基于天然产物的铂类和芳基金属抗癌药物研究进展

临床使用的现代药物超过50%都来自于天然产物,它们不仅能够通过阻止细胞周期进程、抑制癌细胞存活信号通路以及调节免疫细胞等多种生物途径来阻止肿瘤生长及其进程,而且对正常组织表现出较低的毒性。虽然以顺铂为代表的金属抗肿瘤药物广泛用于临床,但是它们存在严重的耐药性和毒副作用,包括肾毒性、神经毒性等。因此,利用天然产物中的优势来改造铂类配合物,有望开发出新型铂类抗癌药物以克服铂药的缺陷。另一方面,芳基金属配合物因其良好的水溶性和对正常组织的低毒性受到了广泛关注,将天然产物与芳基金属配合物相结合,也为开发高效低毒的新型抗癌药物提供了更多可能。结合天然产物和金属各自优势开发基于天然产物的金属配合物作为抗癌剂已成为研究热点,开辟了抗癌的新途径。本文对已经报道的有关天然产物的铂类和芳基金属配合物的研究及作用机理进行了较为全面的综述,并对该领域的未来发展进行了展望。     

基于等应变梁的光纤光栅静电电压传感器EI北大核心CSCD

为了实现静电电压表的精确测量,提出了一种基于等应变梁和光纤布拉格光栅（FBG）的静电电压传感器。在一定温度范围内,由双FBG的结构方案实现了传感器的温度自补偿,通过对等应变梁的仿真分析和传感器系统的电场仿真,优化设计和制备了传感器结构系统。利用一对平板电极产生匀强电场,在静电力作用下等应变梁上的导体半球受力致使等应变梁发生变形,使得两个FBG反射光谱的中心波长产生偏移,通过FBG的波长差实现了电压的测量。实验结果表明：该传感器可实现5~24 k V直流（DC）高压和交流（AC）高压有效值的测量,5~12 k V的计算精度为2.1%,12~24 k V的计算精度为0.89%,传感曲线的拟合度为0.99985,基本满足高电压测量系统的稳定可靠、精度高、抗干扰能力强等要求。     

多原子反应体系的高精度拟合势能面

本文介绍了近几年来我们组构建多原子反应体系的高精度拟合势能面的进展。我们基于神经网络(NN)方法,成功构建了多原子气相分子体系和气相分子在金属表面解离的一系列势能面。这些势能面的拟合精度相当高,并且经过了严格的量子动力学测试,能广泛应用到动力学研究中。我们还提出了一种新的置换不变势能面的拟合方法,即基本不变量神经网络方法(FI-NN)。基本不变量的使用极大地减少了神经网络输入层多项式的个数,有效提高了势能面的计算速度。     

储能电容方式驱动强流脉冲加速器重频运行

 对储能电容方式驱动强流脉冲加速器初级能源回路重频运行进行研究,阐明其工作原理,给出了储能电容电压的适用范围,得到了储能电容的初始电压、原边电容的反向电压、储能电容对原边电容开始充电和能量回收回路启动之间的延时这三者之间的解析关系式。对实际应用的储能电容方式驱动强流脉冲加速器初级能源回路进行了模拟研究,制定了256×256的数据表格,供控制程序查表之用,根据数据表格,实现了储能电容方式驱动强流脉冲加速器稳定的重频运行。     

用神经网络方法拟合的反应体系H＋CH4←→H2＋CH3的一个全域势能面

利用神经网络力法,基于47783个高精度从头算能量点构建了反应体系H＋CH4←→H2＋CH3的一个全域势能面．通过大最的准经典轨线以及量子散射计算测试了势能面的收敛性质．这个势能面对于拟合过程以及从头算点的数目都已经完全收敛,拟合误差很小县比Shepard插值的势能面计算速度更快,代表了此标志性多原子反应体系最好的势能面．     

基于投影融合的多层球壳双能CT算法研究

对高密度差多层球壳结构件进行双能CT检测，需要研究同时基于高低能射线两套投影数据的图像重建方法。先分别重建再进行图像融合的方法，不能充分利用两种能量射线投影的互补信息，重建图像质量不高。针对高密度差多层球壳结构特征，通过设计限定投影扫描方式获取区域分布明确的高、低能射线投影正弦图，基于正弦图区域分割重组和交集数据等值化一致性处理实现双能投影数据融合，在此基础上完成图像重建。根据以上设计归纳出基于投影融合的多层球壳双能CT重建算法，仿真结果表明算法可行，且重建结果明显好于基于图像融合的方法。     

无网格法驱动径向基函数前置卷积神经网络

卷积神经网络通过卷积核的移动加权提取样本点的局部特征，而无网格法基于节点信息构造具有核近似特点的形函数进行离散建模，两者的内在相似性为采用卷积神经网络加速无网格计算过程提供了有利条件．但是基于传统卷积神经网络的改进无网格法包含较为繁琐耗时的非线性参数求解．为了克服这一问题，本文充分利用无网格法能够灵活构建数据样本的优点，提出了一种径向基函数前置卷积神经网络模型．该网络通过径向基函数的前置，提前激活输入数据，实现了非线性变换和数据特征维度跃升，随后再将数据传入传统卷积层得到输出．由于所提网络模型具备线性求解的特点，能够有效提升预测精度与计算效率．在数值算例中，通过对比无网格法直接计算结果、传统卷积神经网络和所提的径向基函数前置卷积神经网络预测结果，系统验证了所提网络模型的有效性．