菌紫质光生物分子器件及其超快过程

菌紫质是嗜盐菌紫膜中的一种光能转换蛋白.它具有光致色变和光驱动质子泵功能,其原初光异构化过程极其迅速,可在430fs内完成.由于菌紫质具有一系列独特的光电和光学特性,如对光强的微分响应,高的空间分辨率,高的光灵敏度,高循环次数等,使得它在光电探测,仿视觉系统,人工神经网络,非线性光学及光学信息记录和处理方面有很多重要应用.利用超短脉冲激光技术,高时间分辨光谱学技术及高速取样探测技术,对菌紫质的光循环,原初光异构化,激发态动力学,质子泵机制等方面的研究已取得了许多有意义的结果.     

乙型脑炎病毒NS2A-C60A位点突变对其生物学特性影响研究*

目的:旨在探索Ⅰ型日本乙型脑炎病毒传代致弱后基因组突变NS2A-C60A对乙脑病毒生物学特性的影响。方法:首先通过对传代致弱及原始乙脑毒株基因组序列进行测序比对、结构预测分析并利用Western blotting(WB)确定了目标研究位点NS2A-C60A;然后使用反向遗传定点突变技术构建拯救了包含NS2A-C60A单点突变的病毒株;最后利用噬斑形态观察、生长曲线、双萤光素酶分析,WB以及炎性因子检测和动物实验研究了该单点突变对于乙脑病毒生物学特性的影响。结果:首次研究发现Ⅰ型乙脑病毒传代致弱会导致NS1'蛋白表达的显著下降以及可能的相关位点NS2A-C60A,并成功拯救获得了NS2A-C60A单点突变毒株rJEV-C60A,研究发现NS2A-C60A突变对乙脑病毒的生长特性及噬斑形成没有显著影响,但是能够显著降低乙脑病毒NS1'蛋白的表达,并且该位点突变能够轻微阻碍乙脑病毒对细胞炎性因子表达的抑制,动物实验结果显示NS2A-C60A点突变病毒与原毒株具有相似的神经毒力,说明该位点突变不是影响乙脑病毒毒力致弱的关键位点。结论:新发现的NS2A-C60A位点突变能够显著减少乙脑病毒NS1'蛋白的表达,但是对其增殖、诱导炎症及神经毒力等生物学特性没有显著影响。     

植物体内超氧物自由基（O2^—）检测的EPR自旋捕捉技术

McCord和Fridovich在1968年发现了超氧物歧化酶(SOD)并研究了其生物学作用,提出了氧毒害的超氧物自由基学说。此学说已为越来越多的实验证实。在研究动物和植物的衰老以及逆境生理时,常需测定SOD酶,因此超氧物自由基(?)检测就显得十分重要。用酶学分析技术检测(?),不仅灵敏度低,而且由于(?)和羟自由基(·OH)均可产生     

组织型纤溶酶原激活剂的发光分析法及其应用

 本文建立了组织型纤溶酶原激活剂(t-PA)活力的发光固相测定方法。用氨基乙基丁基异鲁米诺(ABEI)标记纤维蛋白原(Fg),在一定条件下,t-PA作用于固相(包被ABEI-Fg),产生纤维蛋白的降解产物。测定可溶性降解产物的发光强度,即能计算t-PA活性。该方法的标准曲线范围对t-PA为0.156IU/mL～40IU/mL。灵敏度可达0.156IU/mL。回收率为98.6％(n=27)。批内批间变异系数分别为6.6％及10.3％。该方法曾用于检测细胞培养液中提取t-PA样品及t-PA基因表达时培养液中t-PA的活性。也曾用于检测从组织中纯化t-PA样品及血浆中t-PA活性的测定。文中讨论了该方法与其它方法优缺点的比较。     

超氧自由基与叶片衰老时叶绿素破坏的关系（简报）

小麦幼苗叶尖经ABA处理后,SOD和CAT活性、维生素C、叶绿素含量以及叶绿素a/b比值下降加快;而经KT处理后,则下降减慢。体外试验表明,O_2~-直接引发叶绿素破坏。     

Ca~(2 )对叶绿体中超氧物自由基产生以及由ACC形成乙烯的影响

高浓度Ca~(2 )(0.1 mol/L)使叶绿体产生O_2~ 的能力下降,旋转相关时间(τ_c)增大34.3％,即膜的流动性降低,并抑制ACC形成乙烯;衰老时细胞内的Ca~(2 )作用却与此相反;O_2~ 的生成与乙烯的产量成正相关(r=0.941)。EGTA,吩噻嗪和W_7等加入到叶绿体反应体系中,可使O_2~ 的产量下降,ACC形成乙烯减少;相反,亚油酸作为Ca~(2 )载体,却使之明显升高,但亚油酸本身产生乙烯的量比ACC少得多。因此推测:高浓度Ca~(2 )可能影响叶绿体膜的状态,从而影响EFE的构象或者减少O_2~ 的生成,抑制ACC的转化,衰老时细胞内的Ca~(2 )可启动钙信使系统,使O_2~ 的产量升高,而其中膜脂过氧化是衰老的中心环节,因此O_2~ 的升高可能是诱发衰老启动的重要因素。     

神经元图像大数据的弱监督自动识别技术

在介观尺度上，小鼠大脑图像的数据量可达到10 TB量级，人脑数据量则达到惊人的几十PB，从海量脑图像数据中识别和分析神经元的形态是一项复杂且具有挑战的任务。当前研究人员提出了基于传统机器学习和深度学习的神经元识别算法，其中传统机器学习方法存在迁移、泛化能力较差的问题，基于深度学习的算法虽然可以通过海量精确标注的训练数据提高模型的泛化性，但缺乏精确且丰富的图像标记数据集，因此同样存在过拟合和泛化能力弱等问题。本文提出了一种基于深度学习的弱监督神经元识别方案，仅需要少量有标注的数据，即可通过迭代策略获取海量神经元图像的精确识别结果，具备较强的泛化能力，并最大限度减少人工参与量。该方法在fMOST、BigNeuron等数据集上进行了实验，自动识别精度F1值分别为0.9247和0.8318，优于其他对比的神经元识别算法。