QIC-160等静压机自动控制系统的设计与实现

QIC-160等静压机是20世纪80年代初引进的国外成套大型设备，主要用于粉末成型产品的压制。设备最高工作压力达200MPa，温度可达120℃。设备从引进到现在已经20多年了，电器元件也已老化，鉴于该设备现在液压系统及主体运行还基本正常，故对原设备控制系统进行了设计更新。     

稀疏降噪自编码结合高斯过程的近红外光谱药品鉴别方法

提出一种稀疏降噪自编码结合高斯过程的近红外光谱药品鉴别方法。首先对近红外光谱数据进行小波变换以消除基线漂移,然后用稀疏降噪自编码(SDAE)网络提取光谱特征并降维表示,最后采用高斯过程(GP)进行二分类,其中GP选用光谱混合(SM)核函数作为协方差函数,记此分类网络为wSDAG_SM。自编码网络具有很强的模型表示能力,高斯过程分类器在处理小样本数据时具有优势。wSDAG_SM网络通过稀疏降噪自编码学习得到维数更低但更有价值的特征来表示输入数据,同时将具有很好表达力的光谱混合核作为高斯过程的协方差函数,有利于更准确的光谱数据分类。以琥乙红霉素及其他药品的近红外光谱为实验数据,将该方法与经过墨西哥帽小波变换的BP神经网络(wBP)、支持向量机(wSVM), SDAE结合Logistic二分类(wSDAL)、SDAE结合采用平方指数(SE)协方差核的GP二分类(wSDAG_SE),以及未采用小波变换的SDAG_SM网络等方法进行对比。实验结果表明,对光谱数据进行墨西哥帽小波变换预处理能有效提升SDAG_SM网络的分类准确率和稳定性。wSDAG_SM方法无论从分类准确率还是分类结果稳定性方面,都优于其他分类器。     

一种新的化合物指纹及其在药物筛选中的应用

相似性搜索技术在大规模药物筛选中有着广泛的应用, 而作为其构成要素之一的化合物描述符, 则在相似性搜索中起着至关重要的作用. 但是迄今为止, 尚未发现一种描述符能够全面的描述化合物. 近来, 融合不同结构描述符用于相似性搜索的研究屡见报道, 不过由于这些描述符都源自化合物的结构, 融合以后不仅不能保证对化合物进行更全面的描述, 还带来严重的冗余现象. 为此, 根据哲学中对于一个事物的描述需要同时从本质与外延两个方面同时进行这一基本原理, 构建了一个全新的化合物活性描述符: 基因功能模块指纹(GO指纹), 综合运用结构指纹(本质)和GO指纹(外延)来描述化合物. 与将化合物基因表达直接构建的活性指纹不同, GO指纹不仅(1)降低了芯片数据的维度, 避免了其维度高、相关性强、噪声大的问题; 同时(2)拉近了描述符和化合物活性之间的距离. 通过将GO指纹和结构指纹融合后用于化合物相似性搜索, 结果表明新的描述符(1)使得结构和功能都相似的化合物之间的相似性更高; (2)而使得仅在单方面相似性较高的化合物得到有效排除. 本研究为进行快速、高效、大规模的药物筛选提供了新的思路, 这势必将提高药物筛选的结果, 进一步加快新药研发和旧药新用的进程.     

基于配体、受体和复合物指纹的虚拟筛选方法比较

近年来, 作为基于配体和基于受体两种方法的补充, 以复合物指纹为基础的药物筛选方法相关研究正受到广泛的重视. 那么这种新兴的方法相对于传统方法在筛选结果准确率上是否具有优势? 同时, 由于复合物指纹可以通过复合物结构测定和将相应蛋白和配体进行分子对接两种方式获得, 那么基于这两种方式获得的复合物指纹所得的筛选结果准确率是否有显著性差异呢? 通过对一系列HIV-1蛋白酶复合物晶体结构同时进行基于配体的相似性搜索、分子对接传统的能量打分、基于复合物晶体结构的复合物指纹的相似性搜索和基于分子对接所得复合物结构的复合物指纹的相似性搜索的筛选比较, 结果表明: (1)如果三种方法都是直接基于实验结构, 那么复合物指纹和分子对接两种方法都因为是兼顾了受体和配体两个方面, 准确率都要高于仅仅基于配体的方法|(2)实际运用中, 通过实验测定所有复合物结构并不可行, 因此需要进行分子对接才能大量的获得复合物结构并进一步生成相应的复合物指纹, 令人兴奋的是, 基于此种方式获得的复合物指纹与直接基于实验复合物结构获得的复合物指纹在筛选结果上并无显著性差异, 从而可以作为实验复合物指纹筛选方法的有效补充.     

The effects of degree correlations on network topologies and robustness

Complex networks have been applied to model numerous interactive nonlinear systems in the real world. Knowledge about network topology is crucial to an understanding of the function, performance and evolution of complex systems. In the last few years, many network metrics and models have been proposed to investigate the network topology, dynamics and evolution. Since these network metrics and models are derived from a wide range of studies, a systematic study is required to investigate the correlations among them. The present paper explores the effect of degree correlation on the other network metrics through studying an ensemble of graphs where the degree sequence (set of degrees) is fixed. We show that to some extent, the characteristic path length, clustering coefficient, modular extent and robustness of networks are directly influenced by the degree correlation.