葡萄风味有奥秘,农科院用机器学习揭示基因渐渗过程

群体遗传学入门:手把手教你用easySFS.py从VCF文件生成SFS(附fastsimcoal2实战配置) 本文详细介绍了使用easySFS.py从VCF文件生成位点频谱(SFS)的完整流程,包括环境准备、数据检查、投影值选择策略以及fastsimcoal2实战配置技巧。通过step-by-step指南和实用建议,帮助研究人员高效完成群体遗传学分析,特别适合fastsimcoal2和∂a∂i等工具的用户。 阅读详情

内容一览:基因渐渗与葡萄的驯化、遗传改良密切相关。先前研究揭示了欧洲栽培葡萄中,野生葡萄基因渐渗的基因组信号,但尚未深入研究这些渐渗事件发生的时间、方式、基因组模式和生物学效应。本文中,中国农业科学院深圳农业基因组研究所的研究人员,使用机器学习的种群遗传分析方法,对栽培葡萄以及野生葡萄进行了重测序数据分析,这对于葡萄育种具有重要意义。

关键词:基因渐渗   葡萄驯化 机器学习

本文首发自 HyperAI 超神经微信公众平台~

基因渐渗是指基因从一种物种或种群,渗入到另一种物种或种群的过程。它通常发生在不同物种之间的杂交和回交过程中。在基因渐渗中,外源基因通过杂交进入目标物种的基因池,与目标物种的本地基因发生混合。这种渐渗可以导致目标物种的基因组发生改变,获得新的遗传变异和多样性。

葡萄的基因渐渗是指野生葡萄 (Vitis vinifera ssp. sylvestris) 与栽培葡萄 (V. vinifera ssp. vinifera) 之间基因交流和基因流动的过程。在自然界和人工选择的影响下,野生葡萄与栽培葡萄之间发生基因交换,导致栽培葡萄中出现野生葡萄的遗传特征。

近期,中国农业科学院深圳农业基因组的研究人员,研究了驯化葡萄与其欧洲野生近缘种之间的渐渗历史,他们使用基于机器学习的群体遗传方法,揭示了葡萄风味的形成机制,对其基因特征及其对葡萄育种的影响提供了深入的见解。目前,该研究成果已发表在《Proceedings of the National Academy of Sciences》期刊上,标题为《Adaptive and maladaptive introgression in grapevine domestication》。

该研究成果已发表在《Proceedings of the National Academy of Sciences》期刊上

论文地址:

https://www.pnas.org/doi/abs/10.1073/pnas.2222041120

数据集

研究人员对一组 345 个测序样本进行了分析,这些样本包括酿酒葡萄和食用葡萄,涵盖了野生葡萄的广泛地理分布范围,其中包括来自欧洲的 72 种野生葡萄 (V. vinifera ssp. sylvestris)、来自中东和高加索地区的 36 种野生葡萄和 231 种驯化葡萄 (V. vinifera ssp. vinifera),以及代表北美外群物种的 Vitis californica (n = 3) 和 Muscadinia rotundifolia (n = 3)。此外,研究人员还对欧洲野生葡萄进行了采样以覆盖欧洲和近东的预测分布区域。

数据 (基因组序列;script) 已存放在 GitHub 中:

GitHub - zhouyflab/Grapevine_Adaptive_Maladaptive_Introgression: Adaptive and maladaptive introgression in grapevine domestication

实验结果

基因渐渗历史 

首先,研究人员评估了欧洲野生葡萄、酿酒葡萄和食用葡萄之间的差异,以深入了解种群和驯化历史。值得注意的是,欧洲野生葡萄 (EU sylvestris) 形成了一个独特的群体,与酿酒葡萄共享少数混合成分。

图 1. 不同葡萄品种对比

A:混合分析的系统发生树。

在系统发生中,分支的颜色反映了不同的群体:ME 1,黄色;ME 2,紫色;野生葡萄,红棕色;酿酒葡萄,蓝色;食用葡萄, 绿色。Admixture 图, K = 6 。图右侧的红点和蓝色三角形分别显示来自食用或酿酒组的叶绿体或线粒体是否明显起源于欧洲野生葡萄。

B:五个组的 PCA。

C:五组的杂合性。

D:不同传播类型下的正向模拟结果。蓝线表示异交繁殖,而橙色线表示克隆繁殖。

图 1 显示,酿酒葡萄和食用葡萄在进化过程中发生了早期的分化,表明它们在用途上有明显的区别。野生葡萄样本也呈现出单系群,但分为三个不同的群体:欧洲野生葡萄(EU)、位于里海周围葡萄 (ME 1) 和位于地中海附近的肥沃新月地带的葡萄 (ME 2)。通过  主成分分析 (PCA) 和祖先成分比例的估计,也证实了这些种群之间的分化。酿酒葡萄和食用葡萄 (均为 0.24) 的杂合性比野生种群更高 (欧洲为 0.17,ME1 为 0.20,ME2 为 0.22),这可能是由于历史上的渐渗事件和长期的无性繁殖导致了杂合突变的积累。

基因渐渗方向 

研究人员在最初的模型基础上,估计了食用葡萄、酿酒葡萄和欧洲野生葡萄之间可能存在的 34 种基因流动模式。根据最佳模型,fastsimcoal 推断欧洲野生葡萄大约在 4 万年前发生了分化。

图 2:渐渗检测

水平分支中的时间 (T) 是每个组的分化时间 (年),T_i 表示推断的渐渗开始时间。

底部的数字是每组的估计有效种群规模 (Ne)。

图 2 显示,在最佳模型下,fastsimcoal 推断出 EU 类群在大约 4 × 104 年前分化;食用葡萄的驯化早在 1.5 × 104 年前就开始了;大约在 1.0 × 104 年前,酿酒葡萄从食用葡萄中分离出来。模型表明,欧洲野生种群和驯化种群之间的基因流动始于 1.8 × 103 年前。此外,最佳拟合模型还表明,基因从欧洲野生种群流动到驯化种群的概率很高,向酿酒葡萄 (1.7 × 10−4) 的迁移率是食用葡萄 (3.8 × 10−5) 的 5 倍。

基因渐渗区域 

研究人员使用机器学习方法来识别葡萄基因组的基因渐渗区域,以及这些区域的基因组特征。

图 3:渐渗区域的三种基因

Filet 预测的假定基因渐渗区域用黑线标记在 19 条染色体上。

三种颜色代表三种基因渐渗区域内的基因

红色:开花相关基因

绿色:芳香化合物相关基因

蓝色:应激反应基因。

研究人员对整个基因组中的渐渗选择基因进行了 GO 功能研究,并重点关注开花相关基因、风味相关基因和应激反应相关基因。图 3 显示,许多与开花相关的基因在渗入后选择,其次是芳香族化合物相关的基因。大多数 GO 分类的富集也与风味相关,包括木质素降解过程、L-苯丙氨酸降解过程和肉桂酸生物合成过程。因此,研究人员推断酿酒葡萄和欧洲野生葡萄之间的适应性渐渗主要影响了与风味相关的性状。

为了解等位基因的渐渗动态,研究人员对异交繁殖和克隆繁殖的渐渗进行了正向模拟。

图 4:非渐渗区域和渐渗区域中有益 SNPs 和有害 SNPs 的 SFS

E:整个渐渗群体中渐渗等位基因的总数

F:整个渐渗群体中不同类型的渐渗等位基因的数量

G:异交组第 500 代渐渗有益和有害等位基因的 SFS

H:克隆组第 500 代渐渗有益和有害等位基因的 SFS

研究发现,杂交后渐渗等位基因 (包括有益和有害等位基因) 的总数都有所增加,直至达到平衡。这些模拟表明,在克隆和异交系统中,渐渗等位基因的情况可能存在显著差异。渐渗对有益和有害变异的补充起到了重要作用,这些变异可能成为葡萄栽培基因组设计的主要目标,包括在有性繁殖过程中清除潜在的有害变异。

AGIS:专注农业科技创新

值得注意的是,该论文的多名作者均来自中国农业科学院深圳农业基因组研究所。基因组所成立于 2014 年,通过整合生物学和大数据科学,来认识与利用农业生物基因组,服务全球农业生产。基因组所的长期愿景是致力于通过颠覆性创新来促进全球农业可持续发展,服务于个性化食品供给体系,并提升人类健康水平和农民社会地位。

基因组所在包括 Science、Nature、Cell 等顶级期刊在内的杂志上发表 SCI 论文 620 多篇,农业基因组学等研究领域占据世界前沿。除了研究葡萄的基因渐渗问题,该所还发布了另外两篇与葡萄基因相关的研究成果,不仅联合国内外学者首次绘制了葡萄完整基因组图谱,还揭示了野生葡萄的抗皮尔斯病的全基因组效应和气候适应性机制。

所长表示,基因组所还是一个非常年轻的科研院所,建设国际一流的农业科研院所任重而道远,将立足新时代新征程新使命,以坚持「四个面向」助力高水平科技自立自强,为建设「农业强国」继续做出我们的贡献。目前,基因组所联合深圳市相关部门提出了建设「深圳国际食品谷」建议,规划已得到市政府批复,将在深圳构建农业食品产学研协作生态,做出科技推动农业食品产业转型升级的先行示范。

基因组所官网:

中国农业科学院农业基因组研究所

参考文献:

[1]https://www.163.com/dy/article/I6KVQLV205328VPM.html

[2]https://www.sohu.com/a/682674856_121124027

[3]https://www.caas.cn/xwzx/kyhd/60f2e9b4dff84bed9e315b7097aeb26b.htm

[4]https://www.agis.org.cn/bsgk/yjsjj/index.htm

[5]https://www.agis.org.cn/xwzx/kyjz/677aecae97c448c9bed7e89f95daae7f.htm

新手必看:如何用easySFS从VCF文件快速生成SFS(附fastsimcoal2/dadi兼容指南) 本文详细介绍了如何使用easySFS工具从VCF文件快速生成SFS(位点频谱),并确保与fastsimcoal2和dadi等主流群体遗传学分析工具兼容。通过环境配置、投影值选择、实战操作和结果验证等步骤,帮助新手高效完成SFS数据转换与下游分析。 阅读详情

相关推荐

群体遗传学入门:用easySFS从VCF文件生成SFS,为fastsimcoal2分析铺路

本文详细介绍了如何利用easySFS工具从VCF文件生成位点频谱(SFS),为fastsimcoal2分析提供数据支持。通过解析SFS的核心概念、数据准备、投影参数优化及结果验证,帮助研究者掌握群体遗传学分析的关键步骤,提升群体历史推断的准确性。

weixin_27215403的博客 333

文献精读丨NP 小麦群体演化历史Population genomics unravels the Holocene history of bread wheat and its relatives

为了验证这个推测,将喜马拉雅南部群体分为高海拔和低海亚群进行XP-CLR比较分析,结果显示Ppd-D1在高海拔和低海拔亚群的显著程度(高于全基因组99.75%的值)高于中亚和喜马拉雅南部群体(高于全基因组97.61%的值),并且这个无义突变的等位基因频率与喜马拉雅南部群体的海拔高度之间存在很强的相关性,表明Ppd-D1的这个新的无义突变的确参与了高海拔适应。本研究利用了795份小麦代表性材料的全基因组测序数据,其中包括本研究中新测序的50个进化关键节点的小麦样本,其余745份来自公开可用的数据库。

青笋的博客 3088

损失函数与优化器:从「梯度是怎么被造出来的」到「梯度是怎么被用掉的」

本文揭示损失函数与优化器本质一体:优化器仅依赖损失产生的梯度,而损失决定梯度的方向、尺度与噪声特性。错误的损失选择(如分类用MSE)会导致梯度失衡,使优化器失效;不同损失(如Huber、Focal)通过调控梯度分布影响优化过程。实测表明,归约方式、标签结构与损失配对直接决定梯度行为,进而影响收敛性与泛化。核心观点:选对损失,才是让优化器“看得懂”的前提。

reset2021的博客 307

二代测序数常用软件

作者:王理中 链接:https://www.zhihu.com/question/23566982/answer/25220599 来源:知乎 著作权归作者所有,转载请联系作者获得授权。 Coding language Perl http://www.perl.org/ Python https://www.python.org/ R http://www.r-pro

悠悠的博客 1万+

ParseTreesOutputIBD_FastSimCoal:从 FastSimCoal 解析 Newick 树并输出 IBD 段

从 FastSimCoal 解析 Newick 树并输出 IBD 段 该程序解析存储在 FastSimCoal 生成的 Newick 树中的祖先重组图 (ARG) 并输出 IBD 段。 用户必须指定重组率 (cM/Mb)、模拟区域的长度(以 bp 为单位)、要输出的 IBD 段的最小长度以及文件中的树总数。 下面的脚本提供了一个示例。 IBD 段被定义为一对个体共享相同最近共同祖先 (MRCA) 的区域。 MRCA 是根据合并时间确定的(请注意,这不是明确的可能性很小)。 依赖项:使用 Forester 库 ( ) 来解析 Newick 树。 联系人:ppalama AT hsph DOT harvard DOTAGAIN edu 参考资料:该工具是作为分析的一部分而开发的 PF Palamara、T. Lencz、A. Darvasi、I. Pe'er。 “血统身份的长度分布揭示

PopulationGeneticsGroup6:哥本哈根大学人口遗传学课程小组项目,2021年

人口遗传学组6 哥本哈根大学“人口遗传学”课程的小组项目,2021年。小组名称:小组6 –“使用模拟测试遗传数据中种群大小变化的信号”小组成员:Mariadaria Kathrine Ianni-Ravn,Roosa Katariina Varjus,约阿尼斯Louloudis,刘青和Caroline Linnea Elin-Lennartsson #脚本文件目录包含: 主管道脚本,名称为Paprika.py 。 此python脚本用作包装器脚本并调用: fastsimcoal2工具,它将模拟人口历史和事件。 一个名为plot_sfs.R的R脚本,该脚本从上一步中的fastsimcoal2工具生成的观测文件中生成站点频率频谱图。 为了创建阶梯图,首先需要进行分析。 使用staiway.sh完成此任务 该管道将收集由stairway.sh创建的摘要文件,并创建plot_stair

基于vcf文件计算位点频谱SFS——easySFS

位点频谱(site frequency sperum)是使用遗传数据进行群体历史研究的基础数据,easySFS.py将可以将划分好群体的snp.vcf文件转换为SFS,该脚本输出可适用于和∂a∂i两个进行群体历史研究的主流方法。

SUN5_The_answer的博客 2909

easySFS:有效选择人口规模投影以构建站点频谱。 将VCF转换为dadifastsimcoal样式SFS以进行人口统计分析

easySFS TL; DR-easySFS是用于有效选择人口规模投影以构建站点频谱的工具。 它可以用于将VCF转换为dadi / fastsimcoal / momi2样式的SFS,以进行人口统计分析。 为什么需要这个? 站点频谱不能以连贯的方式构造在缺少值的数据矩阵上。 数据丢失是类似于RADSeq的数据集的显着特征,仅删除缺失的站点将彻底丢弃大部分数据。 一个人也可以估算缺失的值,有些人这样做,但是如果您有很多缺失的数据,则估算将是不可靠的。 向下投影方法是这两个极端之间的一种折衷。 您可以“投影”到较小的样本大小,并“平均”所有可能的重采样以构建完整的数据矩阵。 需要明确的是,我没有发明这种向下投影的策略,我相信Marth等人2004年在这里得到了赞誉,我只是制作了这个用于自动探索投影值的python程序。 选择投影值 关于如何选择投影值,Gutenkunst等人2009提供了

群体基因组分析

识别种群中的单核苷酸多态性(SNPs)、插入/缺失(Indels)、结构变异(SVs)等。

大甘的博客 3558

进阶数据结构——链式前向星

链式前向星是一种进阶的数据结构,主要用于图的存储。我希望大家先看这个视频(蓝色字体点进去) 不然你很难理解的。在图论中,图的存储方式主要有邻接矩阵和邻接表两种。邻接矩阵虽然建图简单方便,但占内存较大,节点数量稍微大点的题目就难以使用(适合稠密图);而邻接表虽然节省空间,但其指针形式难写易错,且vector形式的读取速度较慢,易导致大数据下的超时(TLE)。针对上述问题,链式前向星作为一种折中的方式应运而生。链式前向星本质上是一种静态链表,它将数据以链表形式连接在一起。

ycs66的博客 2137

SORT算法在遮挡下总跟丢?深入OC-SORT源码,拆解其三大创新点如何解决卡尔曼滤波的顽疾

本文深入解析OC-SORT算法如何通过三大创新点解决多目标跟踪中的卡尔曼滤波顽疾。OC-SORT引入在线平滑虚拟轨迹技术(OOS)、观测中心动量匹配机制(OCM)和基于最后观测的轨迹恢复(OCR),显著提升了遮挡场景下的跟踪性能。实验数据显示,相比传统SORT算法,OC-SORT在MOT17数据集上MOTA提升5.7%,遮挡恢复成功率提高64.2%,为Multi-Object Tracking领域带来突破性进展。

weixin_42547431的博客 240

【机器学习300问】139、Post-LN 和 Pre-LN 的区别?

Post-LN与Pre-LN的核心区别在于LayerNorm的位置:Post-LN在残差连接后,导致梯度需经LayerNorm变换,深层易出现梯度衰减或震荡;Pre-LN先做归一化,使输入稳定,残差路径梯度可无损回传,显著提升深层训练稳定性。尽管Pre-LN支持更深层次模型(如LLaMA、Qwen),但存在“深度诅咒”——深层贡献不足。相比之下,Post-LN浅层表现尚可,深层数易发散。因此,现代大模型普遍采用Pre-LN以保障训练可靠性。

qq_39780701的博客 396

SFR算法实现详解:从边缘检测到MTF计算的完整流程

本文详细解析了SFR算法从边缘检测到MTF计算的完整流程,包括边缘检测、ESF超采样、LSF差分等关键步骤。通过代码示例和实战经验,帮助开发者高效实现成像系统解析力评估,优化MTF测量精度。适用于摄像头模组调试、工业检测等场景。

Black的专栏 1009

机器学习基础|监督学习、标签、回归

网约车预估等待时长依赖监督学习中的回归任务。平台利用历史订单数据,以司机实际到达耗时为标签,通过上车点、时间、运力、路况等特征训练模型。模型不断优化预测值与真实耗时的误差,最终对新订单输出连续的预估等待时间,实现精准预测。

weixin_43971465的博客 239

【YOLOv12[基础]】热力图可视化实践 | 脚本升级 | 优化可视化效果 | 论文必备 | GradCAMPlusPlus, GradCAM, XGradCAM, EigenCAM等

热力图可视化实践 | 脚本升级 | 优化可视化效果 | 论文必备 GradCAMPlusPlus, GradCAM, XGradCAM, EigenCAM等

静谧、淡雅 895

【机械臂视觉抓取从理论到实战】

首先声明一下,此项目是参考B站哈萨克斯坦UP的【机械臂视觉抓取从理论到实战】 此内容为他研究生生涯的阶段性成果展示和技术分享,所有数据和代码均开源。所以鹏鹏我特此来复现一下,我采用的硬件与之有所不同,UP主使用UR5,我实验室采用的是UR3,下面列出相关材料 UR3CB3.12:https://www.universal-robots.cn/cb3/ 【UR3系统升级到CB3.12附带URcap1.05】硬件支持代码支持 jacquard数据集:https://pan.baidu.com/s/1524HrV

vor234的博客 5186

Hugging Face:成为机器学习界的“Github”

以下文章来源于OneFlow,作者OneFlow社区五年前,AI领域的知名研究者Andrej Karpathy发文称,传统人工编程属于“软件1.0”,“软件2

2601_96798011的博客 126

码农新宠大对决:GitHub Copilot、通义灵码和CodeLlama谁主沉浮?

本文对三款主流AI编程工具GitHub Copilot、通义灵码和CodeLlama进行了全面对比分析。GitHub Copilot在多语言支持和代码质量上表现突出;通义灵码在中文理解和阿里云生态集成方面优势明显;CodeLlama则以开源可定制见长。文章从代码生成、理解能力、多语言支持、使用体验等维度展开评测,并结合实际案例说明不同开发者群体的适用选择。建议新手可优先考虑通义灵码,经验开发者适合GitHub Copilot,而有定制需求的企业团队则可选择CodeLlama。随着AI技术发展,这些工具将持续

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 675

这7个小众Python库,才是机器学习工程化的降效神器

别再只盯着TensorFlow了:这7个小众Python库,才是机器学习工程化的降效神器在很多人的印象里,机器学习似乎就是高深莫测的数学公式、成千上万的GPU集群

2601_96797912的博客 159

华为OD机试真题 新系统【查找能被整除的最大整数】

华为OD新系统机试真题【查找能被整除的最大整数】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题【查找能被整除的最大整数】

qq_45776114的博客 672

国科大学习资料--遥感原理集图像处理(尤红建)--2019年期末考试

国科大学习资料–遥感原理集图像处理(尤红建)–2019年期末考试 国科大学习资料–遥感原理集图像处理(尤红建)–2019年期末考试 国科大学习资料–遥感原理集图像处理(尤红建)–2019年期末考试 ================================================================== ================================================================== ==============

无名何许人的博客 1469

机器学习——混淆矩阵(待更新)

二元: true表示真实==预测,positive表示预测值=1.

m0_61175448的博客 133

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

【机器学习300问】138、LayerNorm和BatchNorm的区别?

本文阐述了归一化与标准化在深度学习中的核心作用。输入层标准化可统一初始输入,但深层网络仍面临激活分布漂移。为此,提出BatchNorm与LayerNorm两种主流方法。

qq_39780701的博客 183

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

为什么生成对抗网络训练常不稳定,模式崩溃与判别器过强之间是什么关系?

当支持集不重叠时(即 $D$ 能完美区分真假),JS 散度为常数 $\log 2$,其梯度为 0。这意味着一旦 $D$ 训练得稍好,$G$ 就失去了学习方向,导致训练停滞。生成对抗网络(GAN)的训练本质上是生成器($G$)与判别器($D$)之间的非合作零和博弈。以下代码展示了如何通过梯度惩罚(Gradient Penalty)来约束判别器,避免其过强导致生成器梯度失效。判别器过强是导致模式崩溃的直接诱因之一,二者之间存在明确的**“梯度误导”**因果关系。

2402_84593233的博客 204

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

Spark06_MLlib机器学习

本文是《PySpark 从入门到实战》系列收官篇,带你用 Spark MLlib 走通机器学习全流程:从三要素与 7 步标准流程讲起,剖析 KNN、朴素贝叶斯、决策树三大算法原理,再以 KNN 手写、垃圾短信分类、决策树分类、逻辑回归鸢尾花(准确率 96.67%)、K-Means 聚类(轮廓系数 0.7345)五个案例落地,最后详解 TF-IDF 文本特征与余弦相似度。全文代码可直接运行,适合有 RDD 与 Spark SQL 基础的开发者快速上手。

2301_80420058的博客 451
上一篇: 两位国际院士与史学家哲学家激辩 AI,你站哪队?
下一篇: 「青椒」的 AB 面:是科研达人也是温柔宝妈
HyperAI超神经
博客等级 码龄7年 8872粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值