氨氢融合新能源交叉科学前沿战略研究

<正>2022年3月23日,国家发展和改革委员会、国家能源局联合印发《氢能产业发展中长期规划(2021～2035年)》,明确了氢能是国家能源体系的重要组成部分.最近20多年来,氢能基础设施建设、氢能关键材料与核心部件、氢能汽车产业发展、氢能储运技术等方面国内外取得了长足的进展.但目前在世界范围内,氢能产业发展仍然面临着氢跨区域、高安全、低成本、大规模储运难的重大瓶颈^[1～4];     

电控双离子转换实现氧化物三态相变及光电磁物性调控

正通过电场诱导氧化物结构转换,进而调控其物性,扩展其应用,是材料科学研究历久弥新的一项主题.在电介质中,外电场能在Pb(Mg_(1/3)Nb_(2/3))O_3单晶中诱导铁电性~([1]),亦能在VO_2薄膜中诱导金属绝缘体相变~([2,3]);在多铁材料中,电场能在翻转(LuFeO_3)_m/(LuFe_2O_4)_n超晶格铁电极化的同时翻转其磁矩,实现磁电耦合~([4]);在电化学体系中(如LiFePO_4,FeSe和TaS_2等),电场作用下锂离子的嵌入和析     

压力应激韧性的神经机制

抑郁症是最常见的精神疾病之一,其患病人群在不断增长.并且,抑郁症的终生患病率为15%～18%,即大约每5人中就有一个人在其一生中经历过抑郁发作.压力应激作为一种环境因素是抑郁症的主要成因之一.经历了压力应激却没有发展至抑郁症的人群具有压力应激韧性(resilience).探索压力应激韧性的神经机制,对抑郁症在临床上预防和治疗将发挥至关重要的作用.本文主要关注压力应激韧性的神经机制的研究进展,首先简要介绍了压力应激韧性研究中常用的慢性社交挫败应激模型(chronic social defeat stress, CSDS),其次重点对压力应激韧性相关的大脑区域在分子、细胞和神经环路水平上的研究进展进行总结,接下来介绍压力应激韧性的临床前机制研究所带来的临床转化,最后讨论和展望压力应激韧性在未来的研究方向.     

摄像机畸变矫正研究的综述

本文首先介绍了畸变产生原因,然后阐述了畸变矫正基本原理.通过对目前四中畸变模型的具体分析,给出了各种方法的优劣点;最后给出了发展传统的摄像机畸变矫正方向和提高畸变精度的一些参考意见.     

一种基于转交效用的多副本机会网络路由协议

为了提高机会网络的传输效率,该文在分析现有“存储-携带-转发”传输模型的的基础上,提出一种基于转交效用的多副本传输方法.该方法根据节点历史相遇的时间和空间信息计算节点的递交概率预测值,并将其应用到散发策略和转发递交策略中,使节点在选择下一跳节点时能够预先判断其到达目的节点的效率,从而选择一条最优路径,提高了副本投递的能力.仿真结果表明,该路由算法具有较高的报文成功递交率、较低的平均网络延时,以及较低的网络开销,适合于通信不稳定的机会网络.     

高保真电视胸腔镜肺叶切除术模拟

电视胸腔镜(VATS, Video-assisted thoracoscopic surgery)肺叶切除术仿真系统对外科医生手术培训及规划具有重要价值。为实现高保真电视胸腔镜肺叶切除术的模拟,设计了一套有效模拟VATS手术过程中不同手术操作的肺叶切除术模拟器。采用基于位置的动力学仿真框架实现了手术器械-软组织和软组织间交互作用、软组织切割以及手术缝合操作引起的变形模拟;并采用了Marching Cubes算法对模型进行面绘制,尤其是切割操作的渲染;使用GPU并行计算的方法加速手术模拟和面绘制。实验结果表明,本文方法可实现高保真、稳定、高效的VATS手术仿真效果。     

数据驱动储能电池新材料的筛选和设计

数据驱动新材料产业发展是第四研究范式促进材料创新,加快材料应用的多学科多领域交叉融合的技术热点.机器学习(machine learning, ML)作为一种重要的数据驱动方法,其结合第一性原理计算在材料科学、化学、物理学和计算机等跨学科领域展现出巨大的优势,为储能电池新材料的快速发展带来了新的机遇.为帮助研究人员了解这一新兴领域,本文系统地详述了高通量计算筛选和ML在储能电池材料研究中的最新进展,概括和总结了目前国内外应用较为广泛的在线材料数据库,举例介绍了新数据库的多层次构建,分析了目前数据采集方面的一些难点.论文进一步介绍了ML方法在高通量计算筛选、材料性质预测、材料结构与电化学性能构效关系研究和材料设计方面的应用实例,最后分析讨论了当前ML在储能电池领域面临的一些挑战,并展望了该领域的前沿研究.     

面向合成生物学的机器学习方法及应用

机器学习的目标是设计可以根据先验知识和观测数据不断改进其性能的算法.该算法可以帮助机器从大量的数据中提取知识,从而提升其在特定任务上的性能.作为数据驱动的方法,机器学习可以有效利用高通量实验技术产生的大批量生物数据,实现合成生物体的功能预测与智能化设计,改变合成生物学的研究范式.本文首先介绍机器学习在合成生物学领域广泛应用的几个模型及方法,如支持向量机、神经网络、生成式对抗网络、深度强化学习等.然后介绍机器学习方法在合成生物学领域的典型应用,如启动子预测、酶催化设计、代谢途径构建、基因线路设计等.本文综述面向合成生物学的机器学习方法及应用,并试图启发读者如何选择和设计机器学习方法用于合成生物学的研究.     

合成生物学在活体功能材料构建上的应用

材料是人类赖以生存与发展的物质基础,代表了一个时代科学技术成果的最前沿.近年来飞速发展的合成生物学,通过改进现有系统或构建全新的生物体系,极大地促进了对生物本身的了解,拓宽了生命科学的应用范围.将构建的生物体系进一步结合材料科学中的设计工具及方法,便诞生了活体功能材料这一概念及领域.与传统材料不同,活体功能材料以活体细胞为结构单体组装材料,活体细胞本身成为材料的工程化设计工具以及技术设想和实现途径的基本单元.将编程后的工程活细胞组装、裁剪成具有生物系统特性的活体功能材料,将活体细胞的自我修复能力等特性融入材料,进一步拓展了原有材料的性能.本文将着重介绍活体功能材料的产生、发展及近年来取得的相关成果,在此基础上对活体功能材料未来的发展进行展望.     

定量与工程生物学在mRNA基因疗法中的应用

信使RNA(messenger RNA, mRNA)作为基因信息的瞬时载体,是一种多功能、灵活及安全的基因治疗手段,但由于mRNA分子的不稳定性和免疫原性,这种基因疗法最初并没有得到普及.在过去几十年里,定量与工程生物学学科交叉融合使得以mRNA为基础的基因治疗方法逐渐从概念验证阶段走向临床治疗阶段.本文从mRNA的功能结构、体外合成mRNA的设计和技术创新等方面阐述了定量与工程生物学在mRNA基因治疗中的应用.借助一些实验室和临床应用案例展示了定量与工程生物学方法指导mRNA药物设计,解决当代医疗问题.有效的工程设计方法将有助于针对各种适应证和遗传背景建立精准的mRNA基因治疗平台.目前,尽管基于mRNA的基因治疗方法在大多数适应证中仍处于预临床阶段,但各种工程与定量生物设计方法的积累可能会为新一代mRNA基因疗法拓宽道路.