BS
Bing Shi
Author with expertise in Genetic and Environmental Influences on Cleft Lip and Palate
Achievements
Cited Author
Key Stats
Upvotes received:
0
Publications:
11
(36% Open Access)
Cited by:
550
h-index:
36
/
i10-index:
142
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

A genome-wide association study of cleft lip with and without cleft palate identifies risk variants near MAFB and ABCA4

Terri Beaty et al.May 2, 2010
Terri Beaty and colleagues report a genome-wide association study of cleft lip with/without cleft palate. They identified variants near MAFB and ABCA4 associated with risk of this birth defect in case-parent trios of European and Asian ancestry. Case-parent trios were used in a genome-wide association study of cleft lip with and without cleft palate. SNPs near two genes not previously associated with cleft lip with and without cleft palate (MAFB, most significant SNP rs13041247, with odds ratio (OR) per minor allele = 0.704, 95% CI 0.635–0.778, P = 1.44 × 10−11; and ABCA4, most significant SNP rs560426, with OR = 1.432, 95% CI 1.292–1.587, P = 5.01 × 10−12) and two previously identified regions (at chromosome 8q24 and IRF6) attained genome-wide significance. Stratifying trios into European and Asian ancestry groups revealed differences in statistical significance, although estimated effect sizes remained similar. Replication studies from several populations showed confirming evidence, with families of European ancestry giving stronger evidence for markers in 8q24, whereas Asian families showed stronger evidence for association with MAFB and ABCA4. Expression studies support a role for MAFB in palatal development.
0
Citation550
0
Save
0

Radiologic Evaluation of the Influence of Cleft Type on Nasal Dorsum Growth

Lingling Pu et al.Oct 15, 2019
Purpose: The study was designed to evaluate whetherintrinsic morphological characteristics of the nasal dorsum are affected by cleft type, specifically cleft lip only (CL) and cleft lip with cleft palate(CL/P). Methods: 576 cleft patients (278 CL only, 298 CL/P), and 333 individuals without orofacial clefts were retrospectively enrolled. Lateral cephalometric radiographs of all individuals were taken to evaluate the nasal length and nasal dorsum height. Dunn’s test was used to analyze the difference ( p < 0.001). Results: In CL and control, the angulation of the nasal bone and nasal dorsum increase by age similarly (5y-18y , p >0.05). In CL, the total dorsal length is significantly shorter (5y-18y, p <0.001).Although the upper nasal dorsum is similar (except in 5y-6y), the lower nasal dorsum is shorter (5y-18y, p <0.001). In CLP,there is no significant difference in the nasal bone angle compared withcontrolsbetween 5y-7y. However, it develops insufficiently as children grow (8y-18y, p <0.001).The nasal dorsum angle is notably smaller (5y-18y , p <0.001). Nasal bone length is not significantly different from control at all stages except during ages 11y-13y ( p <0.05). Total nasal dorsal length is similar to the control at skeletal maturity(17y-18y? p >0.05), although it is shorter during 8y to 16y ( p <0.05). The upper nasal dorsum is overdeveloped (14y-18y, p <0.05), whereas thelower nasal dorsum is underdeveloped (5y-18y, p <0.001). Conclusion: CL inhibits the growth of nasal dorsum length, leading to short nose deformity. CL/P patients are prone to saddle-nose deformity because of the diminished nasal height (decreased nasal angle).
0

Application of Smart Wearable Devices in Athlete Health Monitoring

Yan Yang et al.Jan 1, 2024
Abstract Along with the rapid development of informationization in the medical industry and the increasing awareness of people’s health care, wearable monitoring technology has ushered in a golden period of growth, and in this context, a wearable athlete’s health monitoring device based on a radial basis function-probabilistic hybrid neural network (RBFNN) is designed. In this paper, the RBFNN is first used to identify the parameters and make corrections according to the changes of the controlled system. Then this neural network is optimized by the EM algorithm, and the EM-RBFNN algorithm that can optimize the smart wearable device is proposed. Through experimental comparison, although both RBFNN and EMRBFNN can match each sample to the number corresponding to the human health condition, EM-RBFNN has a higher accuracy in monitoring human health. The accuracy rate increased to 98%. Finally, through the rate analysis, blood oxygen and heart rate number reliability test, and motion misclassification rate test of the smart wearable device equipped with EM-RBFNN system, the smart wearable device installed with EM-RBFNN system is basically the same as the human body’s various data collected by the standard medical monitoring device. At a sampling rate of 50Hz, the real-time data acquisition rate increased by approximately 126%. The data on blood oxygen and heart rate have small errors. Smooth exercise and strenuous exercise have an error rate of between 10-20%, which is within the normal error range. Therefore, the smart wearable device based on EM-RBFNN can comprehensively monitor the health status of athletes.
0

CFD and machine learning approach based-predictive modeling of scouring below submarine pipeline under wave and current condition

Zongxiang Xiu et al.Dec 4, 2024
The major free spans of submarine pipelines, caused by the combined action of waves and currents can pose significant risks to pipeline operational safety. In this study, a numerical model based on the Reynolds-averaged Navier–Stokes (RANS) equation and sediment transport principles was established to investigate local scouring around a pipeline under wave and current conditions. The influence of the pipeline diameter D, flow incident angle a, current velocity Uc and KC number on the scour depth was analyzed. Based on a total of 145 sets of numerical simulation cases, a dataset was established, and all data were normalized and divided into a training set (80%) and a test set (20%). A decision-tree regression model was used to train the dataset, and a machine-learning prediction model was constructed. In the testing stage, the model had R2 = 0.94, RMSE = 0.043 for the scour depth S prediction; R2 = 0.92, RMSE = 0.096 for the dimensionless scour depth S/D prediction; and R2 = 0.97, RMSE = 0.267 for the scour hole width L prediction. The machine-learning prediction model exhibited good performance and computational efficiency, and can be used for rapid prediction of submarine pipeline scour characteristics.
0
0
Save
Load More