Unconventional Secondary Structure Mimics: Ladder-Rungs

Secondary structures tend to be recognizable because they have repeating structural motifs, but mimicry of these does not have to follow such well-defined patterns. Bioinformatics studies to match side-chain orientations of a novel hydantoin triazole chemotype ( 1 ) to protein-protein interfaces revealed it tends to align well across parallel and antiparallel sheets, like rungs on a ladder. One set of these overlays was observed for the protein-protein interaction uPA⋅uPAR. Consequently, chemotype 1 was made with appropriate side-chains to mimic uPA at this interface. Biophysical assays indicate these compounds did in fact bind uPAR, and elicit cellular responses that affected invasion, migration, and wound healing.     

n维有限射影空间上d~e——析取矩阵的新构作

利用n维有限射影空间上的一些性质,构作了组合群验的数学模型de-析取矩阵,并研究了它的参数和Hamming距离.     

离子对反相高效液相色谱法同时测定尿液中复方α-酮酸片的5种有效成分

建立了同时测定尿液中复方α-酮酸片5种有效成分(消旋羟蛋氨酸钙(HMACa)、酮缬氨酸钙(KVCa)、消旋酮异亮氨酸钙(KILCa)、酮亮氨酸钙(KLCa)和酮苯丙氨酸钙(KPACa))的离子对反相高效液相色谱法。分别考察了离子对试剂浓度、缓冲盐浓度和流动相pH值等参数对分离情况的影响。最终采用Waters Symmetry C18色谱柱(250 mm×4.6 mm,5μm);以乙腈和含15 mmol/L四丁基氢氧化铵的20 mmol/L磷酸盐缓冲液(pH 7.0)为流动相进行梯度洗脱,流速为1.0 mL/min;柱温为35℃;检测波长为210 nm。在上述条件下,5种有效成分得到很好的分离,并且不受尿液中内源性基质的干扰,在20~200 mg/L范围内线性关系良好(r≥0.999 0);HMACa、KVCa、KILCa、KLCa和KPACa的检出限(S/N=3)分别为3.0、5.0、3.6、5.7和2.5 mg/L;定量限(S/N=10)分别为9.6、16.7、12.0、19.0和8.3 mg/L;日间、日内精密度均小于7%;平均回收率在86.79%~112.00%之间,RSD小于9%(n=5)。该方法准确,灵敏度高,重现性好,适用于尿液中这5种有效成分的检测。     

单晶硅晶格间距的测量技术进展及应用

单晶硅晶格间距是许多重要物理常数测量的基础。本文介绍了硅晶格间距测量技术的发展历程,包括X射线干涉仪直接测量和晶格比较仪间接测量两种方法,以及影响测量结果不确定度的关键因素。得益于晶格间距测量的进展,在纳米尺度,硅晶格间距被国际计量局(BIPM)批准成为新的米定义复现形式。最后介绍了硅晶格在计量学中的应用,以及基于硅晶格实现纳米几何量测量的溯源体系的研究趋势。     

盐酸伊达比星杂质A的合成工艺优化及其高效液相分析

通过对盐酸伊达比星脱羟基杂质A的合成研究，为盐酸伊达比星的质控标准提供参考。以盐酸伊达比星为起始原料，经过4步反应得到脱羟基杂质A。本文提供了盐酸伊达比星杂质A的制备方法以及高效液相色谱分析方法，为杂质含量控制提供了依据。该工艺可以稳定、快速制备高纯度脱羟基杂质A，制备总收率为57.20%，纯度为57.20%，其结构经¹H NMR， ¹³C NMR和MS(ESI)表征。     

基于深度学习的ELM实时识别研究

基于深度学习的方法，在HL-2A装置上开发出了一套边缘局域模(ELM)实时识别算法。算法使用5200次放电数据(约24.19万数据切片)进行学习，得到一个深度为22层的卷积神经网络。为衡量算法的识别能力，识别了HL-2A装置自2009年实现稳定ELMy H模放电以来所有历史数据(约26000次放电数据)，共识别出1665次H模放电，其中误识别35次，误报率为2.10%。在实际的1634次H模放电中，漏识别4次，漏识别率为0.24%。该误报率和漏报率可以满足ELM实时识别的精度要求。识别算法在实时控制环境下，对单个时间点的平均计算时间为0.46ms，可以满足实时控制的计算速度要求。