Assessment of Cardiorespiratory Interactions during Apneic Events in Sleep via Fuzzy Kernel Measures of Information Dynamics

Apnea and other breathing-related disorders have been linked to the development of hypertension or impairments of the cardiovascular, cognitive or metabolic systems. The combined assessment of multiple physiological signals acquired during sleep is of fundamental importance for providing additional insights about breathing disorder events and the associated impairments. In this work, we apply information-theoretic measures to describe the joint dynamics of cardiorespiratory physiological processes in a large group of patients reporting repeated episodes of hypopneas, apneas (central, obstructive, mixed) and respiratory effort related arousals (RERAs). We analyze the heart period as the target process and the airflow amplitude as the driver, computing the predictive information, the information storage, the information transfer, the internal information and the cross information, using a fuzzy kernel entropy estimator. The analyses were performed comparing the information measures among segments during, immediately before and after the respiratory event and with control segments. Results highlight a general tendency to decrease of predictive information and information storage of heart period, as well as of cross information and information transfer from respiration to heart period, during the breathing disordered events. The information-theoretic measures also vary according to the breathing disorder, and significant changes of information transfer can be detected during RERAs, suggesting that the latter could represent a risk factor for developing cardiovascular diseases. These findings reflect the impact of different sleep breathing disorders on respiratory sinus arrhythmia, suggesting overall higher complexity of the cardiac dynamics and weaker cardiorespiratory interactions which may have physiological and clinical relevance.     

纳米尺度下毛细流动的分子动力学模拟

采用分子动力学模拟研究纳米尺度下壁面润湿性对毛细流动的影响,主要考虑纳米通道两侧壁面润湿性相同与不同两种情况。研究表明：两侧壁面润湿性相同条件下,毛细流动随着壁面润湿性增强而加快, 毛细高度随时间的变化早期偏离Lucas-Washburn理论,但后期与其预测符合。在纳米通道两侧壁面润湿性不同的情况下,液面会发生振荡,两侧壁面毛细高度也不相等,且液面振荡的幅度和两侧壁面毛细高度差都随着两侧壁面润湿性差异的增大而增大。基于能量转化分析,提出两侧壁面湿润性不同情况下纳米通道中毛细流动发生的条件以及毛细流动快慢的判别依据。研究结果加深了对纳米尺度下毛细流动机理的认识,并为相关工程应用提供理论参考。     

基于最新势能面的C(1D)+H2反应的环聚合分子动力学研究

本文利用环聚合分子动力学方法对C(¹D)+H₂反应开展了详细的理论研究. 计算中使用了最近构建的Zhang-Ma-Bian(ZMB)从头算势能面,该势能面对锥形交叉附近区域以及范德华区域均有精确的描述. 环聚合分子动力学计算得到的热反应速率常数与最新实验值吻合很好. 与前人计算结果比较,发现在?¹A′电子基态的ZMB-a势能面上获得的反应速率常数远大于前人构建的RKHS势能面上的结果,这是由于ZMB势能面上的范德华鞍具有与之前势能面上的范德华阱完全不同的动态学作用,表明环聚合分子动力学方法能够处理范德华作用引起的势能面拓扑结构所导致的动态学效应. 本文还揭示了b¹A′′电子激发态ZMB-b势能面以及量子效应对反应的重要性.     

GW/BSE级别下的非绝热动力学模拟揭示桥连化学键对调控酞菁锌-富勒烯给体-受体复合物激发态弛豫过程的重要作用

本文采用基于多体格林函数方法和Bethe-Salpeter方程(GW/BSE)的电子结构计算方法和非绝热动力学模拟研究了两种不同桥连化学键构型(5-6构型和6-6构型)的酞菁锌-富勒烯(ZnPc-C₆₀)给受体复合物的激发态性质及其弛豫过程. 对于6-6构型,ZnPc-C₆₀的最低激发态S₁态为光谱明态,即ZnPc的局域激发(LE)态,因此,6-6构型的ZnPc-C₆₀在光激发之后几乎不会发生电荷分离过程. 相比之下,5-6构型的ZnPc-C₆₀的S₁态是C₆₀的LE态,为光谱暗态,而作为光谱明态的ZnPc的LE态的能量更高. 而且,在ZnPc和C₆₀的LE态之间还存在若干电荷转移(CT)态. 因此,电荷转移会在从高能的ZnPc的LE态到低能的C₆₀的LE态的弛豫过程中发生. GW/BSE级别的非绝热动力学模拟结果进一步验证了电子结构计算的结论,并给出了相关过程的时间尺度：从ZnPc到C₆₀的超快激发态能量转移过程在前200 fs完成;随后发生的是由C₆₀到ZnPc的超快空穴转移过程. 本工作表明不同的桥连化学键模式(即5-6和6-6构型)可用于调节ZnPc-C₆₀给体-受体复合物的激发态性质及其光电性质. 与此同时,本工作证明了GW/BSE级别的非绝热动力学方法是探索非周期性给体-受体复合物、有机金属配合物、量子点、纳米团簇等复杂体系的光诱导动力学的可靠工具.     

基于全维高精度势能面对H+SO2→OH+SO反应的动力学研究

H+SO₂→OH+SO反应在燃烧、大气和星际化学中都扮演着重要角色. 它还是具有深势阱中间体形成的典型反应,是检验速率理论和提供有趣反应动力学现象的理想候选反应. 基于之前构建的全维高精度势能面,本文对该反应进行了准经典动力学研究. 在1400 K≤T≤2200 K的温度范围内,计算值重现了实验速率常数. 当反应物SO₂处于振-转基态,在31.0∽40.0 kcal/mol的碰撞能范围内,计算得到的积分反应截面随碰撞能增加;在40∽55 kcal/mol的碰撞能范围内,积分反应截面几乎不受碰撞能影响. 产物角度分布呈现对称的前后向双峰结构. 本文还分析了产物OH和SO的振动态分布.     

丝氨酸蛋白酶中催化三元组内氢键的作用

为了探究丝氨酸蛋白酶催化效率的来源,本文分别研究了丝氨酸酶催化水解多肽CI2、MCTI-A和六肽(SUB)的过程中催化三元组内的氢键所起的作用. 首先采用QM/MM-MD方法计算了在酶-底物复合物和过渡态下组氨酸和天冬氨酸之间质子转移的自由能曲线. 结果表明低能垒氢键仅在CI2酰化反应的过渡态区域形成,而在MCTI-A和SUB酰化反应中均是正常氢键. 与MCTI-A相比,CI2和SUB体系中氢键强度在过渡态时显著增强,因此相应的酰化反应能垒明显降低. 过渡态区域形成的低能垒氢键显然有助于加速酰化反应,同时研究也表明正常氢键也有可能降低能垒. 氢键降低能垒的关键则在于过渡态下氢键强度的增加程度,而不是其是否生成了低能垒氢键. 本文为研究催化三元组间的氢键在丝氨酸蛋白酶中的作用提供了新思路,并有助于理解丝氨酸蛋白酶中催化三元组的催化机制.     

长链脂肪酸影响胆红素-人血清蛋白复合物的激发态分化

胆红素与人血清白蛋白结合后会发生光异构和光诱导环化反应,其中后一反应将最终形成一种名为光红素的产物,这些光诱导化学反应是临床上治疗新生儿黄疸的基本原理. 据前人研究报道,长链脂肪酸的加入有利于光红素的生成,但其背后的机理,特别是其激发态动力学尚不明确. 本文利用飞秒瞬态吸收和飞秒荧光转换技术,探究了棕榈酸对胆红素在血清蛋白中的光化学反应的影响. 研究表明,随着棕榈酸的加入,光激发后的胆红素更倾向于通过4 ps的衰减通道返回热基态,而不是通过固有的超快激发态衰减途径(小于1 ps). 这一效应促进了热基态的胆红素发生由Z-Z到E-Z构型的异构化,从而提高了光红素的产率. 这是首次利用飞秒时间分辨光谱技术对长链脂肪酸在光疗过程中的作用进行表征,其结果可为相关临床研究提供有利的信息.     

基于接触数引导的迭代多组独立分子动力学模拟实现配体-蛋白质结合与解离过程

配体的结合与解离过程在蛋白质实现其生物学功能方面非常关键,因此对这些高度动态过程的研究变得非常重要. 尽管已有实验方法可以确定蛋白质-配体复合物的三维结构,但一般仅可获得静态图片. 随着计算机算力的快速提高以及算法的优化,分子动力学模拟在探索配体的结合与解离过程方面具有诸多优势. 然而,当系统变得足够大时,分子动力学模拟的时间和空间尺度成为了巨大的挑战. 本工作提出了一种研究配体-蛋白质结合与解离的增强采样工具,它基于配体和蛋白质之间形成的接触数来引导迭代多组独立分子动力学模拟. 在腺苷酸激酶的模拟结果中,观测到配体的结合和解离过程,而使用传统分子动力学模拟在同一时间尺度下则无法实现这一过程.     

气体-表面相互作用中动量和能量分量间转化机制的分子动力学研究

气体分子与壁面之间的相互作用是影响稀薄气体流动状态的主要因素,但是由于其物理上的复杂性和微观性,这一过程的机理并没有得到充分揭示.本文利用分子束法对Ar分子在金属Pt表面的碰撞过程进行了分子动力学模拟,并探究了入射速度、角度和壁面粗糙度对动量、能量转化机制的影响.结果表明,当气体分子以5o的极角入射时,分子的法向速度分量占主导因素,在与壁面发生碰撞之后,分子的切向和法向动量都会损失,法向动能会向切向转移,并且当分子速度不低于2.0时,切向和法向动能的比值会稳定在一个很小的区间,而粗糙度对动量和能量转化的影响不明显.与小角度入射时不同,当气体分子以75o的极角与金属表面碰撞时,粗糙度的影响就不能再被忽略了.大极角入射的气体分子在光滑壁面散射之后,其运动规律基本符合Maxwell所假设的镜面反射,动量和能量分量的变化都不明显.而粗糙度的引入则会促进气体分子切向动量和能量向法向转移,并且会使分子总能量的损失更加显著.     

Why Do Big Data and Machine Learning Entail the Fractional Dynamics?

Fractional-order calculus is about the differentiation and integration of non-integer orders. Fractional calculus (FC) is based on fractional-order thinking (FOT) and has been shown to help us to understand complex systems better, improve the processing of complex signals, enhance the control of complex systems, increase the performance of optimization, and even extend the enabling of the potential for creativity. In this article, the authors discuss the fractional dynamics, FOT and rich fractional stochastic models. First, the use of fractional dynamics in big data analytics for quantifying big data variability stemming from the generation of complex systems is justified. Second, we show why fractional dynamics is needed in machine learning and optimal randomness when asking: “is there a more optimal way to optimize?”. Third, an optimal randomness case study for a stochastic configuration network (SCN) machine-learning method with heavy-tailed distributions is discussed. Finally, views on big data and (physics-informed) machine learning with fractional dynamics for future research are presented with concluding remarks.