摘要：目的研究衣原体基因转录调控过程中基因通用调节因子A(GrgA)与RNA聚合酶(RNAP)α亚基相互作用的关系,以提高GrgA和RNAP参与衣原体转录和调控机制的认识。方法本研究通过引物设计,采用聚合酶链反应(PCR),构建携带His或Strep蛋白标签的衣原体RNA聚合酶(c RNAP)α亚基和GrgA的各种融合蛋白表达载体,将表达载体转入Arctic Express表达菌株的化学感受态细胞菌株,通过异丙基硫代半乳糖苷(IPTG)诱导13℃低温表达相应蛋白,借助体外蛋白牵出试验(Pull-down技术)、聚丙烯酰胺凝胶电泳(SDS-PAGE)及蛋白质印迹法(WB)分析鉴定出GrgA与cRNAPα亚基两者间相互结合的较为详细的某一段氨基酸序列。结果cRNAPα亚基能与GrgA结合,GrgA与α△(277-377)有结合,与α△(1-259)无结合;α亚基与GrgA△(1-64)、GrgA△(65-112)、GrgA△(114-165)、GrgA△(166-206)、GrgA△(207-268)均有结合。结论GrgA能与cRNAPα亚基结合;cRNAPα亚基与GrgA的结合位点位于α亚基N末端的1-259位氨基酸序列;GrgA通过多个氨基酸序列位点与cRNAPα亚基结合;cRNAPα亚基的N末端可能同样参与了转录调控过程。

摘要：工业过程对象普遍存在时滞、模型参数不确定性和外部扰动多等特点,传统Smith预估控制方法难以设计出满足期望性能的鲁棒控制器.针对模型参数不确定性和外部扰动,本文采用自抗扰控制技术进行估计和补偿.针对系统存在时滞的特点,本文提出改进Smith预估器结构,提升扩张状态观测器对于扰动估计的实时性.在此基础上,本文以一阶时滞系统为例提出了控制器参数整定方法.首先根据最优参数选取准则确定预估器模型,然后在等效模型框架下采用定量反馈理论整定自抗扰控制器参数,确保控制系统达到预期性能指标.在仿真实验中,将所提出方法与几种常见时滞系统控制方法进行比较,通过设定值跟踪、抗扰及蒙特卡罗实验验证了所提出方法具有良好抗扰能力与鲁棒性.

摘要：深度神经网络可通过训练从大脑图像中预测年龄,作为识别衰老相关疾病的生物标志物.传统的脑龄预测方法往往依赖于单一模态的图像数据,而多模态数据可提供更全面的信息,提高预测精度.然而,现有的多模态融合方法往往不能充分利用不同模态之间的相关性和互补性.为了克服上述问题,文中提出基于多模态模糊特征融合的脑龄协同预测算法(CMFF),设计模糊融合模块和多模态协同卷积模块,可有效利用多模态信息之间的相关信息和互补信息.首先,利用卷积神经网络从多模态脑图中提取特征张量,径向拼接后整合到一个全局特征张量中.然后,利用模糊融合模块学习被模糊化的特征,再将特征应用到多模态协同卷积模块,通过特定的卷积层增强模态间的互补信息.最后,基于性别信息和经过模糊协同处理的特征执行年龄预测回归任务,得到准确的预测年龄.在SRPBS多重障碍MRI数据集上的实验表明,CMFF性能较优.

摘要：图卷积神经网络在解决节点分类问题时,使用拓扑图刻画节点间关系,并根据该拓扑图进行节点特征更新.然而,传统的拓扑图只能刻画节点之间的确定关系(即连接边权重为固定值),忽略真实世界中广泛存在的不确定性.这些不确定性不仅影响节点之间的关系,同时影响模型最终的分类性能.为了克服该缺陷,文中提出基于粗糙图的图卷积神经网络算法.首先,使用上下近似理论和传统拓扑图的边理论构造粗糙边,在粗糙边中使用成对出现的最大-最小关系值刻画节点之间的不确定关系,从而构建粗糙图.然后,设计基于粗糙图的可端到端训练的神经网络架构,将使用粗糙权重系数训练后的粗糙图输入图卷积神经网络,使用这些不确定信息更新节点特征.最后,根据这些学习的节点特征进行节点分类.在真实数据上的实验表明,文中算法可提高节点分类的准确率.

摘要：针对锻造工厂在生产过程中人工采集模具信息存在的效率低、易出错等问题,文章研究开发了锻造模具信息管理系统,提出了装模清单的概念,设计了以装模清单为核心的关系数据库模型,融合模具借出、归还等业务场景研究了装模清单创建、运用和终止的业务流程。在此基础上,开展了锻造模具管理系统总体架构、功能模块、编码规则的设计和开发。利用装模清单二维码,实现了锻造生产现场对模具信息的快捷采集和追溯要求。以某高端汽车零部件锻造工厂的实际运用为例,验证了系统在锻造加工过程中模具信息采集的可行性和高效性。

摘要：【目的】试验旨在利用CRISPR/Cas9技术构建Krüppel样因子4(Krüppel-like factor 4,KLF4)基因敲除的猪小肠上皮细胞,并探究KLF4基因敲除对于细胞活性和细胞周期的影响。【方法】在猪KLF4基因转录本第1外显子区域设计3条sgRNAs(sgRNA1、sgRNA2和sgRNA3),经退火形成的双链DNA与线性化pGK1.1载体连接,产物转化大肠杆菌Top10感受态细胞进行鉴定,并将重组载体转染至猪小肠上皮细胞(IPEC-J2)。PCR扩增敲除位点附近序列,并通过测序判断sgRNA敲除效率;利用CruiserTMEnzyme酶切鉴定阳性细胞克隆,通过TA克隆测序鉴定敲除序列;利用Western blotting检测基因敲除细胞中KLF4蛋白表达情况。利用CCK-8和流式细胞术检测KLF4基因敲除后细胞活性和细胞周期的变化。【结果】重组载体测序结果显示,sgRNAs与pGK1.1成功连接。分析敲除效率发现,3个sgRNAs均可对靶序列进行敲除,其中sgRNA3有较高的敲除效率。PCR产物经CruiserTMEnzyme酶切筛选出2个阳性单克隆细胞。TA克隆测序分析发现,KLF4基因2个等位基因序列分别缺失116和137 bp。Western blotting结果表明,KLF4基因敲除细胞中未见KLF4蛋白表达。细胞活性及细胞周期分析显示,敲除KLF4基因极显著抑制了细胞活性(P<0.01),并导致G0/S细胞周期阻滞。【结论】本研究利用CRISPR/Cas9技术构建了KLF4基因敲除的IPEC-J2细胞,且KLF4基因敲除可抑制细胞活性,并引起G0/S细胞周期阻滞。KLF4基因敲除细胞可为进一步探究KLF4基因功能及分子机制提供材料。

摘要：眼底图像中视网膜血管的健康状况对早期诊断各种眼科疾病及糖尿病心脑血管疾病等具有重要意义,然而视网膜血管结构细微、边界模糊且分布不规则,对其进行准确分割存在较大的难度.针对视网膜血管的这些特征,提出一种粗糙通道注意力残差U型网——粗糙通道注意力残差U型网络(RCARUNet).该网络首先引入粗糙集理论中上下近似概念设计粗糙神经元;接着基于粗糙神经元构建粗糙通道注意力模块,该模块在U-Net跳跃连接中采用全局最大池化和全局平均池化构造上下近似神经元,并进行神经元间的加权求和,对所建立的通道依赖关系进行合理的粗糙化,该依赖关系不仅包含全局信息,同时具有局部特性,可有效实现对所提取视网膜血管特征的准确重标定;然后添加残差连接,将特征直接从低层传递给高层,有助于解决网络性能退化问题,并有效提取更加丰富的视网膜血管特征;最后为了验证所提视网膜分割网络的有效性,在3个眼底视网膜公开图像数据集上与U-Net,Attention U-Net等传统网络模型进行对比实验,实验结果表明,所提视网膜分割网络在血管分割准确率、灵敏度和相似度等方面具有较高的优越性.

摘要：传统增量算法主要侧重于从更新近似的角度进行属性约简,但在处理大规模数据集时需要评估所有属性并反复计算重要度,提升时间复杂度,降低效率。针对上述问题,文中提出基于属性树的并行化增量加速策略,关键步骤是将所有属性聚类成多棵属性树进行并行化动态属性评估。首先,根据属性树相关性度量选择合适的属性树进行属性评估,降低时间复杂度。再增加分支系数至停止准则中,随着分支深度的增加进行动态增加,可使算法在达到最大阈值后自主跳出循环,有效避免原先的冗余计算,提高效率。基于上述策略,提出基于属性树的增量属性约简算法,同时与Spark并行机制结合,设计基于属性树的并行化增量式动态属性约简算法。在多个数据集上的广泛实验表明,文中算法在保持分类性能的同时,可提高动态变化数据集约简的搜索效率,具有较好的性能优势。

摘要：采用深度学习对脑龄预测问题进行研究,提出并设计一种基于双通路卷积融合网络的脑龄分布预测模型,以有效预测被试的大脑年龄。将被试静息态功能磁共振成像(rest-state functional MRI,rs-fMRI)数据通过标记分布学习方法,将确定的脑龄标签转化为一组具有高斯分布的概率,设计一个双通路卷积融合网络,包含卷积、批量归一化、池化等步骤,可以同时学习rs-fMRI多类激活图的特征,通过一个低秩融合网络来融合这些特征,利用损失函数对网络更新优化;对预测模型的结果进行详细分析。该模型得到的绝对平均误差和相关系数的指标分别为5.735和0.592 4。试验结果表明,相较于其他模型,该模型取得的平均绝对误差更小,相关系数更高,显著提高了基于rs-fMRI图像的脑龄预测精度。

摘要：电动执行器人机交互控制系统在智能制造产业中通过人机交互,操作者能够直观、高效地控制电动执行器的运动和功能,从而提高生产线的自动化程度和智能化水平。在智能制造工程专业的学生培养中,掌握电动执行器人机交互控制系统的设计与应用能力至关重要。为了让学生更好地掌握电动执行器人机交互控制系统的工作原理与开发方法,设计了电动执行器人机交互控制系统实验平台以及实验教学案例,包括联机控制、位置控制与数据可视化等。案例内容融合了单片机、C语言、人机交互设计等多学科知识。通过实践操作,学生能够加深对控制系统的理解,并培养动手能力和解决问题的能力。该实验平台的设计不仅可以增加学生的实践经验,还能够将理论知识与实际应用相结合,从而促进学生的工程思维和解决实际问题的能力的发展。这样的教学方式有助于培养学生的创新精神和团队合作意识,为他们未来进入智能制造领域从事相关工作提供了坚实的基础和技能支持。