To identify the influence of microstructural variation on the X-ray diffraction intensities, X-ray diffraction patterns of hexagonal graphite (h-graphite) and turbostratic carbon (t-carbon) were simulated by using the general Debye equation. The numeric density of interatomic distance (NDID) is sensitive to the size and microstructure of a crystallite, so that it is used to characterize the structures of h-graphite and t-carbon. The dependence of the diffraction angles and full width at half maximums (FWHMs) of diffraction lines on the crystallite size and distortion factors is examined by computer simulation. The distortion factors for t-carbon, including rotation, translation, curvature, local positive fluctuation of interlayer spacing of graphene layers and fluctuation of atomic positions, have different influence on the NDIDs, hence on the X-ray diffraction patterns. The simulation results indicate that the diffraction angles and FWHMs of diffraction lines cannot be simply used to characterize the lattice parameters and crystallite sizes of t-carbon.

Abstract Global profile of gene expression at single-cell resolution remains to be determined for primates. Using a recently developed technology (“Stereo-seq”), we have obtained a comprehensive single-cell spatial transcriptome map at the whole-brain level for cynomolgus monkeys, with ∼600 genes per cell for 10 μm-thick coronal sections (up to 15 cm 2 in size). Large-scale single-nucleus RNA-seq analysis for ∼1 million cells helped to identify cell types corresponding to Stereo-seq gene expression profiles, providing a 3-D cell type atlas of the monkey brain. Quantitative analysis of Stereo-seq data revealed molecular fingerprints that mark distinct neocortical layers and subregions, as well as domains within subcortical structures including hippocampus, thalamus, striatum, cerebellum, hypothalamus and claustrum. Striking whole-brain topography and coordinated patterns were found in the expression of genes encoding receptors and transporters for neurotransmitters and neuromodulators. These results pave the way for cellular and molecular understanding of organizing principles of the primate brain.

Vision simultaneous localization and mapping (SLAM) technology has become a key research direction in the field of mobile robotics in recent years. However, the accuracy and stability of traditional vision SLAM technology greatly affected by the dynamic environment, and the mainstream dynamic feature point rejection method combining vision and semantic segmentation techniques is not applicable to edge-end devices with limited resources and high real-time requirements. This research suggests a visual SLAM algorithm based on the YOLOv10n lightweight target detection model and the GCNv2 feature point extraction model to accomplish real-time dynamic feature point rejection to address those problems. To compensate for the detection accuracy and stability issues of the YOLOv10n model while leveraging its real-time advantages, the algorithm also employs multi-target Kalman filtering with data association through the Hungarian algorithm, history window smoothing, and potential dynamic feature point recording methods to enhance robustness. The algorithm is validated on the TUM RGB-D Dataset, and the results demonstrate that the method can effectively reject the dynamic feature points in the dynamic environment, and it has a significant improvement in the accuracy and stability of the visual SLAM system.