微囊化基质细胞对脐带血造血干/祖细胞扩增支持

将脐带血单个核细胞与包埋有兔骨髓间充质干细胞的海藻酸钙微胶珠在3种不同的培养液中进行了7d的体外静态共培养.每24h进行总有核细胞计数,在0、72和168h进行流式CD34+细胞分析以及甲基纤维素集落检验.实验结果表明:经过7d的静态共培养,在添加常规剂量造血生长因子的培养液中,总有核细胞扩增了(15±2.85)倍,CD34+细胞扩增了(5.33±0.32)倍,CFU-Cs扩增了(5.6±1.21)倍.微胶囊可以作为一种新的共培养隔离手段,微囊化兔骨髓间充质干细胞在添加适量血清或者造血生长因子组合的条件下对于脐带血造血干/祖细胞在静态下的扩增有明显的促进作用.     

脐血单个核细胞和CD34+细胞体外扩增造血干/祖细胞

考察了脐血单个核细胞(MNC)和CD34+富集细胞在SCF+IL-3+IL-6+FL+Tpo细胞因子组合下的体外扩增特性.实验发现CD34+富集细胞具有很高的扩增潜力,通过3周培养总细胞扩增了(883.2±322.4)倍,而MNC仅扩增了(53.3±6.2)倍.对比细胞集落生成和CD34+细胞的扩增发现,MNC的集落密度由最初的(270.9±54.9)CFCs/105cells上升至第7天的(1 496.3±417.7)CFCs/105cells,CD34+细胞百分比则由最初的(0.99±0.18)%上升至第7天的(4.4±1.9)%,而CD34+富集细胞在培养过程中,虽然集落总数和CD34+细胞总数始终呈上升趋势,但是其集落密度和CD34+细胞百分比则始终呈下降趋势.在两种起始细胞培养中,CFU-GM(粒细胞-巨噬细胞集落形成单位)在集落中的含量逐渐增加,BFU-E(爆式红细胞集落形成单位)含量则逐渐降低.在3周的短期培养中,MNC可以得到更多的集落形成细胞(CFC)和CD34+细胞.     

基于Logistic回归和神经网络比较的咽喉反流疾病的精准预测

数据来自吉林大学第二医院193位病人的反流症状指数评分量表(RSI)数据,应用Logistic回归模型与神经网络模型对咽喉反流疾病进行预测.首先对数据进行预处理和相关性检验,再将数据按7:3拆分成训练集和验证集,最后通过Logistic回归模型和神经网络模型两种方法对咽喉反流疾病进行预测.结果表明,Logistic回归模型的预测准确率为99.39%,神经网络早停止法训练出的模型预测准确率最高为98.61%.因此,Logistic回归模型对咽喉反流性疾病的预测更加准确,为咽喉反流疾病的高效识别奠定了基础.     

基于BP神经网络的森林火环境预测方法

提出了一种基于BP神经网络的森林火环境预测新方法.该方法研究大气环流指数与森林火险的关系,将已有大气环流指数和森林火险等级数据对BP神经网络进行训练,利用BP网络反传学习,通过抑制性反馈和兴奋性前馈作用实现自组织学习,完成大气环流指数与森林火环境指数关系的非线性映射,对大量数据实现特征选择和森林火环境预测.它对春季和夏季的预测准确率分别为89%和82%,试验结果表明该方法的正确性和可行性.     

改进BP神经网络在交通事故预测中的研究

交通事故严重程度受多种因素的影响,适合用人工神经网络来建模预测.因为标准BP(Back Propagation,BP)神经网络具有收敛较慢的缺陷,所以在自适应学习和附加动量因子改进BP神经网络~([1])基础上做了进一步的优化改进,使附加动量因子也具有自学习性.利用改进后的BP神经网络算法,选取英国利兹市的公开交通事故数据集,用影响交通事故严重程度的多种影响因素和事故严重程度构建并训练神经网络,并对最新数据进行预测.通过大量的实验对比收敛速度和预测结果,验证了改进后的算法具有更快的收敛速度和更高的预测准确率.     

基于BP神经网络的网络小说排行预测

近年来随着"IP"热潮兴起,网络文学市场发展迅速,逐渐成为文化娱乐行业投资热点.本文将机器学习方法引入到小说排行预测方面,通过网络爬虫获取网络小说信息并提取了影响排行的特征,提出了基于BP神经网络模型进行小说排行预测.针对训练数据的不均衡,本文采用ROC和AUC作为预测评价指标;实验结果表明,基于BP神经网络的网络小说排行预测的准确率较高,相比传统的文学定性分析方法,机器学习预测方法可解释性和应用性更高.     

基于静态与动态神经网络的运河水位预报

以杭州市上塘河运河为例,分别建立自回归、静态时延神经网络及动态反馈神经网络模型预报受闸门及泵站影响的城市河道未来1~3,h的水位变化,并对模型预报误差、不同水位区间下的误差-频数关系及训练数据的不确定性进行分析.研究结果表明:在预见期1~3,h内,时延神经网络预报效率系数均达到0.9以上,比自回归模型分别提高1.34%,、5.57%,和6.86%,,比动态反馈网络分别提高0.21%,、1.97%,和1.98%,;动态网络模型在人为调控的影响下仍能通过训练模拟出降雨径流关系,对数据具有更好的自学习与调适能力;时延神经网络模型随数据减少预测精度也减少,在仅保留1个洪水场次下效率系数最大降低8.05%,,而动态反馈网络效率系数随训练数据量变化基本在0.11%,内波动,因此在数据量较少的情况下宜建构动态模型.     

BM-MSCs的CNN特征映射与活性评价模型研究

针对分选富集具有治疗疾病效果的干细胞(MSCs)亚群很难实现质量控制的问题,设计了以深度神经网络作为特征映射的主成分分析-岭回归模型,实现对骨髓间充质干细胞(BM-MSCs)的定量评价.通过三维重建细胞计算基于长轴的最大截面作为模型输入;训练4层神经网络将细胞分为正常细胞与病人细胞,提取全连接层输出作为特征映射;利用主成分分析降维后的前3项主成分向量作为自变量X,样本评分作为因变量Y,使用岭回归模型进行拟合,将特征与细胞活性评分相联系,实现BM-MSCs活性定量评价,为后续分选高质量的活性细胞提供依据.第1阶段通过对176例细胞样本进行数据扩增,采用8折交叉验证输入二分类神经网络进行训练,第2阶段将其中标有专家评分的68例细胞样本输入到已训练的神经网络中提取全连接层输出作为特征,利用主成分分析-岭回归模型实现定量评价,结果表明:神经网络二分类准确率98.75%,敏感度为97.84%,特异度为99.43%,对于定量评价,模型总体样本的R2为0.873 6,拟合效果良好,可以实现对BM-MSCs定量评价.     

融合Logistic回归与Tabnet模型的P2P网贷违约预测方法

结合P2P网贷平台的特点,融合Logistic回归和Tabnet模型,提出一种P2P网贷违约预测方法。采集人人贷平台借贷数据,并对数据进行清洗与加工预处理;通过信息价值法和相关性分析,对众多解释变量进行筛选,以借款状态作为因变量,采用Tabnet神经网络进行训练,根据训练得到的特征重要性选择关键的解释变量;将Tabnet神经网络预测结果作为新的训练数据集,构建Logistic回归模型;将人人贷数据集输入Logistic回归学习与训练,以训练好的Logistic回归用于网贷违约预测。实验结果表明,Tabnet模型的网贷违约平均预测准确率和精确率分别为9958%、9547%,Logistic回归的平均准确率和精确率分别为9872%、9221%,而融合模型的平均准确率和精确率分别为9960%、9672%;在3个测试集上的准确率标准差分别为0001 4、0000 6、0000 5,精确率标准差分别为0034 4、0013 3、0013 2。表明融合Logistic回归与Tabnet的网贷违约预测方法具有Logistic回归模型的可解释性与稳定性,可提高单一模型的预测精确度。     

神经网络与贝叶斯滤波器在换道预测中的应用

为提高车辆在换道过程中的行车安全性。提出一种基于BP神经网络与贝叶斯滤波器的换道意图预测方法,通过车道线传感器、方向盘转角传感器和车身CAN总线采集相关表征参数,将其作为BP神经网络输入数据,对驾驶人换道意图进行初步预测,BP神经网络输出结果作为贝叶斯滤波器输入数据,对BP神经网络预测结果作进一步修正。对模型利用真实换道数据进行训练和检测,结果表明此模型的预测准确率达到91.38%,相较于单一的BP神经网络模型,预测准确率提高了6%,并且具有更强的通用性。     

人自体血清支持脐血源HSCs和MSCs共培养研究

考察使用cytodex-3微载体共培养人脐带血(UCB)来源的造血干细胞(HSCs)和间充质干细胞(MSCs)的可行性,并评价其应用于未来临床治疗中的可能性.考虑到临床应用的安全性要求,尝试采用采集于UCB的人自体血清(HAS)取代目前广泛使用的胎牛血清(FBS),以期在体外共培养后可同时获得UCB-HSCs和UCB-MSCs.由于MSCs贴附的cytodex-3载体与悬浮的HSCs之间的密度差异,在共培养后自由沉降分离这两种不同类型的干细胞将会十分容易.为优化培养条件,评估了用不同含量的HAS(2.8%、5.6%、8.3%和11.1%)对UCB-MSCs和UCB-HSCs扩增的影响.结果表明,5.6%HAS培养UCB-HSCs最优,扩增倍数达(1.88±0.33)倍,且同时对UCB-MSCs的扩增亦无很大影响.因此,共培养条件下的HAS最佳含量约为5.6%.所研发的共培养体系可为临床应用提供扩增的UCB-HSCs和UCB-MSCs.     

Colchicine Inhibited the Expression of Tissue Inhibitor of Metalloprotenase-1 and Interleukin-6 in Cultured Activated Hepatic Stellate Cells

Cultured HSCs were treated colchicine with different concentrations for 12 h, respectively. The effects of eolehicine on HSCs growth were measured by MTT assay. Effects of eolchicine on gene expression of HSCs were analysed by using a self-made oligonucleotide mieroarray. Colehieine inhibited HSCs growth in a dose-dependent manner. After 12 h of treatment with 6.25 mg/L of colehicine, the expression of tissue inhibitor of metalloprotenase-1 （TIMP-1） and the expression of interleukin-6 （IL-6） in HSCs were downregulated by 2.3 folds and 2.1 folds, respectively. These results suggest that colchieine＇s beneficial effects may, at least in part, owe to the inhibitory to the proliferation of HSCs and down regulation of the expression of both TIMP1 and IL-6 in HSCs.     

无信号环形交叉口机非冲突机器学习预测方法

为高效精确地预测无信号环形交叉口机动车与非机动车的交通冲突,提出了基于遗传算法优化的BP神经网络(GA-BP)和支持向量回归(SVR)的组合预测模型(SVR-GA-BP)。通过无人机采集混合交通流高清视频,利用视频识别软件Tracker提取机非交通冲突轨迹数据,以距离碰撞时间(Time to Collision, TTC)为判别指标,确定机非冲突严重程度。基于偏相关性分析确定交通量、平均速度、大车比例等为机非交通冲突的显著影响因素,选取均方根误差(RMSE)、平均绝对误差(MAE)等五种评价指标对SVR模型、BP神经网络、SVR-GA-BP模型的预测值进行精度分析。结果表明,组合模型在一般冲突预测中精度为97.1%,相比SVR和BP神经网络分别提高6.9%和2.5%,在严重冲突预测中精度为96.1%,相比SVR和BP神经网络分别提高7.3%和5.1%。可见SVR-GA-BP组合模型能够有效预测无信号环形交叉口的机非冲突且精度最高,可为同类型交叉口的安全评价提供借鉴。     

基于BP神经网络的钢液终点磷含量预测模型

磷含量是描述钢液质量的一个重要的含量。结合遗传算法（GA）和误差反馈型神经网络（BP）,建立了优化的GA-BP神经网络预测模型,预测转炉炼钢过程钢液终点磷含量。对现场收集的数据进行仿真学习,结果表明,该预测模型收敛速度快,具有较高的预测精度,平均绝对误差可达到0.002 7%。随着训练样本的增加和模型结构的进一步优化和完善,将具有很好的应用前景。     

小鼠造血干细胞的分离、培养及重组慢病毒载体介导的离体hFⅨ基因表达

造血干细胞是基因治疗理想的靶细胞之一,尤其适用于遗传性血液病.而重组慢病毒载体能高效感染造血干细胞,成为造血干细胞途径基因治疗的理想载体.从小鼠骨髓细胞中分离出单个核细胞(MNCs)进行体外悬浮培养,并用免疫磁珠法分离得到高纯度的小鼠Lin-CD117+造血干细胞(HSCs).体外悬浮培养期间,添加细胞因子的造血干细胞的细胞数和集落数逐渐增加,而未添加细胞因子的对照组的细胞数量无明显增加,细胞集落递减.用磷酸钙介导的共转染法制备了携带FⅨ基因的FUXW重组慢病毒,用慢病毒载体分别感染从ICR小鼠和C57小鼠中分离得到的MNCs,7d后测得细胞上清中hFⅨ的表达量分别为41.7±4.2和34.5±6.6ng/mL,而慢病毒感染C57小鼠造血干细胞,添加细胞因子组上清中hFⅨ的表达量为46.6±5.7ng/mL,不添加细胞因子组为33.3±4.8ng/mL.实验结果表明,重组FUXW慢病毒载体可有效感染小鼠单个核细胞和Lin-CD117+造血干细胞,添加细胞因子可提高转移基因的表达量.     

基于深度学习的藻类混凝去除率预测方法

针对目前水厂应对藻类爆发时混凝剂投加量难以确定的问题,提出一种基于深度学习的藻类混凝去除率预测方法,利用DenseNet卷积神经网络和絮体图像对藻类混凝去除率进行预测,从而对投药量进行调整 . 具体做法是,在实验室条件下对高藻水进行混凝处理,记录混凝处理后的絮体图像和对应的去除率 . 以去除率区间为标签构建絮体图像数据集,利用此数据集对 DenseNet-121模型进行训练 . 结果显示,训练后的模型对测试集的预测准确度达到了 89.5%,与 VGG 和 ResNet模型相比,利用 DenseNet模型对本文建立的数据集进行识别的精确度更高,且在识别去除率在 60%~90% 区间的絮体图像相较于其他两种模型具有明显优势. 同时通过对数据集外的铜绿微囊藻絮体图像进行识别,验证了模型具有良好的泛化性.     

小净距2扩4隧道变形规律的BP小波神经预测

以泉厦高速扩建工程大帽山隧道为例,通过周边位移和拱顶沉降的监测数据对小净距扩挖隧道的围岩变形规律进行分析.研究表明:小净距2扩4隧道具有和其他隧道不同的变形规律.在此基础上将小波函数引入BP神经网络建立BP小波神经网络模型,对特大断面超小净距隧道2扩4时围岩变形进行预测,并将预测结果与BP神经网络的预测结果进行对比.结果表明:BP小波神经网络模型收敛快、精度高,优于BP神经网络模型,预测的精度达10%以内,满足工程精度要求.     

适应于可再生能源接入下配电网极限线损的计算方法

随着可再生能源的开发与利用大幅提升, 分布式的电源接入给中压配电网潮流分布带来了波动性和不确定性, 从而加大了线损计算的难度, 不利于电网经济性考核指标的制定. 因此, 极限线损的计算方法与模型越来越引起重视. 提出了一种基于半不变量的配电网极限线损计算模型, 以实现含可再生能源配电网极限线损的快速计算. 首先, 分别依据潮流计算与统计数据进行计算, 得到配电网各节点与电源的各阶半不变量; 然后, 用 Gram-Charlier (GC) 级数展开式计算得到各个状态变量的分布函数与概率密度函数; 最后, 根据置信区间确定配电网极限线损. 以 IEEE34 节点系统为算例, 分析了不同节点分布式电源接入对配电网的影响, 验证了应用半不变量法的线损计算模型的计算精度及其在大规模配电网应用中的计算速度优势.     

Inhibitory receptors bind ANGPTLs and support blood stem cells and leukaemia development

How environmental cues regulate adult stem cell and cancer cell activity through surface receptors is poorly understood. Angiopoietin-like proteins (ANGPTLs), a family of seven secreted glycoproteins, are known to support the activity of haematopoietic stem cells (HSCs) in vitro and in vivo. ANGPTLs also have important roles in lipid metabolism, angiogenesis and inflammation, but were considered 'orphan ligands' because no receptors were identified. Here we show that the immune-inhibitory receptor human leukocyte immunoglobulin-like receptor B2 (LILRB2) and its mouse orthologue paired immunoglobulin-like receptor (PIRB) are receptors for several ANGPTLs. LILRB2 and PIRB are expressed on human and mouse HSCs, respectively, and the binding of ANGPTLs to these receptors supported ex vivo expansion of HSCs. In mouse transplantation acute myeloid leukaemia models, a deficiency in intracellular signalling of PIRB resulted in increased differentiation of leukaemia cells, revealing that PIRB supports leukaemia development. Our study indicates an unexpected functional significance of classical immune-inhibitory receptors in maintenance of stemness of normal adult stem cells and in support of cancer development.     

多环芳烃致癌活性的支持向量机分类模型

采用留一交叉校验法,分别用支持向量分类法、反向传播人工神经网络和K最近邻法对72个多环芳烃类化合物致癌活性构建分类模型,并作比较.其错分样本数及预报准确率分别为：7、28和22个;90.28%、61.11%和69.44%.实验结果表明,支持向量机算法具有较强的稳健性和较好的鲁棒性,能够用于多环芳烃致癌活性的分类和预测.