葡京娱乐场-富盈娱乐场开户

小分子代謝物和蛋白的相互作用在各種生物學過程中都發揮著至關重要的作用，發展 化學蛋白質組學技術 系統分析蛋白-代謝物相互作用網絡可以促進對其生物學意義的理解。衣康酸是近年來在巨噬細胞中發現的一類具有顯著抗炎活性的代謝小分子 ,   但其抗炎機制尚不明確 。由于衣康酸具有一個α,β不飽和羧酸的結構，理論上它可以通過邁克爾加成反應共價修飾到蛋白質的半胱氨酸殘基上。 此前，兩個課題組 合作發現，用于非天然糖代謝標記的全乙酰 化疊氮糖 探針，在細胞中可以通過 無酶催化形式標記蛋白質組中大量的半胱氨酸位點 (Qin W., et al. Angew. Chem. Int. Ed. 2018.) 。 基于該反應，兩個課題組在本工作中合作 開發了 新一代 特異性 半胱氨酸標記 糖 探針1-OH-Az ，并結合定量化學蛋白質組學技 術， 成功 地在 巨噬細胞蛋白質組中 鑒定到 260個衣康酸修飾的半胱氨酸位點 。作者進一步分析 發現糖酵解中的三個關鍵酶ALODA，GAPDH和LDHA 都 可以被衣康 酸修飾，其中 最 上游的ALDOA 蛋白中兩個半胱氨酸（ Cys73和Cys339 ） 上 在被脂多糖刺激的巨噬細胞中發生了 內源的衣康酸修飾。 生化 和細胞 實驗表明 衣康酸可以 通過修飾這兩個半胱氨酸殘基 顯著地抑制ALDOA的催化活性， 進而 抑制巨噬細胞 內 的糖酵解通路， 從而 發揮抗炎活性。

近日，我實驗室邱讓建副教授在《Agricultural and Forest Meteorology》（農林科學I區top期刊，2020年影響因子4.651）上發表題為“An improved method to estimate actual vapor pressure without relative humidity data”的研究論文，該論文第一作者是我校邱讓建副教授，碩士研究生李隆安為第二作者，合作作者為中國農業大學康紹忠院士等。這是邱讓建副教授近期在該期刊發表的第二篇文章。 實際水汽壓是評估大氣中水汽含量的一個間接指標，是氣象、水文、農業等相關學科中經常使用的重要參數，可反映地表與大氣間的水分傳遞，以及局部到區域尺度的水平衡。雖然大多數國家對最高和最低氣溫的有較高的觀測精度，但相對濕度或和露點溫度數據通常不易獲得，或無法獲取長期高質量的觀測數據，造成較難計算實際水汽壓。因此無相對濕度數據條件下估算實際水汽壓成為氣象、水文、農業等相關學科的研究熱點。 當缺乏相對濕度數據時，前人主要采用最低溫度替代露點溫度或基于最低氣溫靜態修正最低溫度以估算實際水汽壓。該文通過評估886個氣象站點的數據發現上述兩種方法在干旱區大大高估了實際水汽壓。而基于最低氣溫修正露點溫度的修正因子與干旱指數間存在極顯著的對數函數關系。基于該關系可動態修正露點溫度，進而準確估算不同氣候區的實際水汽壓。提出的動態校正露點溫度的方法較文獻中的不修正或靜態修正露點溫度的方法在所有氣候區均大幅提高了估算精度。該方法適用于日尺度以上的實際水汽壓的估算。

利用硅基單分子器件研究了分子馬達水解的動力學過程，發現了無標記的電學檢測方法觀察到的分子馬達的轉動速度要比熒光標記的方法快一個數量級（ACS Nano 2018, 11, 12789）以苯環為骨架、芴基為核心的共軛分子，并在末端修飾上氨基，通過穩定的酰胺鍵將帶有羰基官能團的功能分子連接在石墨烯電極之間，通過使用自主搭建的高速電學測試平臺對化學反應進行了實時監測。大的共軛結構以及酰胺共價鍵的強耦合保證了分子具有良好的導電性；在化學反應進行的過程中，分子結構的變化將導致分子軌道發生改變，從而影響導電通道，影響器件的電導特性。

研制了國際首例穩定可逆的單分子光開關器件（ Science ,  2016 ,  352 , 1443;  J. Phys. Chem. Lett. ,  2017 ,  8 , 2849）；觀察到了低溫下聯苯基團由于σ單鍵的旋轉產生的精細立體電子效應（ Nano Lett. ,  2017 ,  17 , 856）；研究了分子間主客體相互作用的動力學過程（ Sci. Adv .,  2016 ,  2 , e1601113），揭示了羰基和羥胺反應形成酮肟的分子機制（ Sci. Adv. ,  2018 ,  4 , eaar2177），證實了利用單分子電學檢測方法研究單分子反應動力學的可行性，為實現單分子化學反應的可視化研究邁出了重要的一步。他們利用硅基單分子器件實現了具有單堿基對分辨率的DNA雜交/脫雜交動力學過程的研究（ Angew. Chem. Int. Ed. ,  2016 ,  55 , 9036）；在單分子水平上揭示了分子馬達水解的動力學過程（ ACS Nano , 2018 ,  11 , 12789），展現了單分子器件在單分子生物物理研究方面的可靠性。

本發明涉及一種輸電線路雷擊點故障定位方法，尤其是涉及一種基于 OPGW 光偏振態的輸電線路 雷擊點定位新方法。本發明通過進行雷擊 OPGW 試驗，采用迭代奇異值分解（SVD）算法結合廣義數 學形態學、小波分析等方法提取雷擊點處 OPGW 內部傳輸光的偏振態突變信息傳到偏振解調設備中的 時刻來進行故障點精確定位。本發明將法拉第效應用于輸電線路故障測距中，避免了傳統故障測距方法 中定位精度受過渡電阻、線路參數、系統運行方式、行波傳輸色散及行波波速等因素干擾的影響，具有 極高的定位精度。定位時只需在線路兩端進行監測，降低了投入成本。

微衛星不穩定性（Microsatellite Instability, 簡稱MSI）是目前腫瘤臨床檢測中一種非常重要的分子表型，多發生于結直腸癌、胃癌、和子宮內膜癌。微衛星不穩定性與腫瘤的發生、發展，治療方案制定及治療效果預測相關，更是腫瘤免疫治療療效預測的重要分子標記物。當前，臨床上使用的兩種微衛星不穩定性檢測的金標準方法：MSI-PCR和MSI-IHC，都需要專業技術人員通過實驗操作來完成，均費時費力且成本較高。近年來，隨著高通量測序（Next Generation Sequencing）的發展，基于高通量測序的微衛星不穩定性檢測方法開始顯露頭角，在檢測結果與兩種臨床金標準保持高度一致的情況下，極大的縮減了檢測時間并減少了檢測成本，大幅提高了推廣微衛星不穩定性檢測的可行性。2014年，西安交大葉凱教授團隊率先開發了基于高通量測序的微衛星不穩定性檢測方案——MSIsensor。2017年該檢測方案作為全世界首個泛腫瘤檢測方案MSK-IMPACT中的微衛星不穩定性計算方法，通過了美國食品藥品監督管理局的嚴格測試并獲得批準。美國紀念斯隆凱特琳癌癥中心測試表明，基于高通量測序的微衛星不穩定性檢測與金標準的一致性可達99.4%。然而，微衛星不穩定性檢測方案大都要求提供病人的癌癥組織樣本及一份取自血液或者癌癥組織附近的正常樣本。一方面，這一份正常對照樣本限制了微衛星不穩定性的應用場景，尤其難以應用于血癌樣本、福爾馬林包埋樣本、PDX/PDO等不易獲得正常對照樣本的情況；另一方面，額外的對照樣本增加了微衛星不穩定性的檢測成本。基于上述原因，在葉凱指導下，葉凱青年科學家工作室科研人員經過兩年的探索，從微衛星不穩定性發生機理出發，通過數學模型抽象，從單個腫瘤樣本中提取特征，開發了MSIsensor-pro。MSIsensor-pro實現不依賴正常對照樣本的微衛星不穩定性檢測，只需50個微衛星位點的測序數據即可實現微衛星不穩定性的精準檢測。MSIsensor-pro的開發擴大了微衛星不穩定性的應用范圍，減低了微衛星不穩定性檢測的成本。同時MSIsensor-pro在低腫瘤純度和低測序深度這類低信噪比數據中也顯示出來很大的潛力。 該研究成果近期發表在國際組學和生物信息學領域權威期刊《基因組蛋白質組與生物信息學報》（影響因子6.597）上。葉凱的博士生賈鵬為該論文的第一作者，葉凱為通訊作者，西安交通大學為本文唯一通訊作者單位。這是葉凱教授課題組在基因組暗物質解析方面的又一重要突破。論文鏈接為：https://www.sciencedirect.com/science/article/pii/S1672022920300218

導讀東北電力大學和長春理工大學研究團隊開發并實現一種結合腦電圖源成像(ESI)技術和卷積神經網絡(CNN)的新方法，以對運動想象(MI)任務進行分類。ESI技術采用邊界元法(BEM)和加權最小范數估計(WMNE)分別解決EEG的正向和逆向問題。然后在運動皮層中創建十個scout來選擇感興趣的區域(ROI)。研究者使用Morlet小波方法從scout的時間序列中提取特征。最后，使用CNN對MI任務進行分類。實驗結果:在Physionet數據庫上的整體平均準確率達到94.5%，分別對左拳頭、右拳頭、雙拳和雙腳的單個準確率達到95.3%、93.3%、93.6%、96%，采用十倍交叉驗證進行驗證。研究人員表示，他們的研究成果與最先進的MI分類方法的結果相比，總體分類增加了14.4%。研究者為驗證方法的有效性，加入了4個新的受試者進行驗證，發現總體平均準確率為92.5%。此外，全局分類器適應單一對象，整體平均準確率提高到94.54%。研究者表示，他們提出的結合scout ESI和CNN的方法，提高了腦電解碼四類MI任務的BCI性能。系統框架圖1 系統框架圖系統框架如圖1所示。原始數據來自國際10-10系統的64個電極(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10電極)，并以每秒160個樣本的速度采集。根據國際10-10系統從64個通道采集原始腦電圖，并使用BCI2000系統進行記錄。記錄的數據被分為四個獨立MI任務包括左拳MI,右拳MI,雙拳MI和雙腳MI。首先，由于ERD在執行運動想象時在alpha和beta中不同，因此使用FIR濾波器對EEG進行了8 Hz至30 Hz的帶通濾波。然后，通過計算包含正問題和逆問題的源，將傳感器空間的活動轉化為源空間的活動。接下來，創建scout并提取特征。研究者在運動皮層中創建了10個scout，因為我們只關心與運動相關的活動。十個scout中的每一個都代表了可用源空間中的一個感興趣的區域(ROI)，并且是定義在皮層表面或頭部體積上的偶極子的子集。左腦的scout稱為L1、L2、L3、L4、L5，右腦的scout稱為R1、R2、R3、R4、R5。利用JTFA從10個scout的源時間序列中提取特征。最后，利用CNN對時頻圖進行分離并進行分類。實驗在實驗中，研究人員僅使用了隨機選擇的十個受試者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。這里用于分析的數據集包含每個受試者84次試驗，每一類包含21次試驗。在記錄64通道腦電圖時，受試者執行了不同的運動想象任務。每個受試者針對以下四個任務中的每一個執行了3輪21試驗：當目標出現在屏幕左側時，受試者想象打開和合上相應的拳頭，直到目標消失。然后受試者放松。當目標出現在屏幕的右側時，受試者想象打開和合上相應的拳頭，直到目標消失。然后受試者放松。當目標出現在屏幕頂部時，受試者想象打開和合上雙手的拳頭，直到目標消失。然后受試者放松。當目標出現在屏幕底部時，目標會想象雙腳張開和合攏，直到目標消失。然后受試者放松。為了統一數據維數，研究者選擇了4s的數據，因為每次想象任務的執行時間都在4s左右。此外，腦電圖任務是分開的，研究人員在實驗中將左拳，右拳，雙拳和雙腳MI任務分別稱為T1，T2，T3和T4。圖2 scout命名左右運動想象的scout分別命名為L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如圖2所示。10個scout每一個都被擴展到40個頂點，每個頂點只有一個源。L1區域對應40個信號，其他scout也一樣。在計算了來源后，研究者在運動皮層中創建了十個scout，如圖3所示。圖3 創建10個scout使用ESI計算十個受試者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次試驗的四個任務(T1、T2、T3、T4)的源。對于這四項任務中的每一項，每個受試者每次都要進行7次測試(#1，#2，#3，#4，#5，#6，#7)。展示了第一個步的10個被試的10個scout的4項任務的來源。然后提取10個scout的時間序列進行進一步分析。特征提取在計算源之后，研究人員在運動皮層中創建了包含40個源的10個scout，并提取了scout的時間序列。如圖4所示為提取R5 scout時間序列作為示例。圖的右邊顯示了R5 scout的時間序列。本文利用小波變換從scout時間序列中提取特征。圖4 提取R5 scout時間序列作為示例在這項研究中，研究者提出利用CNN來解決運動想象任務分類的問題。該模型基于Schirrmeister等提出的Deep ConvNet架構，該網絡模型由一個六層卷積網絡組成，其中兩個最大池層和三個全連接層，如圖5所示。圖5對于Physionet數據庫，研究者首先采用Deep ConvNet架構，包括四個卷積層、四個最大池層和一個全連接層。在實驗中，研究者依據經驗使用兩個最大池化層。并嘗試了不同數量的卷積層和完全連接層。時頻圖利用Morlet小波方法得到了scout的特征。對于每個任務，R5 scout的時頻圖如圖6所示。包含時間和頻率互補的時頻分析方法提供了時域和頻域的聯合分布信息，清晰地描述了信號頻率與時間的關系。圖6 R5 scout的時頻圖顯然，只有部分時頻映射是紅色的，表明每個任務只對特定的頻率和時間敏感。由于圖的數量比較大，研究者使用CNN來選擇和學習這些圖中最基本的特征。研究人員隨機選擇了幾個樣本，并將一些特征圖可視化，作為MI任務的學習表示，如圖7所示。圖7為了獲得有效的結果，將數據集分為90％作為訓練集，其余10％作為測試集。首先，將十個受試者的數據集（總共19320個樣本）分為17388個樣本以訓練所提出的CNN模型，以及1932個樣本以驗證模型的有效性。在實驗中，研究者還選擇了另外四個受試者的數據集以增加數據集的規模(27048個樣本)，其中24343個樣本是訓練集，其他樣本是測試集。在選定的scout上對所提出的CNN架構進行了十次訓練和測試，以驗證所提出模型的魯棒性。圖8(a)顯示了10個scout中每個的全局平均精度。圖8 統計結果R5的全局平均精度最高，達到94.5%，而L2的全局平均精度最低，為91.3%。對應L1、L3、L4、L5、R1、R2、R3、R4的整體準確率分別為92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的總體精度均在91%以上，標準差均在0.20%以下。圖8(b)顯示了十個scout中每個scout四個MI任務的組級統計結果及其標準差。一般來說，R5表現的要比其他的好，而L2在迭代2000中表現最差。標準差較小，說明這些精度更接近平均值且穩定。圖9 統計結果圖9(a)顯示了帶有標準差的混淆矩陣，說明了group level分類結果。T1、T2、T3和T4的全局平均精度峰值分別為95.3%、93.3%、93.6%和96.0%。R5 scout的四個MI任務中的每一個都如圖9(b)所示。通過改變訓練集和測試集順序的10次試驗，確定了scoutR5的性能，結果如圖10(a)和(b)所示。在10次試驗中，scout R5的T1、T2、T3、T4的平均準確率分別為93.3%、93.8%、94.2%、94.1%。換句話說，四個任務中每一個的平均準確率都超過了93%。全局平均準確率為93.7%。10次試驗結果表明，該方法對scout R5的分類效果較好。從以上結果可以清楚地看出，R5 scout在四種MI任務的分類中扮演著最重要的角色。因此，選擇R5對四個MI任務進行分類。圖 10圖11. (a)是不同模型的全局平均準確性的比較。可以發現，該研究提出的模型可以達到最大的精度。從圖11. (b)不同模型的ROC曲線可以看出提出的模型比其他模型表現更好。?不同模型T1上的精度比較。(d)不同模型T2的精度比較。(e)不同模型T3的精度比較。(f)不同型號T4的精度比較。圖11 不同模型的精度比較結論東北電力大學和長春理工大學研究團隊開發并實現一種結合腦電圖源成像(ESI)技術和卷積神經網絡(CNN)的新方法。該方法可以對運動想象(MI)任務進行分類。實驗結果表明，他們的研究成果與最先進的MI分類方法的結果相比，總體分類增加了14.4%。研究者加入了4個新的受試者進行驗證來驗證方法的有效性。研究者表示，他們提出的結合scout ESI和CNN的方法，提高了腦電解碼四類MI任務的BCI性能。論文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN