杂交蛋白氧载体光动力治疗诱导免疫原性细胞死亡的研究

肿瘤细胞发生免疫原性细胞死亡能释放特定的信号分子,从而触发机体产生特异性抗肿瘤免疫应答,对评估肿瘤治疗方法的长期疗效具有重要意义。该研究以血红蛋白(Hb)和人血清白蛋白(HSA)为材料,采用二硫键共价偶联的方法构建了包载光敏剂二氢卟吩 e6(Ce6)的杂交蛋白氧载体(C@Hb/HSA),并考察了 C@Hb/HSA 对结肠癌细胞(CT26.WT)的光动力治疗效果和诱导免疫原性细胞死亡的情况。结果显示,在激光照射下,低剂量的 C@Hb/HSA 能显著提升CT26.WT 细胞内的活性氧水平,使其细胞存活率降低至(17.8±5.5)%。同时,基于 C@Hb/HSA 的光动力治疗能有效增加细胞表面钙网蛋白的暴露,从而增强 CT26.WT 细胞的免疫原性,促进树突状细胞的成熟。     

基于最长名词短语分治策略的神经机器翻译

神经机器翻译自兴起以来,不断给机器翻译领域带来振奋人心的消息。但神经机器翻译没有显式地利用语言学知识对句子结构进行分析,因此对结构复杂的长句翻译效果不佳。该文基于分治法的思想,识别并抽取句子中的最长名词短语,保留特殊标识或核心词,与其余部分组成句子框架。通过神经机器翻译系统分别翻译最长名词短语和句子框架,再将译文重新组合,缓解了神经机器翻译对句子长度敏感的问题。实验结果表明,该方法获得的译文与基线系统相比,BLEU分值提升了0.89。     

核酸适体靶向红荧烯有机纳米探针用于肿瘤成像研究

近二十年来,肿瘤在我国的发生率和死亡率呈现不断增高的趋势。若能早期发现癌变位点并及时对其进行靶向治疗,将有助于提高癌症的治愈率。伴随着纳米技术的发展,用于癌症早期诊断成像和治疗的纳米材料的开发也得到了人们的广泛关注。文章介绍了一种基于核酸适体靶向肿瘤细胞的有机荧光纳米探针,其制备过程快速简便,所制得的纳米颗粒不仅表现出优异的靶向能力,而且具有良好的生物相容性和稳定性,该研究为肿瘤的靶向诊疗提供了有力工具。     

浅谈光通信网的组建技术和发展趋势

随着通信网业务重心的转移,组建新一代的光网(Optical Networking)是通信领域中一个重大的研究课题.对于现有的固定基础通信网,光纤光缆及波分多路系统正在点到点传输线上大量应用并继续存在,足见新一代光网已经成为一个必然趋势.从现代通信的发展趋势来看,光纤通信也将成为未来通信发展的主流.人们期望的真正的全光网络的时代也会在不远的将来到来.虽然经历了全球光通信的"冬天"但今后光通信市场仍然将呈现上升趋势.     

MapX在开发通信对抗信号环境仿真软件中的应用

在分析地理信息系统发展趋势和目前较为流行的MapInfo系列软件--MapX的由来、数据结构的基础上,介绍了通信对抗信号环境仿真软件的体系结构及其主要功能;介绍了利用MapX控件开发该软件的基本原理和方法步骤,并通过实例讨论了运用Visual C++对它编程的应用实践问题.软件实现结果表明,MapX是一个具有强大地图功能的ActiveX控件,具有简单、方便、高效等优点,在军事领域的应用将越来越广泛.     

以问题为导向的翻转课堂教学设计

针对翻转课堂中存在的学生学习浅层化问题,分析发现问题导向是翻转课堂的本质,是解决学生学习浅层化的关键,为此提出构建问题导向的翻转课堂教学设计模型,从前置学习设计、问题产生设计和问题解决设计3部分介绍具体教学设计.     

面向Kad网络的eMule文件下载控制方法

结合关键词污染和Kad索引污染技术,设计一种面向Kad网络的eMule文件下载控制方法。从Web服务器获取eMule文件的 ED2K链接,解析链接得到文件属性信息,通过构造虚假文件属性信息污染Kad网络的关键词字典和文件索引字典,从而控制eMule文件在Kad网络中的传播。实验结果表明,该方法可以延缓eMule节点之间的连接时间,达到eMule文件下载控制的目的。     

基于复杂网络理论及蚁群算法的MA迁移策略

移动Agent问题主要是解决移动Agent在不同主机间移动时如何根据移动Agent的任务和其他约束条件来规划最优的迁移路线。蚁群算法是一种新的生物进化算法,具有并行、正反馈和启发式搜索等特点,是一种解决旅行Agent问题的有效手段,但同时也存在一些缺点,如运算过程中收敛速度慢,易出现停滞现象等。复杂网络理论是一个新兴的理论,它发现现实的网络具有新的特性,为了刻画这一新的网络结构,引入了新的特征度量,节点的“度”就是其中一个。在蚁群算法的基础上,在状态转移规则等中加入度这一系数,同时自适应调整挥发系数ρ来提高算法的性能。将该算法用于移动Agent问题,模拟计算结果显示移动Agent在移动时能以最优的效率和最短的时间来完成迁移。     

基于RobustICA的数字调制混合信号盲源分离算法

针对含噪环境下数字调制混合信号盲源分离(BSS)误码率(BER)过高的问题,提出了一种基于RobustICA的二阶段盲源分离算法R-TSBS。该算法采用RobustICA算法对阵列响应向量构成的混合矩阵进行估计,然后利用数字调制信号的有限符号集特征,在第二阶段用最大似然估计(MLE)方法估计各个数字调制源信号发送的符号序列,达到盲源分离的目的。实验仿真表明,传统的独立成分分析(ICA)算法如RobustICA算法和FastICA算法误码率很高,在信噪比(SNR)为10 dB时,其误码率达到了3.5×10^-2左右,而基于FastICA的二阶段盲源分离算法F-TSBS和基于RobustICA的二阶段盲源分离算法R-TSBS的误码率则下降到了10^-3,分离性能得到了明显改善;在较低的信噪比(0~4 dB)下,R-TSBS算法较F-TSBS算法约有2 dB性能提升。     

基于度量学习的无监督域适应方法及其在死亡风险预测上的应用

近年来,深度学习模型已在医疗领域的预测任务上得到广泛应用,并取得了不错的效果.然而,深度学习模型常会面临带标签训练数据不足、整体数据分布偏移和类别之间数据分布偏移的问题,导致模型预测的准确度下降.为解决上述问题,提出一种基于域对抗和加性余弦间隔损失的无监督域适应方法(additive margin softmax based adversarial domain adaptation, AMS-ADA).首先,该方法使用带有注意力机制的双向长短程记忆网络来提取特征.其次,该方法引入了生成对抗网络的思想,以域对抗的形式减少了整体数据之间数据分布偏移.然后,该方法引入了度量学习的思想,以最大化角度空间内决策边界的方式进一步减少了类别之间的数据分布偏移.该方法能够提升域适应的效果与模型预测的准确度.在真实世界的医疗数据集上进行了重症监护病人死亡风险预测任务,实验结果表明:由于该方法相较于其他5种基线模型能够更好地解决数据分布偏移的问题,取得比其他基线模型更好的分类效果.