抗肿瘤工程菌Escherichia coliNissle 1917发酵培养基优化及微胶囊制备

为了获得高活力抗肿瘤工程菌Escherichia coli Nissle 1917(EcNA)微胶囊制剂,对EcNA进行发酵培养基优化和微胶囊制剂的制备。首先利用单因素试验考察甘油、酵母提取物、蛋白胨及玉米浆对EcNA菌体浓度的影响,在以Box-Behnken设计试验的基础上,分别建立响应面模型和BP人工神经网络结合遗传算法模型优化发酵培养基组分,最后采用挤压法以海藻酸钠和壳聚糖为复合壁材,将EcNA包埋在微胶囊中。结果显示,最佳优化配方为甘油7 g/L,蛋白胨28.75 g/L,酵母提取物86.25 g/L,玉米浆10 g/L,K_2HPO_4 16.43g/L,KH_2PO_4 2.3 g/L,发酵液菌体浓度OD_(600)达到12.92,与未优化相比提高了3.86倍。通过正交试验得到最佳制备条件:海藻酸钠0.035 g/mL,壳聚糖0.004 g/mL,壁芯比2:2,氯化钙0.05 g/mL。结果表明,BP人工神经网络结合遗传算法在培养基优化中具有显著的优越性,制成的EcNA微胶囊有良好的耐酸性和肠溶性。     

MiR-132抑制肿瘤转移

肿瘤转移是造成癌症难以根治的重要原因之一.近年来越来越多的研究发现,miRNA在肿瘤转移过程中发挥了直接或间接的作用.本研究的目标是找到一种特异性的肿瘤转移相关miRNA,能够作为抑制肿瘤转移的潜在靶标.miR-132是一类与炎症、血管生长、中枢神经系统相关的miRNA,至今还没有研究证明其与肿瘤转移相关.为了验证miR-132与肿瘤迁移的相关性,本研究将miR-132转染入高迁移乳腺癌细胞系MDA-MB-231细胞中,检测细胞迁移率的变化.实验发现miR-132能够抑制MDA-MB-231细胞的迁移.为了进一步揭示miR-132抑制细胞迁移的可能机制,本研究通过生物信息学手段寻找并鉴定了3种可能与肿瘤转移相关的miR-132的靶基因,它们分别是CHIP(STUB1)、G3BP1、G3BP2.分别比对MCF7与MDA-MB-231细胞,及转染miR-132和对照组MDA-MB-231细胞中以上3种基因的表达差异,我们发现G3BP1、G3BP2可能参与miR-132对肿瘤转移的调控.本研究首次报道miR-132与肿瘤转移的关系,并揭示了miR-132调节肿瘤转移的可能机制,说明了miR-132具有作为特异性抑制肿瘤转移靶标的潜力,为抑制肿瘤转移提供一个新的靶点.     

杨树蛋白质磷酸化位点预测

以小黑杨磷酸化蛋白质组为研究对象,用人工神经网络表达丝氨酸、苏氨酸等残基位点的磷酸化与氨基酸序列的结构特征之间的非线性关系,建立了BP人工神经网络模型,并用磷酸化数据对所建模型进行训练和分析,得适宜的结构为21×16∶8∶4,拟合准确度为90%,Acc、Sn、Sp、MCC分别为78%、89%、67%、0.57,对比分析结果表明,所建模型具有较强的预测能力。     

布鲁菌bp26基因的原核表达及间接ELISA方法的临床初步应用

构建诊断人布病的优势抗原BP26原核表达载体,并建立以该蛋白作为包被抗原的间接ELISA方法。人工合成bp26基因片段,构建原核表达载体pET30a-bp26,并转化入大肠埃希菌BL21(DE3)中,IPTG诱导表达,Ni柱亲和纯化BP26重组蛋白,间接ELISA检测其抗原活性,并优化间接ELISA方法的各个参数,检测临床大量样本,对该方法性能进行评价。PCR鉴定及DNA测序证实pET30a-bp26重组质粒构建成功,并在0.8 mmol/L IPTG 20 ℃过夜诱导的条件下大量表达,经亲和纯化获得高纯度的可溶性BP26重组蛋白,间接ELISA结果显示该重组蛋白具有抗原活性,优化参数后,该方法的敏感度为70.00%,特异性为94.74%。成功获得高抗原活性的原核表达可溶性BP26重组蛋白,并建立用于临床特异性诊断人类布病的间接ELISA方法。     

BP神经网络在沙棘生态功能评价中的应用

BP人工神经网络技术在环境评价领域中已经得到越来越广泛的运用,将该法引入到陕蒙砒砂岩区沙棘生态功能综合评价的研究中,以沙棘生态功能评价指标标准值作为样本输入,综合评价级别作为网络输出,建立了一个含有4个输入神经元节点、6个隐含神经元节点和1个输出神经元节点的BP人工神经网络等级模型。将目标年(2008年)各评价指标实际数据作为输入,得到输出值是0.44,大于Ⅱ级标准,研究结果表明:砒砂岩区种植十年沙棘后,其生态效益很好,对砒砂岩地区的生态环境改善作用显著。BP神经网络的评价结果与较成熟的AHP-模糊综合评价结果一致,证明将BP人工神经网络模型用于沙棘生态功能评价是可行的,且评价结论客观。     

具有时滞的Hopfield人工神经网络动力系统模型的全局渐近稳定性

Hopfield人工神经网络动力系统模型平衡点的全局渐近稳定性在网络记忆以及最优化等领域具有广泛的应用。本文中,作者研究了一类具有时滞的Hopfield人工神经网络动力系统,通过构造Liapunov泛函的方法,获得了其平衡点全局渐近稳定和局部渐近稳定的充分判定条件。所给出的判定条件只依赖于系统本身的拳数参数和传递函数以及系统中出现的部分时滞。同时,当系统的自身反馈项为负时,此自身反馈项对于系统的稳定性起到稳定化的作用。此外,数值模拟表明时滞的变化对于系统的稳定性具有重要的影响。可破坏系统的稳定性。进而产生周期振动或更为复杂的非线性现象。     

鱼类饥饿处理量化及处理因子贡献率的神经网络随机化测试

设一直投喂(SR00)、周期性饥饿2 d再投喂2 d (SR22)、饥饿7 d再投喂2 d (SR72)和饥饿7 d再投喂7 d (SR77) 4种投喂方式,将投喂方式量化为饥饿压力(SS)和循环率(CF)因子,并结合8周实验的干物质摄食量(FI)、鱼体重(BW)、温度(TE)、盐度(SA)、pH (PH)和生长时间(GT)因子,分别对花鲈增重(WG)、特定生长率(SGR)和干物质饲料转换率(FCR)构建神经网络并对其进行预测.结果表明,不同处理对WG、SGR和FCR的影响均存在显著差异(P<0.05).饥饿处理组的WG和SGR均不能达到一直投喂组水平,除SR72处理组FCR显著高于对照处理外(P<0.05),SR22和SR77组与SR00组均无显著差异(P>0.05).人工神经网络对SGR和WG具有极佳的预测效果,但对FCR无效.8个分析因子中,FI、SS、CF和GT对WG、SGR有显著贡献,且WG的大小主要取决于FI,而SGR主要取决于SS.随机化测试显示,实验处理因子(包括相关的FI因子)对WG和SGR的贡献率分别为64.9%和79.7%.     

应用BP神经网络对荒漠啮齿动物种群数量的预测研究

群落的格局与动态是群落生态学研究的核心内容,种群数量预测是研究群落动态的主要途径之一。本研究尝试采用2006~2014年阿拉善荒漠区啮齿动物数量数据建立BP神经网络模型,对啮齿动物群落全部组成物种的总个体数量进行模拟与预测。BP神经网络通过模拟学习,建立模型,能够实现对啮齿动物群落数量动态规律进行模拟与预测。本研究以阿拉善荒漠为试验区,以啮齿动物个体数量为研究对象,采用标志重捕法,监测2006~2014年每年4~10月的数量,建立BP神经网络预测模型,利用2006~2013年的数据建立训练网络,以2014年的数据进行验证与测试,比较单层隐含层、双层隐含层和三层隐含层BP神经网络模型。结果表明:单隐含层模型的隐含层节点数为6时,最大误差百分比为16.13%,决定系数0.998 0(P=0.006 0)。双隐含层模型的两层隐含层节点数均为6时,最大误差百分比为8.58%,决定系数0.999 5(P=0.002 3)。三层隐含层模型的三层隐含层节点数分别为1、10和7时,最大误差百分比为5.87%,决定系数0.999 2(P0.000 1)。不同隐含层网络模型的预测效果均取得了满意效果,通过比较最大误差百分比、平均误差百分比、决定系数及拟合优度,三层隐含层优于单隐含层及双隐含层的BP神经网络模型。本文认为三层隐含层的BP神经网络模型更适合于阿拉善荒漠区啮齿动物群落全部组成物种的总个体数量的预测研究。     

基于人工神经网络与空间仿真模拟的区域森林碳估算比较——以龙泉市为例

森林是生态系统的重要组成部分,准确估算森林碳储量及其分布对于评价森林生态系统的功能具有重要意义。以龙泉市为研究区,利用2009年99个森林资源清查样地数据和同年度Landsat TM影像数据,采用高斯序列协同仿真(SGCS)与BP神经网络方法(BPNN)分别模拟森林地上部分碳密度及其分布,并进行了对比分析。随机将样本数据分成70个建模样本和29个检验样本。通过模型检验,BP神经网络预测值与实测值的相关性达到0.67,相对均方根误差为0.63,空间仿真方法预测值与实测值的相关性为0.68,相对均方根误差为0.63,空间仿真方法预测能力略高于神经网络方法。仿真结果表明,基于BP神经网络模拟的森林碳总量为11042990 Mg,平均碳密度为36.10 Mg/hm2,总体森林碳密度均值高于样地平均值8.82%。基于空间仿真模拟的森林碳总量为11388657 Mg,平均碳密度为37.23 Mg/hm2,总体森林碳密度均值高于样地平均值9.40%。对比分析可知:高斯协同仿真模拟和BP神经网络虽然在碳总量估算值上与抽样数据估计值相近,但两种方法在估测值的频率分布以及研究区碳分布上有较大的差异。与BP神经网络相比,序列高斯协同模拟结果更接近系统抽样样地实测值,全部样地预测值与实测值的相关性达到0.75,在估计区域森林碳空间分布上有明显优势。在碳密度值域与频率分布方面,序列高斯协同模拟结果分布更合理。综上所述,序列高斯协同模拟在森林碳空间估计方面要优于BP神经网络。