当前课程知识点:2016年清华大学研究生学位论文答辩(一) > 第三周 自动化系——吴佳欣 > 个人答辩陈述 > 个人答辩陈述
返回《2016年清华大学研究生学位论文答辩(一)》慕课在线视频课程列表
返回《2016年清华大学研究生学位论文答辩(一)》慕课在线视频列表
好 请陈阳同学
介绍一下吴佳欣同学的情况
好 吴佳欣
吴佳欣同学是1987年4月份
出生于北京市海淀区
2005年9月份
考入北京交通大学
校级理科实验班
2009年7月份本科毕业
并获得工学学士学位
2009年9月份
又进入到清华大学
自动化系控制科学与工程专业
攻读硕士学位
在2012年9月份硕转博
在李衍达老师的指导下
开展博士学位阶段的学习
在研究生期间
一共是完成了
总学位是48个学分
发表SCI论文五篇
其中第一作者论文是四篇
她今天的学位论文题目是
整合多基因组学数据
识别致病遗传变异
好 那请李梢老师来主持
好 下面请吴佳欣同学
进行博士学位论文答辩
不超过四十分钟
好的
各位老师好
欢迎各位老师在百忙之中
参加我的博士论文答辩
我的博士论文题目是
整合多基因组学数据
识别致病遗传变异
首先我为老师介绍一下
我的研究背景和意义
遗传变异被认为是
影响人类个体差异的
主要因素之一
因此识别人类
遗传疾病的致病变异
是医学遗传学的重要目标
对于人类的遗传疾病
我们的研究对象是最重要的
也是总常见的一类
导致疾病的变异SNP
它是指单个碱基发生置换 插入
删除等事件引起的DNA多态性
nsSNP作为SNP中的一种
它位于编码区
它的发生会改变所编码的蛋白质
因而可能会引起疾病
现阶段研究中发现
参与人类遗传性疾病的变异中
超过一半属于nsSNP
因此在我们的前两个研究中
我们主要围绕着nsSNP展开
传统预测SNP致病性的方法
主要有连锁分析和关联分析
连锁分析的主要缺点
是它需要庞大的家系数据
而且它只适用于单基因疾病
不适用与复杂疾病
它的预测效果比较差
关联分析需要大量正常人
和患者的数据
它不适用于检测罕见变异
而且关联分析
分析出来那些关联变异
很有可能不是真正的致病变异
而是与致病变异相关联的变异
所以它的预测结果
能力也是有限的
进而人们想到
就是利用nsSNP自身的特性
和数据库的特性
然后建立模型
预测改变蛋白质功能的nsSNP
这种问题一般被建模为
一个二值分类问题
首先是利用蛋白质
利用蛋白质的序列信息
或者结构信息
或者注释信息
然后作为特征
然后利用机器学习
或者统计学习算法
然后建立模型
最后预测nsSNP
是否导致蛋白质功能
但是它也有一些缺点
首先不是所有影响
蛋白质功能的nsSNP
一定是致病的
而且并不知道nsSNP
具体导致哪种疾病
随着测序技术的发展
我们可以
全外显子测序技术
可以经济且高效地检测常见变异
罕见变异和新生突变
因而其大规模的被应用在
寻找致病变异 帮助临床诊断
辅助精准医疗上
那么全外显子组测序技术
主要包括这个外显子捕获部分
以及目标区域扩增
和高通量测序部分
本文的研究内容是这样的
本研究涉及现在热点的精准医疗
和全外显子组测序技术
通过整合多种基因组数据
和疾病表型相似数据
研究识别指定疾病的
致病的遗传变异的方法
创建收集全基因组变异
及其功能影响分数的数据库
为理解疾病的遗传基础提供帮助
并促进了疾病的预防 诊治
和个性化治疗
首先我为老师
介绍我的第一个工作
整合多种相似性网络
识别致病遗传变异
我将识别这个未知的nsSNP
与疾病之间的这个关联
建模为一个二值分类问题
首先我建立了
若干个nsSNP的相似性网络
随后我建立了
若干个疾病表型相似性网络
我选定某一个nsSNP相似性网络
和某一个疾病表型相似性网络
在这个时候
我算它的未知的nsSNP
和疾病的关联
与已知关联的nsSNP
已知关联的SNP和疾病的之间的
最大相对关联分数
然后我遍历所有的
nsSNP的网络和疾病的网络
然后可以计算出
若干个最大相对关联分数
然后我利用这些
最大相对关联分数作为特征
最后训练逻辑回归模型
那么可以看出
我所有的算法
主要分为三部分
那么第一部分是
建立nsSNP的相似性网络
第二部分是
建立疾病表型相似性网络
第三部是
计算最大相对关联分数
那么对于nsSNP相似性网络来说
我主要采用
基于蛋白质序列计算的
44个nsSNP特性
那么这个44个nsSNP特性
是由6个物理化学特性
在7个不同的情形下
分别计算出来的
然后最后还计算了
两个保守性分数
然后我们采用了两种分组方式
然后分别计算
nsSNP的相似性网络
第一个是基于不同物理化学
特性的分组
然后还有保守性分数
这样我们一共可以分为7组
最后建立了7个相似性网络
第二种分组方式
是我们基于不同计算的情形分组
然后还以及保守性的分数
这样最后我们算出来了
8个相似性网络
对于疾病表型相似性网络
我们主要采用了两种
第一种是利用于这个
医学主题词汇表
然后提取OMIM数据库中
每个疾病记录的标准词汇
出现的次数
然后综合考虑
每个标准词汇的信息量
计算任意两个疾病表型的相似性
第二个是我们基于
人类表型本体库
提取OMIM数据库的
每个疾病记录中的标准词汇
然后利用自然语言处理算法
计算任意两个疾病
对应的词语集合之间的相似性
然后最终我们得到了
5080个疾病间的表型相似性网络
对于建立预测模型这一部分
首先我们给定一种
nsSNP相似性网络
和一种疾病表型相似性网络
那么未知关联的nsSNP和疾病
与已知关联的nsSNP
和疾病的相对关联强度
定义为SNP之间的相似性
和疾病之间的
相似性的几何平均值
然后这样的话
我们遍历所有已知的
nsSNP和疾病之间的关系
疾病之间的关联
然后我们去计算
最大的相对关联分数
这样在遍历了
nsSNP所有的相似性网络
和所有的疾病表型
相似性网络之后
我们就可以得到
若干个最大相对关联分数
然后进行建模
本文的验证和评估方法是这样的
首先我们采用两种
大规模的10倍交叉验证实验
那么实验1
是验证对遗传基础部分
已知的疾病的预测效果
那么这个实验中的时候
我们选取10%的已知的疾病
和nsSNP的关联
作为阳性测试集
那么实验2是
验证对遗传基础
完全未知的疾病的预测效果
在这种预测效果
这种预测下
我们首先选出百分之十的疾病
作为遗传基础完全未知的疾病
然后我们隐藏所有
跟这些疾病相关的
nsSNP的这些关联
然后我们利用隐藏的这些关联
作为阳性测试集
那么评估方法
我们一共选用了四个
首先第一个就是预测的准确度
还有ROC曲线的面积
然后其次还有两个
第一是平衡误码率
第二个是马修斯相关系数
后面的这两个
主要是针对
在那个样本数量不平衡的时候
然后进行的
然后进行评估的两种方法
那么这四个方法来说
ACC和AUC
还有MCC是越大越好
平衡误码率BER是越小越好
本工作从SwissPort数据库中
从SwissPort数据库中
搜集到了6304个正常的nsSNP
和与390种疾病相关联的
8200个致病nsSNP
然后可以从图中看到
然后实验1的颜色是绿色
它是实验1的结果
然后实验2的结果是黑色
然后那个
就是这个箱线图的结果
是10次随即打乱
nsSNP相似性网络的结果
然后我们也可以看出这个
我们的算法
还有比较好的预测性
第二个是
对于某一种指定的疾病
我们想研究从候选集中
识别与指定的疾病
相关联的致病nsSNP
这样我们一共选
这样我们一共设了三个候选集
第一个后选集是由待验证nsSNP
和正常nsSNP组成的正常候选集
第二个是由待验证的nsSNP
和导致其他疾病的nsSNP
组成的疾病侯选集
那么第三个是
合并上面所有的
组成的合并候选集
然后我们选用了
一个评判标准是MRR
它指的是
就是与这个指定疾病相关连的
所有验证的这个nsSNP
它排序的平均排序比率
也就是说如果一个nsSNP
它排序在很前面的话
它的排序比率就应该很小
然后这样我们算它
对于一个疾病
所有的这些nsSNP的平均值
然后就
所以因此这个MRR值
它是越小越好
然后我们可以看到
这个黑色实线的为实验的结果
然后这个箱线图
也是为随机的结果
那么最后呢
我们要通过这个评判指标
在随即打乱nsSNP一类特征后
进行验证的这个
进行验证之后的这种改变量
然后来评估每一维
nsSNP的特征重要性
那么在第一种分组方式下
我们是基于物理化学特性分组的
我们看出这个物理化学特性
基本上没有起到任何作用
比较起到作用的
基本是都是这个保守性分数
那么再对于第二种分组来说
就是按计算情形分组
我们看到就是除了这个
保守性分数是最后一维
就是这一维之外
然后其次起作用的
还有原始列加权
以及置换之后
发生置换之后的这些改变量
都是会有起作用的
总结
通过整合多种nsSNP相似性网络
和疾病表型相似性网络
本人设计了分类和预测模型
该模型可以预测
与遗传基础部分已知的疾病
和遗传基础完全未知的疾病
相关联的nsSNP
本算法弥补了已有算法
只能预测nsSNP的功能影响程度
而无法预测nsSNP
具体导致哪种疾病的不足
本文章最后发表在
IET systems blology上
下面我给大家介绍
我的第二个工作
集成多种基因组数据
识别外显子组测序中
致病遗传变异
首先介绍一下方法
我们设计的这个算法
叫做SPRING
那么对于SPRING算法
我们的希望
我们输入数据
是我们想研究的疾病
比如说以这个自闭症为例
想研究的疾病
然后以及这个
关于自闭症的
这些患者的测序数据
我们把它作为输入
那么我们最终希望得到的结果
是对我们所有输入的这些数据
进行排序
然后排序之后
我们在利用这个
多检验校正后的q值
对nsSNP导致这个
导致疾病的这种显著性
再进行判断
那么具体的过程是这样的
首先我们收集了
6个度量nsSNP
是否影响蛋白质功能得分数
那么这个六个分数
分别于来自于六个常见的软件
然后其次我们利用
五种基因组数据
计算基因与疾病之间的关联分数
在这一步中
首先对于每一个疾病来说
我们都先收集
与疾病相关的种子基因
那么在这个
如果这个疾病
它的遗传基础部分已知的时候
我们就利用它
这个已知的致病基因
作为种子基因
那么如果这个遗传基础
完全未知的时候这个疾病
那么我们就利用
与这个疾病表型最相似的
10种疾病的致病基因
作为种子基因
我们一共采用了五种基因组数据
分别是基因本体数据库GO数据
然后PPI相互
蛋白质相互作用网络
然后蛋白质序列
蛋白质结构域
和基因通路这五种数据
然后对于每一种数据
我们都计算基因间的功能相似性
计算完了基因功能相似性之后
我们可以利用候选基因
与所有种子基因的
基因功能相似性的和
来定义这个候选基因
与某一种疾病的这种关联分数
这样的话
最终我们可以看出
我们一共对于
对于一个SNP来说
我们一共提取了11维数据
那么前6维数据
主要的依据于nsSNP自身的特性
那么后五位数据
主要依据于nsSNP所在的基因的
和疾病之间的关联
那么对于每一维数据
我们利用这个正常的SNP
或者基因的分数
建立这种经验分布
然后并且计算经验分布中
比候选nsSNP分数
还要极端的概率
作为该数据下候选nsSNP的P值
这样的话
我们一共每一维数据
都得到一个P值
然后我们利用适用于这个
然后利用这个FISHER的方法
进行合并
然后最后进行多经验校正
得到q值
然后利用q值进行排序
那么 首先介绍一下数据
本文一共
本工作一共涉及1436种疾病
然后我们从SwissPort数据库中
收集到了12610个致病的nsSNP
和23403个正常变异
首先我们验证遗传基础部分
已知的疾病
我们一共找到了113种疾病
具有2个以上的已知基因
这样验证的时候
我们每次验证的基因
就是给它抹掉
然后利用剩下的基因
作为种子基因
这样对于每一个我们
要验证的疾病
我们都有三个侯选集
分别是由测试集
和不同的对照集组成的
也就是正常侯选集
致病侯选集
和合并侯选集
然后我们同样用了
三个评判标准
第一个就是它的排序值
具体排序在什么位置
第二个就是相对排序比率
然后第三个是AUC的值
那我们可以看到
在跟这个正常对照组
进行对照的时候
这个然后侯选集的数量
大概是大于1万的数量
然后我们都基本上可以把
致病的nsSNP排在前5名的位置
那么对于这种合并集来说
合并集一般
合并集是最常见的
也就是说人和那个患者中
可能会有一些致病的
一些很多正常的
这样的话对于合并集来说
大概的所有的这些nsSNP
基本上都能排在前50左右
然后由于这个侯选集的
数量非常大
所以我们得到MRR的值和AUC的值
都是比较显著的
第二步我们验证了
遗传基础完全未知的疾病
我们一共涉及到了1436种疾病
我们逐一将它认定为是
这个未知疾病进行验证
然后对于我们每一个验证的疾病
我们同样选了三个测试集
是正常测试集
致病测试集和合并测试集
然后种子基因的选取
是与我们所研究的疾病
最相似的10种疾病的致病基因
然后作为该疾病的种子基因
同样的结果也可以看出
在跟正常对照集相比的时候
我们可以把绝大部分都排在
前几名
然后跟这个合并对照集
相比的时候
也可以都把大部分都排在前50名
第二步然后我验证了
预测不同类型疾病的结果
我们一共找到了
396个常染色体显性疾病
468个常染色体隐性疾病
109个X染色体的疾病
58个复杂疾病
然后48种免疫系统疾病
和263种神经系统疾病
然后我们分别进行预测
然后我们可以看到就是
它的结果会有一些出入
但是大致的
所有这些结果预测效果
还相对来说是比较好的
除了这个免疫系统疾病
因为它比较复杂
可能会光是这种
遗传性的这种影响因素
不会占很大
所以它的效果会相对来说差一些
剩下的这些疾病的效果
还都比较好
下面我们因为一共用了11维数据
所以我们想看看
单独使用每维数据的预测效果
是什么样子的
这样首先我们就是可以看到
这个表是搜集了
所有的一些预测的结果
那么对于这种SNP
对于SNP的
这种功能影响分数来说
我们可以明显的看到
它可以非常清晰区分
这种正常变异和致病变异
但是它无法区分这个致病变异
到底导致哪种疾病
然后对于这种基因组的数据来说
比较起作用的是
这个基因本体数据
和这个蛋白质相互作用数据
其次我们对单独使用
每一种数据的时候预测的结果
我们划出了ROC曲线
我们可以很明显的看到
这个黑线要远高于其他的线
那么这个黑线
就是我们合并之后的这个效果
由于这11维数据之间
都有一些相互关联
所以这样的话
我们评估每维数据删除后
排序值增加的nsSNP的比例
来评价每维特征的这个重要性
那么在这种情况下
就是如果它的改变量
就是增加的这个nsSNP
比例的改变量越大
就证明这维特征是越重要的
我们可以看到对于这个nsSNP的
这个功能预测分数来说
SIFT有最好的效果
然后对于这个基因组的数据来说
是基因这个本体数据
GO的数据和PPI的数据
有最好的效果
下面我们预测了
算法的假阳性率和真阳性率
我们计算在不同阈值下的
假阳性率和真阳性率
我们随机生成了
12个nsSNP的集合
每个集合包括了1万个nsSNP
那么对于这12个集合来说
致病nsSNP的比例
我们控制的分别是
0% 5% 10% 20%一直到100%
然后这个划出来的图在这个上面
然后我们可以看出
就我们选当5%
当含有5%
致病nsSNP侯选集的时候
因为我们认为这个可能会最接近
就是患者的这种情况
我们选取q值为0.01
此时的假阳性率大概是在1.69%
真阳性率是在72.42%
我们可以看到我们很好的可以
控制它的假阳性率
以上所有的验证
都基于数据库的验证
所以从下面的验证之后
我们就希望做一些
真实数据的仿真实验
首先我们从HapMap数据库中
就下载了8个正常人的数据
这8个正常人
分别来自于不同的区域
然后最终nsSNP的数量
大概是在6000到8000不等
这个也就是侯选集的数量
然后我们对于
每一个致病的nsSNP
我们都将这个致病nsSNP
插到这个正常人的数据中
然后我们企图用
我们设计的SPRING算法
恢复我们插入的那个致病nsSNP
这样结果可以看出
大概排到前十
应该对应的是这个颜色
所以我们可以看到我们大概有
70%的这个致病nsSNP
都可以给它排到前十的位置
下面我们验证了
结合实际数据
预测新生突变的效果
我们一共验证了
7个实际外显子测序数据
涉及了自闭症
癫痫性脑病 智力残疾疾病
那么以自闭症为例
我们一共输入的数据是214个
通过测量 对比父母数据
得到的新生突变
然后我们利用OMIM数据库中
收集到的34个导致自闭症的
致病基因作为种子基因
然后我们预测的效果
大概是这样的
这个红色的正好是文章报道的
我们可以将文章报道的
这两个致病的正好排在
第一名和第二名
然后对于这个前20名的
这个侯选nsSNP中
一共有17个是HGMD报道的
导致自闭症的这个nsSNP
下面我们也给了一个
7个这个案例的总结
那么第一个正好就是
刚才的那个案例
那么比如说以第二个案例来说
第二个这个案例
我们一共有154个侯选这个nsSNP
其中报道了有41个
可能是会导致那个自闭症的
我们可以在
我们可以找到了
在前10名中我们可以找到8个
这个致病的变异
然后在前20名中我们可以找到
14个致病变异
然后当q取为0.01的时候
然后我们在一共有26个
被预测出来可能是导致自闭症的
其中有17个是被验证的
然后大概是这样的
然后我们可以看到就是
大部分的数据
预测效果还是比较好的
除了这个数据相对来说
预测效果差一些
是因为这个数据最后给出来的
也不是就是一定是致病的
而是它是说有可能
而且反正这一维数据
而且再加上它的这个
侯选集的个数也比较大
所以说效果会相对差一些
最后结论是这样的
SPRING算法在不要求
患者测序样本数量的前提下
可以准确的预测nsSNP
和指定疾病的潜在关联
可以直接有效的预测
不同遗传方式的疾病
和不同类型疾病的致病变异
可以准确的预测常见 罕见
和致病新生突变
SPRING算法可以直接应用于
各类SNP芯片 全外显子组测序
和全基因组测序结果的
致病变异识别
为理解疾病的致病机理
病情诊断和个性化医疗提供帮助
SPRING算法发表以后
南京医科大学附属医院的
Jing Yang等人
对来自一个患有
左心肌致密化不全的
家庭的父母和儿女
进行全外显子组测序
并利用SPRING算法找到了
发生在MYH7基因上的
一个新的致病变异
然后本文章发表在了Plos Genetics上
最后我为大家介绍
我的第三个工作
就是建立集合全基因组单核苷酸
变异功能性分数的数据库
引言就是
随着全基因组测序技术的
快速发展
人们现在可以快速
较为廉价的检测
全基因组上的变异情况
全基因组测序技术
逐渐成为受欢迎的
研究人类致病变异的方法
越来越多的研究显示
影响人类疾病的变异
不仅仅只落在于编码区
而且也大量存在于非编码区
所以现在迫在眉睫的需要一个
收集全基因组功能变异
功能影响分数的数据库
那么我们这个数据库叫作
dbWGFP
它收集了全基因组85.8亿个
有可能的变异
每一个变异收集了97维信息
其中包括5维基本信息
32维功能性评分
16个保守性分数
以及44个从ENCODE计划中
提取的注释
我们建立了数据库平台
进行下载和搜索
同时提供下载一个
有38维重要分数的
精简版的dbWGFP数据库
我们这个收集这个单核苷酸变异
主要来自于dbSNP
千人基因组计划
和CADD数据库
然后随后我们就对
这种功能性分数进行了分析
首先我们看它的
预测结果的相似性
那么我们通过分析之后
我们会发现
它的结果的相似性
其实并不是很一致
然后所以这样的话
我们下一步就预测了
各维功能性分数的预测性能
我们分别是按着编码区
然后剪切位点和调控区
进行分别预测
然后我们这些
致病数据和正常的数据
对应的数据都是来自于HGMD
和这个1000 Genome Project上面的
然后我们检验了
所有的这些算法的预测结果
我们可以看到
就是对于这个编码区的SNV
这个RadialSVM和LR的算法最好
效果最好
它们之所以最好是因为
它们是所有上面这些
这个算法的这个分数的总和
就所以它们综合考虑了
上面所有的这些分数
所以它们给出来一个总和的分数
这样预测效果最好
然后对于这个剪切位点
SinBAD的效果最好
对于调控区域
这个GWAVA的效果最好
这两种方法之所以效果比较好
是因为它们分别
比如像SinBAD分别对
这个剪切位点的
这个SNV单独进行了建模
这个GWAVA是专门利用
调控区域的特征
然后专门对这个调控区域的
SNV进行了预测
所以他们就是属于专门的软件
所以预测效果是比较好的
所以在使用
不同功能性分数的时候
会存在以下问题
那么第一个问题就是数据缺失
对于数据缺失问题来说
我们可以有以下办法来进行解决
首先我们可以忽略
带有缺失数据的样本
或者我们可以采用一些
可以处理缺失数据的方法
第三个就是我们可以
利用一些方法来估计
这个缺失的取值
这样的话然后将其作为这个
不缺失的数据进行处理
然后除此之外的问题
还有一个重要的问题
就是功能性分数它的结果
会产生冲突
在这种方法来说
最合理的方法是全面考虑
所有的功能性分数
然后利用投票的方式
或者我们就是考虑
这种各个分数的这种预测性能
然后来判断
从而来判断
SNV是否这个影响功能的
最后结论是这样的
dbWGFP是第一个收集了
全基因组所有可能的单核苷酸
变异功能性分数的数据库
它具有广泛的应用范围
可以应用在SNP芯片
全外显子组测序
或全基因组测序的结果处理
为研究人类全基因组遗传变异
提供有价值的参考资源
该文章发表在Database上
最后我的结论和创新是这样的
首先一
针对已有方法只能预测nsSNP
对蛋白质的功能影响
而无法预测nsSNP具体导致
哪种疾病
本人利用多种nsSNP相似性网络
和疾病表型相似性网络
设计的算法可以准确的捕捉
遗传基础部分已知和完全未知的
疾病的潜在致病nsSNP
二 本人设计了一个
统计算法SPRING
可准确地识别不同类型疾病
全外显子组测序数据中的
常见致病变异 罕见致病变异
和致病新生突变
为理解疾病的致病机理
病情诊断和个性化医疗
提供了帮助
三 本人提供了第一个
方便查询和下载使用的
包含全基因组单核苷酸变异
及其功能影响分数的数据库
为研究人类全基因组遗传变异
提供了有价值的参考资源
然后这个是我发表的文献汇总
然后最后是
感谢导师李衍达院士
感谢江瑞副教授
和陈挺教授的帮助
然后感谢我在
就是留学期间
刘晓乐教授的帮助
感谢吴蒙蒙同学
然后感谢
实验室所有的老师和同学
谢谢老师
-个人答辩陈述
--个人答辩陈述
-问题及答辩结果
--问题及答辩结果
-个人答辩陈述
--Video
-问题及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩及陈述
-问题及答辩结果
--问题及答辩结果
-个人答辩及陈述
--个人答辩及陈述
-问答及答辩结果
--问答及答辩结果
-个人答辩及陈述
--个人答辩陈述
-问题及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩陈述
-问题及答辩结果
--问答及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问题及答辩结果
-个人答辩陈述
--Video
-问答及答辩结果
--问题及答辩结果
-个人答辩陈述
--Video
-问答及答辩结果
--问答及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问答及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问答及答辩结果
-个人答辩陈述
--Video
-问题回答及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩陈述
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问答及答辩结果
-个人答辩陈述
--个人答辩陈述
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问答及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问题及答辩结果
-个人答辩陈述
--个人答辩陈述
-问答及答辩结果
--问答及答辩结果
-个人答辩陈述
--Video
-问答及答辩结果
--Video
-个人学术感言
--Video
-个人答辩陈述
--Video
-问答及答辩结果
--Video
-个人学术感言
--Video
-个人答辩陈述
--Video
-问答及答辩结果
--Video
-个人学术感言
--Video
-个人答辩陈述
--Video
-问答及答辩结果
--Video
-个人学术感言
--Video