分子刚度对膜锚定受体-配体结合动力学影响的理论与模拟研究

人体内大部分生物学过程都离不开细胞黏附.细胞黏附行为主要由锚定于细胞膜上的特异性分子（又称受体和配体）的结合动力学关系来决定.已有研究表明，特异性分子的结合关系受外力及细胞膜波动等多种因素影响.然而，特异性分子刚度对细胞膜锚定受体 配体结合关系的影响机制仍不清楚.近期关于新冠病毒强传染力的研究表明，特异性黏附分子刚度对病毒与细胞结合具有重要影响.该文通过建立生物膜黏附的粗粒度模型，借助分子模拟和理论分析来研究分子刚度在黏附中的作用.结果表明，始终存在一个最佳膜间距及最佳分子刚度值，使得黏附分子亲和力和结合动力学参数达到最大值.这项研究不仅能加深人们对细胞黏附的认知，还有助于指导药物设计、疫苗研发等.     

基于卷积神经网络的HL-2A装置H模辨识研究

基于HL-2A装置的放电实验数据，利用卷积神经网络和时间窗口算法开发了高约束(H)模时段的识别算法，得到了可靠的高成功率的高约束模时段识别结果。算法中，选取206次放电实验数据中等离子体储能及氘α通道信号作为双通道原始数据进行学习，得到一个深度为21层的二分类卷积神经网络。该网络模型经过其他474次放电数据的测试集检验，高约束模识别的正确率达到了98.17%。     

基于SPH/FEM方法的浅水冲击喷溅及其抑制结构研究

物体浅水冲击会造成结构响应和自由液面的剧烈喷溅,以往的研究多集中在物体受水的冲击响应方面,而对浅水层受物体冲击引起的剧烈喷溅问题及其喷溅抑制结构的相关研究很少。本文基于SPH/FEM耦合方法对浅水冲击的液体喷溅特性开展研究。首先,计算了刚性长方体结构的冲击喷溅,与文献中准二维溅水试验结果进行了比较,将浅水喷溅分为初始喷溅、二次喷溅和底部射流三部分。分别研究了各部分喷溅的形成机理,指出二次喷溅由结构对水层的挤压和底部射流的能量传递共同引起,并分析了水深对二次喷溅的影响规律。其次,对喷溅抑制结构的机理做了数值研究,发现拱形翻边构型可以抑制初始喷溅,但不能有效降低二次喷溅。最后,提出了一种带凹槽和阻水边条的新型翻边构型,对二次喷溅具有更好的抑制效果。     

小鼠小梁细胞与肌成纤维细胞的同步辐射红外显微光谱

原发性开角型青光眼是常见的致盲性眼部疾病。眼压升高是原发性开角型青光眼发生和发展最主要的危险因素，是由小梁网途径的房水外流排出系统发生病变、房水流出阻力增加所致。研究表明，房水中存在的转化生长因子-β能够使小梁细胞纤维化，诱导小梁细胞过度增殖，从而阻碍房水外流，导致原发性开角型青光眼的发生。原发性开角型青光眼发病隐蔽，病程进展缓慢，早期没有任何症状，往往到晚期视力视野有显著损害时，才会被发现，因此原发性开角型青光眼的早期诊断尤为重要。同步辐射红外显微成像结合高亮度、高分辨率的同步辐射源，同时配备傅里叶变换红外光谱仪与红外显微镜，可以实现细胞的检测。这对从分子层面获取细胞的变化信息，深入理解疾病的发病机制以及疾病的早期诊断具有非常重要的意义。虽然有很多红外光谱在生物医学领域的研究报道，但是应用红外光谱显微成像技术研究细胞等生物医学体系仍然是亟待发展的领域，并且目前未找到关于红外光谱用于小梁网细胞的检测报道。在体外用转化生长因子-β对老鼠小梁网细胞进行诱导，使其转化为肌成纤维细胞，模拟小梁细胞纤维化过程。对小梁网细胞以及经转化生长因子-β诱导形成的肌成纤维细胞进行同步辐射红外显微成像及光谱分析，并进一步探讨同步辐射用于早期诊断原发性开角型青光眼的可行性。研究表明肌成纤维细胞内的弹性蛋白明显高于小梁网细胞，而弹性蛋白中95%为非极性氨基酸，即氨基酸的侧链基团R基只有C和H两种元素。对比两种细胞的红外谱图，发现在2 934，2 900和2 845 cm-1，肌成纤维细胞的 CH₃，CH₂和CH的伸缩振动明显强于小梁网细胞，推测可能是由于转化生长因子-β诱导后细胞内弹性蛋白增加所致。在细胞层面检测了小梁网细胞的过度增殖，为将来可以直接获取细胞的红外光谱从而检测小梁网细胞的增殖程度，进而检测原发性开角型青光眼等疾病奠定了基础。得出同步辐射红外谱学与显微成像有望成为检测原发性开角型青光眼新手段的结论，也为将来便携式红外显微光谱仪临床实时检测青光眼等疾病提供了依据。     

基于毛竹叶片理化参数的刚竹毒蛾危害检测研究

虫害检测算法研究是开展虫害快速、准确监测，制定精准森防检疫措施的重要基础。以毛竹叶片为研究尺度，基于刚竹毒蛾危害下的寄主外部形态与内部生理现象总结，选择并实测叶损量LL、相对叶绿素含量RCC、相对含水量RWC、原始光谱的733.66~898.56 nm值(ρ_{733.66~898.56})、一阶微分光谱的562.95~585.25 nm值(ρ′_{562.95~585.25})与706.18~725.41 nm值(ρ′_{706.18~725.41})等理化参数，随机划分实验组(63组)和验证组(37组)并设计5次重复实验；分别运用Fisher判别分析、BP神经网络、随机森林等三种方法建立刚竹毒蛾危害等级的检测模型，从检测精度、Kappa系数及R2等指标对模型的检测效果予以分析和比较。结果显示，Fisher判别分析、BP神经网络、随机森林的检测精度分别为69.19%，65.41%，83.78%，Kappa系数分别为0.576 9，0.532 4和0.778 8，R2分别为0.722 2，0.582 6和0.870 9，总体而言，三种方法均具备刚竹毒蛾危害的检测能力，随机森林的检测效果最优，Fisher判别分析次之，再次为BP神经网络；从分等级来看，随机森林的检测精度亦优于Fisher判别分析与BP神经网络，但3种方法对中度危害等级的检测精度均有所不足。该成果可为刚竹毒蛾危害及其他病虫害检测算法的选择提供参考，并为进一步建立冠层、遥感影像像元等尺度的虫害检测模型奠定基础。     

一种间接从高光谱数据中提取黑土硒含量的新方法

我国东北黑土富含养分，随着土壤数字制图、精确农业和土壤资源调查等研究的深入，引入航空高光谱数据并提供科学的预测结果成为研究热点。硒元素相对于黑土土壤的主要成分属于微量元素，但其对作物的正常生长的作用与大量元素是同等重要的，亦是人体健康所必要的营养元素。针对硒含量反演，建立了一个基于主要成分的间接提取模型，该模型能够显著提升硒含量回归系数，降低实测值与预测值的误差。数据源自CASI-1500航空高光谱成像系统，光谱范围380~1 050 nm，空间分辨率1.5 m。在黑龙江建三江地区采集60个土壤样本，化验获得硒、有机质、全铁、pH和氧化钙含量数据，选择BP神经网络，建立光谱与含量的反演模型。分析不同含量的黑土成分在可见-近红波段范围内光谱变换规律，掌握了硒元素随着含量升高，光谱反射率会逐步升高的规律。但当硒含量较低时，在其他成分的干扰下，这一规律会逐渐减弱，直至不显著。有机质的光谱特征与硒元素相反，总体上随着含量的增高，反射率整体下降，这与有机质的光谱特性紧密相关。全铁光谱呈现出与有机质光谱类似的规律，说明二者具有较高的相关性。不同pH值和氧化钙含量的光谱特征与检测值没有呈现出明显的特征规律，反射规律不明显。对60个采样点不同养分含量进行逐波段求反射率对养分的相关系数。结果表明，pH值各个波段相关系数最高，均值达到0.63；其次是全铁的相关系数，为0.54；有机质和氧化钙的相关系数接近，分别为0.42和0.47；而硒元素含量与逐波段的平均相关系数最低，为0.38。选取相关系数较高的前5个波段，作为建模波段。硒特征波段为447，437，456，466和475 nm；有机质特征波段为447，456，466，437和475 nm；全铁特征波段为752，695，800，762和733 nm；pH特征波段为905，752，800，943和695 nm；氧化钙特征波段为752，695，800，523和762 nm。通过计算样本点硒含量与其他成分的相关系数，硒与有机质呈正相关，相关系数为0.79；与全铁、pH、氧化钙呈负相关，相关系数分别为-0.80，-0.94和-0.69。针对有机质、全铁、pH和氧化钙反演精度较高，而硒元素含量较低，直接反演精度不足的问题，设计了一种先提取4种成分含量，再根据其提取结果建立硒元素函数关系，间接反演硒元素含量的方法。首先将五种成分与特征光谱进行神经网络分析，计算每种成分的回归系数R2和RMSE。显示全铁和pH具有较高的反演精度，有机质和氧化钙归系数虽低于0.8，但也显著高于硒元素的反演精度。建立硒元素与其他4种成分含量的回归模型，得出Se=0.522 9+0.041 8Som-0.016 6Fe₂O₃-0.035 6pH-0.005CaO，进行硒元素间接提取，回归系数从0.516增长到0.724，均方根误差从0.182降低到0.136，显著改进了反演硒含量的精度，为硒元素大范围精确制图提供了一种新技术。     

基于一维卷积神经网络的雌激素粉末拉曼光谱定性分类

拉曼光谱物质定性鉴别已被广泛应用于诸多行业和研究领域，但传统拉曼光谱分析过程中的预处理主要依赖人为经验，光谱特征提取虽然能够降低信号维度，同时也会造成部分光谱信息损失。特性相近物质本身光谱相似度较高，受到测量过程中环境干扰和分析过程中多种误差影响，导致最终分类效果并不理想。针对此问题，提出基于一维卷积神经网络（one-dimensional convolution neural network，1D-CNN）的拉曼光谱定性分类方法。实验采集雌酮（Estrone）、雌二醇（Estradiol），雌三醇（Estriol）三种不同雌性激素粉末的拉曼光谱，设计随机平移、添加噪声和随机加权三种光谱数据增强方法，构建数量充足的拉曼光谱数据库用于神经网络模型训练与测试；基于拉曼光谱数据特点提出一维卷积神经网络分类模型，将光谱预处理、特征提取和定性分类的全过程融为一体。通过大量仿真实验，优化所提出的神经网络模型超参数和训练过程并测试分类效果，从预处理对光谱分类结果的影响和模型抗干扰性能两个方面与多种传统拉曼光谱分类算法对比，评价模型性能。实验结果表明，本文提出的一维卷积神经网络模型可实现三类雌性激素粉末拉曼光谱快速准确分类，分类正确率最高可达98.26%，分析过程中无需光谱预处理和特征提取步骤，简化了光谱分析流程，并能保留更多有效信息。同时，当模拟测量噪声强度达到60 dBW时，传统方法分类正确率均明显出现不同程度明显降低，卷积神经网络模型依然能够取得96.81%的分类正确率，说明相比对传统拉曼光谱分类方法，所提出方法受光谱测量噪声影响更小，鲁棒性更强，适用于分析更复杂现场测量的强噪声拉曼光谱信号。该研究结果表明深度学习方法在拉曼光谱的分析与处理领域具有很大的应用潜力和研究价值。