接性测量将支持个体水平分类,在HC vs. PDD和HC vs. DLB比较中产生比HC vs. PD-MCI更高的区分准确率。

研究招募了73名参与者(年龄50-80岁),均来自伊斯坦布尔Medipol大学医院神经内科门诊,并分为四组:PD-MCI(N?=?20,男性15名)、PDD(N?=?18,男性17名)、DLB(N?=?11,男性8名)和年龄匹配的健康对照(N?=?24,男性13名)。所有患者均服用多巴胺能药物,并在EEG记录前1小时服用每日药物。他们视力正常或矫正后正常,无听力障碍报道,且对任务不熟悉。研究获得伊斯坦布尔Medipol大学伦理委员会批准(批准号:10840098-51, E30217-E30218),并按照《赫尔辛基宣言》进行。在研究开始前,获得了所有参与者或其护理人员的知情同意。参与者未获得参与的经济补偿。PDD的诊断遵循运动障碍协会标准(Emre et al., 2007)和英国脑库指南(Georgiev et al., 2015),MMSE < 26(Güngen et al., 2002),CDR?≥?0.5,功能障碍 ≥ 1.5 SD低于常模(Huebl et al., 2014)。PD-MCI的定义为在一个领域内至少2项测试的认知障碍 ≥ 1.5 SD。DLB的诊断遵循McKeith et al. (2005) 标准,MMSE < 26且功能障碍 ≥ 1.5 SD。健康对照的MMSE评分 ≥ 26,无神经/精神病史,且未使用慢性神经活性药物。

每位参与者在单次会话中完成三个部分:(1) 神经心理学评估,(2) 静息态EEG,(3) 在视觉odd-ball范式期间的基于任务的EEG。认知评估包括土耳其语MMSE(最高分=30)(Güngen et al., 2002)以评估整体认知;?ktem言语记忆过程测试(OVMPT)用于言语记忆(Tan?r, 2011);语义和语音言语流畅性测试(Crawford et al., 2018);临床痴呆评定量表(CDR)用于痴呆严重程度(Morris, 1993, 1997);以及30项老年抑郁量表(GDS)用于情绪筛查(Yesavage et al., 1982)。任务在E-Prime(Psychology Software Tools Inc., Pittsburgh, PA)中实施,以评估对目标和非目标刺激的神经反应。刺激以两种亮度水平呈现——10?cd/m2(非目标)和40?cd/m2(目标)——在22英寸显示器(75?Hz,10?ms上升时间,1,000?ms持续时间)上。每个试验包含120个刺激,其中包括40个目标(33.3%)和80个非目标(66.6%),随机顺序为每位参与者独立生成,持续约12分钟,试验间隔为3-7秒以减少预期效应。参与者坐在距显示器约100厘米处,视线水平,在昏暗、隔音的房间内以确保视觉舒适和稳定的观看条件。他们被指示默数目标刺激,同时忽略非目标刺激,并在试验结束后报告目标总数。

EEG信号使用32通道BrainCap with Multitrodes(EasyCap GmbH, Germany)记录,电极按照国际10-20系统放置。电极位点包括:Fp1, Fp2, F7, F3, Fz, F4, F8, FT7, FC3, FCz, FC4, FT8, Cz, C3, C4, T7, T8, TP7, CP3, CPz, CP4, TP8, P3, Pz, P4, P7, P8, O1, Oz, 和 O2。耳垂上的Ag/AgCl电极(A1?+?A2)作为参考,眼电(EOG)从左眼内上眶缘和外眶缘记录。电极阻抗保持在10 kΩ以下。信号使用BrainAmp MR Plus 32通道直流系统(Brain Products GmbH, Germany)放大,带通滤波0.01-250?Hz,采样率500?Hz。记录在昏暗、屏蔽的房间中进行,以最小化外部干扰。事件相关EEG数据在BrainVision Analyzer(BVA)中预处理。信号降采样至256?Hz,带通滤波(0.01-60?Hz),并重新参考到连接的乳突。使用独立成分分析(ICA)去除眼电伪迹。数据分割为delta频段6秒(-3至+3?秒)和theta频段2秒(-1至+1?秒)的epoch,分别针对目标和非目标试验。进行手动伪迹剔除以确保时频和连接性分析的数据干净。

EEG分析使用Gabor归一化的复Morlet小波变换(WT)进行时频分析。在每个中心频率应用固定的小波宽度为三个周期,产生时间标准差σ??=?3 / (2πf)和相应的频域标准差σ?? = f / 3,在delta(1–3.5?Hz)和theta(4–7?Hz)频带中跨越30个对数间隔的区间。在WT之前,应用电流源密度(CSD)变换以减少容积导体效应(样条阶数:4;勒让德度:10;Lambda: 1e–5)(Thatcher et al., 1986)。基于相位的连接性使用PLV量化,根据WT相位输出计算,分别针对目标和非目标条件,无需基线归一化。如Lachaux et al. (1999, 2002) 所定义,实施与当代时频方法一致(Cohen, 2014)。瞬时相位估计从复Morlet小波变换获得(Addison, 2002; Bostanov, 2004),PLV(PLV;范围0–1)为每对电极计算为试验间平均单位长度相位差向量的大小,量化通道间的功能连接性。较高的PLV表示试验间更稳定的相位关系。该指标在与空间滤波(即CSD)结合时,对振幅波动和容积导体伪迹具有相对的稳健性。Delta频段PLV在刺激后0-600?ms内平均(E1),theta频段在0-300?ms内平均,跨所有电极对。使用四分位距(IQR)方法排除异常值(超出Q1–3*IQR或Q3?+?3*IQR的值),分别应用于相干性、神经心理学和行为数据。PLV(f,t)=∣1N∑Ntrial=1exp(j(?y,trial(f,t)??x,trial(f,t)))∣∣PLV(f,t)=∣1N∑trial=1Nexp(j(?y,trial(f,t)??x,trial(f,t)))∣其中φ?, trial(f,t) 和 φ?, trial(f,t) 是两个信号的瞬时相位值。PLV分别针对delta(1–3.5?Hz)和theta(4–7?Hz)频段计算。

所有统计和机器学习分析均在R 4.2.1版本(2022-06-23)中进行。任务表现通过错误分数衡量——对目标刺激的不正确反应——反映了参与度。虽然进行了完整的神经心理学测试,但MMSE被用作主要的认知测量,因其临床相关性、跨痴呆亚型的验证以及跨组的一致性(Kamarajan and Porjesz, 2015; Rossini et al., 2006; Handayani et al., 2018)。对每组运行线性回归模型以检查MMSE、错误分数和相干性之间的关联。为了评估相干性-行为关系是否独立于人口统计学混杂因素,进行了额外的多元回归模型,包括年龄作为协变量。目标试验期间受试者水平的加权平均相干性作为每位参与者的单一相干性预测因子。p值经多重比较FDR校正。标准化回归系数(β)反映了在电极对水平拟合的模型中得出的效应量。Delta频段相位值的方差分析(ANOVA)主效应未达到显著水平[F(3, 69)?=?2.283, p?=?0.087, η2p?=?0.090],但计划的事后两两对比显示HC与PD-MCI组(p?=?0.048, g?=?0.26)、HC与PDD组(p?=?0.035, g?=?0.73)和HC与DLB组(p?=?0.049, g?=?0.54)之间存在差异。Theta频段相干性值的主效应也未达到显著水平[F(3, 69)?=?1.188, p?=?0.321, η2p?=?0.040],但基于估计边际均值(EMMs)的计划对比表明HC与PDD组(p?=?0.035, g?=?0.43)和HC与DLB组(p?=?0.049, g?=?0.30)之间存在探索性差异,而HC vs. PD-MCI组则没有(p?>?0.05, g?=?0.22)。

线性回归分析评估了EEG相干性与MMSE分数和错误率之间的关联。在delta频段,半球间和半球内事件相关EEG相干性均与odd-ball目标检测的错误分数显著相关。整体回归模型显示半球内相干性效应较强(R2?=?0.610, β?=??0.72, p??0.05)组。在theta频段,整体回归模型显示半球内事件相关EEG相干性与错误分数之间存在显著关联(R2?=?0.460, β?=??0.53, p??0.05)组。Theta频段事件相关EEG相干性与MMSE分数也显著相关,半球内(R2?=?0.388, β?=?0.058, p?
为了进一步表征从事件相关EEG相干性估计的皮层网络模型的破坏,研究人员应用了多元嵌入和网络效率估计。基于最具鉴别性的三个电极对的3D相干嵌入指数,利用来自delta和theta频段事件相关EEG相干性的输入,显示出清晰的组间分离。使用delta频段相干性值时,与HC组分离最显著的是PDD(β?=?0.60至0.77, p?
使用LASSO逻辑回归和10折交叉验证对事件相关EEG delta相干性特征进行监督分类,以区分HC和临床亚组。在每个折中,LASSO在最优λ下选择最具预测性的相干性特征(电极对),模型性能通过接受者操作特征曲线下面积(AUC)和基于折内预测的混淆矩阵进行评估。在所有比较中,delta频段相干性特征持续产生比theta频段更稳定和多元的分类解决方案。对于HC vs. PD-MCI比较,使用delta频段相干性特征的LASSO模型在λ_min下保留了K?=?15个非零预测因子,在λ_1se下保留了K?=?11个预测因子。在λ_min下,模型达到了交叉验证AUC为0.790,敏感性为89.9%,特异性为80.0%。对于HC vs. PDD比较,delta频段相干性特征产生了稳定的多元解决方案,在λ_min下保留了K?=?15个预测因子,在λ_1se下保留了K?=?14个预测因子。模型达到了0.946的AUC,敏感性为98.1%,特异性为93.3%。对于HC vs. DLB比较,delta频段LASSO模型在λ_min下保留了K?=?10个预测因子,在λ_1se下保留了K?=?9个预测因子。在λ_min下,模型达到了交叉验证AUC为0.771,敏感性为83.3%,特异性为88.9%。对于theta频段,HC vs. PD-MCI比较在λ_min下保留了K?=?8个预测因子,达到了AUC为0.627;HC vs. PDD比较在λ_min下保留了K?=?4个预测因子,达到了AUC为0.725;HC vs. DLB比较在λ_min下保留了K?=?8个预测因子,达到了AUC为0.641。

为评估分类稳健性,对上述事件相关EEG相干性特征进行了5000次迭代自助法和置换检验。在delta频段,与HC组相比,PDD组在额颞电极对(包括F3–TP8,p?=?0.016,AUC?=?0.98?±?0.10;F3–P8,p?=?0.012,AUC?=?0.92?±?0.11;F3–O2,p?=?0.032,AUC?=?0.86?±?0.16;F4–T7,p?=?0.006,AUC?=?0.82?±?0.14)显示出较低的事件相关EEG相干性。在PD-MCI(F4–T7; p?=?0.032, AUC?=?0.79?±?0.26)和DLB(F3-TP8; p?=?0.045, AUC?=?0.74?±?0.18)组也观察到显著的EEG delta相干性特征降低。在theta频段,与HC组相比,PDD组在右额颞电极对(包括F4–P8,p?=?0.012,AUC?=?0.83?±?0.20;F4–O2,p?=?0.011,AUC?=?0.71?±?0.17)也显示出较低的事件相关EEG相干性。在PD-MCI(F4–P8, p?=?0.046, AUC?=?0.47?±?0.33; F3–T8, p?=?0.048, AUC?=?0.81?±?0.19)和DLB(F4–P8, p?=?0.049, AUC?=?0.89?±?0.24; F4–O2, p?=?0.045, AUC?=?0.67?±?0.34)组也观察到显著的EEG theta相干性特征降低。

本研究评估了在视觉odd-ball检测中使用机器学习模型区分HC、PD-MCI、PDD和DLB参与者时,delta和theta频段事件相关振荡(ERO)相位相干性的效用。在组水平和个体(分类)水平进行的分析表明,delta频段ERO相干性对认知状态特别敏感,与odd-ball任务表现和临床严重程度测量存在显著关联。从临床角度来看,这些发现表明,任务诱发的delta频段EEG相干性可能捕捉到疾病相关的网络功能障碍,而这种功能障碍并未完全通过行为表现反映出来。与此解释一致,机器学习模型在区分HC参与者和患者组时达到了较高的分类性能(准确率 > 95.7%),激励未来研究探索基于与认知过程相关的皮层功能连接破坏来分层PD和DLB患者的可行性。PDD组中,半球间和半球内通路delta频段ERO相干性破坏明显,特别是在右半球额-颞和额-顶电极对中观察到显著降低,同时全局网络效率显著降低,局部效率也受损。这些发现表明广泛的长程皮层整合和短程通信的破坏。相比之下,PDD和DLB组相对于HC组观察到中心-颞区delta频段ERO相干性增加。虽然这种增加可能反映了旨在维持残余认知-运动整合的代偿性同步,但也可能表明由于抑制控制受损或丘脑门控降低而产生的适应不良性超连接。在网络水平上,这些连接特异性相干性改变伴随着患者组全局效率的一致性降低,在PDD和DLB中最显著,表明大规模功能整合受损。局部效率的降低则不那么一致,选择性地出现在认知障碍更严重的表型中。这种分离与已建立的EEG功能网络解释一致,即全局效率反映长程整合能力,而局部效率指数邻域级分离。全局效率降低的主导地位为解释局灶性相干性降低和区域性增加并存提供了一个连贯的框架。PDD和DLB患者的delta频段ERO相干性与行为和认知表现密切相关,与odd-ball任务错误率呈负相关,与MMSE分数呈正相关,这种耦合支持了低频网络同步作为注意力和执行系统完整性机制相关标志物的解释。本研究结果与先前基于EEG的机器学习研究一致,后者报告了使用脑功能连接性信息特征的高区分能力(Yang et al., 2023; Pirrone et al., 2022)。它们共同证明了PD-MCI、PDD和DLB中任务诱发EEG相干性的频率和网络特异性改变。

在讨论部分,研究人员指出,本研究评估了delta和theta频段事件相关振荡(ERO)相位相干性的效用,用于区分健康对照(HC)、帕金森病轻度认知障碍(PD-MCI)、帕金森病痴呆(PDD)和路易体痴呆(DLB)参与者。在组水平和个体水平进行的分析表明,delta频段ERO相干性对认知状态特别敏感,与odd-ball任务表现和临床严重程度测量存在显著关联。从临床角度看,这些发现表明任务诱发的delta频段EEG相干性可能捕捉到疾病相关的网络功能障碍,而这种功能障碍并未完全通过行为表现反映出来。机器学习模型在区分HC参与者与患者组时达到了较高的分类性能(准确率 > 95.7%)。研究结果表明,任务诱发的delta频段EEG相干性可能是帕金森病和路易体病患者认知障碍的敏感标志物,反映了疾病相关的皮层功能网络断联。Delta频段ERO相干性,特别是额-顶和额-颞电极对之间的相干性,显示出与认知表现和全局认知状态的显著相关性。在PDD和DLB患者中,这种低频相位同步的破坏可能反映了丘脑-皮层节律失常和认知网络的大规模功能连接障碍。研究局限性包括样本量相对较小、横断面设计以及药物影响未完全控制。未来研究应通过纵向设计和更大队列验证这些发现,并探索ERO相干性作为监测疾病进展和治疗反应的生物标志物的潜力。本研究为使用非侵入性EEG结合机器学习模型评估α-突触核蛋白病谱系中的网络功能障碍提供了重要基础。

在研究结论部分,研究人员总结指出:在本研究中,使用额-后部电极对间odd-ball相关事件相关振荡(ERO)delta相位相干性的机器学习模型,在区分帕金森病痴呆(PDD)患者与健康对照(HC)参与者时达到了超过95%的总体分类准确率,在区分帕金森病轻度认知障碍(PD-MCI)和路易体痴呆(DLB)与对照时约为85%。此外,在帕金森病(PD)和路易体病(DLB)患者中,ERO delta相干性的异常与odd-ball任务表现和整体认知状态显著相关。这些发现共同凸显了非侵入性基于EEG的事件相关delta相位锁定值(PLV)结合标准机器学习模型的潜力,可作为标准临床评估的辅助手段,用于捕捉和准确分类α-突触核蛋白病谱系中的大规模网络功能障碍,具有临床检查、门诊筛查、监测疾病进展以及评估PD和DLB患者中未被行为表现或整体认知评分捕捉到的治疗相关变化的转化相关性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号