圆鮀鲣暗色肉蛋白酶解物的抗疲劳作用

采用行为学和生化指标研究圆鮀鲣暗色肉蛋白酶解物(DMPH)的抗疲劳作用,并且与暗色肉粗酶解物(DMH)进行比较,初步推测其中主要的抗疲劳活性物质。结果表明,DMPH中粗蛋白含量显著高于DMH(p0.05),DMPH的氨基酸总浓度高于DMH。DMH和DMPH均能显著延长小鼠力竭游泳时间和减少小鼠肝糖原的消耗(p0.05),能显著降低小鼠血浆乳酸和尿素氮含量(p0.05),而且还可显著提高小鼠体内抗氧化酶的活力(p0.05)。DMH和DMPH均具有抗疲劳作用且无显著性差异(p0.05),而且DMPH中粗蛋白和氨基酸含量高于DMH,初步推断暗色肉中蛋白质水解产生的多肽和氨基酸是酶解物中主要的抗疲劳活性物质。     

Al-Mg-Zn合金自腐蚀电位-成分三元图的建立及牺牲阳极保护试验

设计了系列成分的Al-Mg-Zn三元合金,采用大气造渣保护熔炼技术制备了Al-Mg-Zn合金铸锭,进行了电化学性能测试和阳极保护试验,建立了Al-Mg-Zn三元合金自腐蚀电位-成分图。发现AlxMgyZn1-xy-合金当x=0.2～0.6,y=0～0.4时,具有较低的自腐蚀电位和自腐蚀电流密度,分别为-1.03～-1.25V(vs.SCE)和8.7×10-7～5.01×10-5 A/cm2;同时,Al0.2Mg0.2Zn0.6和Al0.6Mg0.2Zn0.2合金在3.5%NaCl溶液中对Q235钢具有良好的保护作用。     

基于JBPM的高校教师调课平台的设计

针对传统高校教师调课必须实地面对面办理,浪费时间和精力;调课采用纸质文档,不低碳环保和不便存档管理的弊端,使用Java EE技术设计和实现了基于JBPM工作流框架的高校教师调课平台。以JBPM流程设计工具开发通用的调课流程,通过调用工作流引擎API,实现了调课过程的自动流转。系统包括普通web操作界面和android客户端应用两部分,待办任务提醒使调课能够随时随地及时进行。结果表明:系统的运行能极大提高高校教师工作效率,实现自动化办公,加强学校对教学过程的规范和管理。     

蛋白质交互网络模块化的数据分析

生物网络的模块化是生物系统鲁棒性的一个基本前提。首先根据已有的算法分析改进了经典的谱方法,提出了一个提高模块化方法分辨率的策略。采用不同来源的蛋白质网络来计算地分析网络的模块化属性,发现尽管这些蛋白质网络都展现了较高的模块化程度,但模块化的程度受到数据来源的影响。同时还发现基因在全基因组复制以后,会倾向于在同一个模块中出现,这说明复制基因功能不会产生特别大的差异,使得当删除一个复制基因时,模块内的另一个复制基因会有功能的补偿。     

一种基于事务修剪的约束关联规则的挖掘算法

针对一类常见而简单的规则中有项或缺项的约束,提出了一种基于事务数据修剪的约束关联规则的快速挖掘算法。该算法先扫描一遍数据库对事务进行水平和纵向的修剪,接着在修剪后的数据集上挖掘频繁项集,形成规则的候选头集、体集和规则项集,最后一次扫描后由最小可信度约束得到所要求的关联规则。实验表明,与按简洁约束采取的一般策略相比,该算法的性能有较明显的提高。     

蛋白质相互作用研究中的计算方法综述

随着分子生物学的研究进入以蛋白质组学为标志的后基因组时代,蛋白质相互作用成为蛋白质组学研究的一个重要主题.因为计算方法代价低和周期短的特点,它被广泛地用来分析相互作用数据从而指导生物学家的实验设计.从蛋白质相互作用网络的构建到分析两个方面综述了蛋白质相互作用研究中的各种计算方法：介绍了通过机器学习方法预测、文本挖掘和评估相互作用的各种技术;特别详细地阐述了相互作用网络的重要参数和典型生物模型,并对运用图论方法分析和计算的各种算法进行了深入的剖析;最后,对蛋白质相互作用的计算研究进行了总结和展望.     

三维微阵列数据的多目标进化聚类

聚类技术广泛应用于微阵列数据分析中。在基因-样本-时间GST微阵列数据矩阵中,挖掘三雏聚类成为当前的热门研究课题。3D聚类过程经常需要对多个相互冲突的目标进行优化,而且进化算法以其强大的探寻能力成为高维搜索空间中非常有效的搜索方法。本文基于多目标进化计算方法提出一个新的3D聚类算法MOE-TC,以挖掘GST数据中的3D聚类。现实微阵列数据上的实验验证结果充分说明了本文算法的有效性。     

稀土元素在非晶合金中的应用

概括了稀土元素在非晶合金中的主要作用,包括脱氧、净化合金液体、提高非晶形成能力、改善软磁性能等.阐述了金属钇、铈、铒、钕、钪等稀土元素分别在铁基、锆基、铝基和镁基等主要非晶合金体系中的应用情况.通过分析稀土元素的物理与化学特性,有助于合理选择和综合搭配稀土元素,改善非晶合金的性能.     

改进型AFA组件

本文介绍了法马通公司设计的ＡＦＡ ２Ｇ和３Ｇ燃料组件的改进要点和可靠性等综合性能。     

一种基于YOLOv3和数学形态学的表格检测方法

本文提出利用形态学函数进行特征强化的数据预处理方法,结合一阶段目标检测器YOLOv3进行表格检测.实验证明,在利用特征强化的方法后,本文的F1-Score的相对提升达到1％,优于二阶段的Faster R-CNN方法.考虑到本文的方法在模型训练和推断中无须引入额外的计算量,因此本文的方法具有较强的推广性.