大鼠背根神经节分离细胞离子单通道记录技术

本文探讨了在大鼠背根神经节(DRG)细胞上记录离子单通道电流的方法,研究了膜片钳实验的各个环节,研究了提高封接电阻的方法。研究结果表明,单通道记录的背景噪声取决于电极与细胞的封接水平。文中还讨论了实验系统的组装,电极制备和细胞分离等技术。     

全细胞记录模式影响肥大细胞分泌的机制

利用细胞膜电容监测技术和显微镜形态观察的方法，研究了全细胞记录模式对肥大细胞分泌反应的影响。结果表明，机械和与电场力对细胞分泌反应有一定的抑制作用，胞浆内离子和活性小分子的冲洗流失则是影响分泌反应的根本原理，最后提出了全细胞记录模式对肥大细胞分泌反应的作用机制。     

细胞膜单通道非平衡态离子动力学研究

速率学说更合理地解释离子通过离子通道中孔道的过程。本文将速率学说建立在Markor过程理论基础上,得到非平衡定态时越过能垒的离子流和膜钳制电位之间关系的一般模型。并将系统辨识中的单纯形法引入非平衡定态模型中的参数估计。采用膜片钳制技术记录了离体培养的新生大鼠大脑皮质神经元钾离子单通道电流。在膜两侧对称高钾溶液下,通道电流和电压之间呈线性关系的范围为：细胞贴附模式下,±60mv,内膜向外时±40mv。在此范围之外,通道电流和电压之间呈非线性关系。能垒分布接近三能垒模型。细胞贴附时膜外侧能垒最高,中间能垒最低,这种分布导致通道电流和电压之间的S型关系。内膜向外模式下,从膜内到膜外,能垒高度依次递增。孔道内能垒不对称是导致通道电流整流现象的基础。     

单通道记录信号的OFDM系统频偏估计新方法

提出了一种利用独立分量分析(ICA)技术估计正交频分复用(OFDM)系统频偏的新方法.传统的ICA算法进行频偏估计需要通过不同手段获得多路混合信号,该方法只需利用相关检测技术处理单路OFDM信号,获得观测信号向量,通过ICA算法分离出含频偏信息的信号,然后估计OFDM系统的频偏.与传统的频偏估计方法相比较,该方法不需要信道状态信息(CSI)和辅助信息,不需要额外的带宽,大大降低了系统实现的复杂度,因此具有一定的优越性.仿真结果表明,该方法频偏估计准确度较高,估计范围可以达到±0.5倍的子载波间隔.     

适用于膜片钳技术的细胞分离及培养技术的研究进展

生物细胞膜片钳技术自八十年代问世以来,已经在电生理领域得到了很大的发展,但由于细胞分离及培养技术的原因,时至今日此项技术手段仍未普及. 本文综述了膜片钳技术和组织培养,主要内容包括钳技术,组织培养的历史发展以及适用于膜片钳技术的神经细胞,心肌细胞,骨骼肌细胞等的分离培养方面的进展及前景展望.     

适用于膜片钳技术的细胞分离及培养技术的研究进展

生物细胞膜片钳技术自八十年代问世以来,已经在电生理领域得到了很大的发展,但由于细胞分离及培养技术的原因,时至今日此项技术手段仍未普及。本文综述了膜片钳技术和组织培养,主要内容包括钳技术,组织培养的历史发展以及适用于膜片钳技术的神经细胞,心肌细胞,骨骼肌细胞等的分离培养方面的进展及前景展望。     

一种新的自适应粒子滤波单通道盲分离算法

目前,解决成对载波多址单通道盲分离问题的主要方法之一是粒子滤波。以往的分离算法中,粒子数往往是固定的。盲分离粒子滤波算法在经过若干次迭代和重采样过后,存在一些权重数量级非常小的粒子,这些粒子不仅对后验概率密度的贡献甚微,而且会浪费大量的运算时间,导致算法效率低下。为提高效率,根据粒子滤波盲分离的特点,在参数大致收敛之后,采用一种自适应的算法降低粒子数目。此方法在保证了精度的同时,降低了计算复杂度。仿真结果表明,改进的算法相比传统粒子滤波算法复杂度降低了约1/6左右,低信噪比条件下精度比传统算法更高。     

膜片钳全细胞记录法在研究谷氨酰胺转运蛋白分子机制中的应用

为了研究中性氨基酸转运蛋白-谷氨酰胺转运蛋白的结构与功能,采用膜片钳全细胞记录法测定谷氨酰胺转运蛋白2介导的电流.结果表明:谷氨酰胺转运蛋白诱导了底物氨基酸和Na+浓度依赖性电流,可用于测定底物氨基酸和Na+对转运蛋白的表观亲和常数Km,SNAT2野生型对丙氨酸的表现亲和常数KmAla为(200±5)×10-6mol/L,对Na+的表观亲和常数KmNa为(100±7)×10-3mol/L.谷氨酸转运蛋白转运底物氨基酸过程是生电的过程,在膜电势负值时氨基酸转运电流增大,可用于转运机制的研究.因此膜片钳全细胞记录法是研究谷氨酰胺转运蛋白分子机制的有效方法.     

大鼠心肌细胞的分离技术和电生理鉴定

采用酶消化法分离单个心肌细胞,应用膜片钳全细胞记录技术记录钙电流.探索大鼠心肌细胞分离方法并进行电生理鉴定.结果显示,本方法分离所得心肌细胞横纹清晰,可获得90%～95%耐钙细胞,并具有正常电生理活性,易于形成高阻封接,可用于钙电流记录.本实验所采用的分离方法经济、简便、成功率高,并通过全细胞膜片钳记录证实该分离方法得到的细胞有正常的电生理特性.     

单通道混合信号中周期信号的盲分离

在定义信号周期性的基础上,针对多个周期信号、多个周期信号和其他信号单通道混合的情况,提出了基于特征值分析的周期信号盲分离方法,并对算法的可行性、分离误差及分离效果进行了理论分析.仿真结果表明:该方法能适应较低的信噪比,且具有计算量小、易于实现等优点.     

联合串行干扰抵消与因子图的单通道混合信号盲分离算法

为解决复杂编码方式下单通道同频混合信号盲分离复杂度高的问题,提出了一种联合串行干扰抵消(SIC)与因子图的迭代分离算法。首先由传输信道参数来重构发送信道,然后根据重构信道进行SIC解调,获得解调信号软信息传递给译码模块,将译码增益反馈回SIC解调模块,利用迭代处理来实现分离。重点研究了解调与译码间信息迭代交互过程,以及2路信号分量的信道参数差异对分离性能的影响,得到随着迭代次数的增加以及信道参数差异性增加,算法分离性能将得到提升的结论。仿真实验表明,在LDPC编译码环境下,QPSK调制混合信号经2次迭代处理,分离性能较M-PSP算法提升2dB以上。     

基于强约束字典联合深度神经网络的单通道语音分离

针对基于字典学习语音分离方法的“交叉投影”问题,提出了强约束的优化函数,不仅抑制重构信号和目标信号的误差,约束干净信号在联合字典上的误差,而且抑制干净信号在其他字典上的投影并限制字典间的原子相关性。此外,为了进一步提高两个相似信号的分离效果,提出基于强约束字典联合深度神经网络的单通道语音分离方法,首先利用强约束字典实现目标与干扰语音的初步分离,然后通过联合约束利用深度神经网络实现语音与干扰语音交叉投影残余的分离。实验结果表明,与其他优秀单通道语音分离方法相比,该算法有效提升了语音分离系统的性能。     

一种单通道的周期性信号盲分离算法

提出一种针对周期性源信号的单通道盲源分离方法,该方法首先利用希尔伯特变换将单通道的混合信号表示为复数形式后,并用交叉互验技术来估计谐波分量的阶数,然后通过人工蜂群算法优化用于估计基频的代价函数以获得源数、基频及其谐波长度,最后由一种自适应滤波算法来估算源信号的幅值,从而实现了盲源分离的目的.仿真实验结果表明了该方法思路的可行性,且可达到"全盲"的要求.     

大鼠原代肝星形细胞的分离与鉴定

本文通过二步原位灌注的方法分离得到大鼠肝脏,随后通过机械剪切,用0.2g/L链霉蛋白酶E,0.2g/L胶原酶Ⅳ以及0.1g/L DNaseⅠ消化和分散,筛网过滤、经130g/L Nycodenz密度梯度离心后收集肝星状细胞,经台盼蓝染色后用细胞计数仪鉴定细胞存活率,α-SMA(平滑肌动蛋白)免疫细胞化学染色法鉴定肝星状细胞纯度。结果显示,肝星状细胞的得率为每个肝脏3.5×107个细胞以上,肝星状细胞纯度为95%左右,肝星状细胞存活率为(97.0±3.2)%,满足实验需要。     

应用基扩展模型的混合信号单通道盲分离算法

针对传统最小均方误差逐幸存路径处理(LMS-PSP)单通道盲分离算法在时变信道下性能差的问题,提出一种基于基扩展模型逐幸存路径处理(BEM-PSP)的单通道盲分离算法。首先对接收到的部分混合信号进行LMS-PSP单通道盲分离,得到部分准确的信道冲激响应(CIR);然后结合时变信道下基于基扩展模型进行信道估计的思想,完成整个时间周期CIR的估计;最后采用Viterbi算法对混合信号进行序列估计,从而实现时变信道下混合信号的单通道盲分离。仿真结果表明,对于2路混合QPSK信号,在相同仿真条件下,BEM-PSP算法较LMS-PSP算法能降低50%的复杂度且能获得更好的性能,在20dB处的误码率可达4×10-2,而LMS-PSP单通道盲分离算法的误码率只能达到1×10-1,并且在同等过采样倍数下,该算法能获得更高的性能提升。     

大鼠背根神经节神经元的分离方法及电生理特征探讨

在获取大鼠背根神经节神经元后,全细胞膜片钳技术记录动作电位和钠电流,探讨大鼠背根神经节细胞的分离方法和细胞形态以及电生理特征.结果显示,本实验能得到完整圆形或椭圆长条形的大鼠背根神经节体.正常的单个背根神经节神经元呈圆形或椭圆形,大小不等,胞膜清晰,折光性好,隐约可见细胞核.在背根神经节细胞上记录的动作电位呈正立锐角三角形,静息电位小,动作电位时程短.背根神经节神经元的钠通道最大电流密度为(-62.04±4.45)pA/pF,几乎能被河豚毒素(TTX)完全抑制.本实验分离方法简单易行,背根神经节神经元容易获得和辨认,电生理特征明确,适用于神经系统疾病的电生理特征研究和治疗药物观察.     

单通道时频重叠高斯调幅通信信号盲分离方法

为了解决单通道多个时频重叠高斯调幅通信信号共信道的盲分离问题,提出了一种混合遗传与最小值搜索的盲分离算法。根据信号的特征,建立信号模型,利用接收到的一组混合信号的数据,利用混合遗传与最小值搜索的盲分离算法对所有待估计参数进行联合搜索,实现了多个信号分量的重构和分离。仿真结果表明,与传统的最小值搜索算法(初值选取误差控制在远离期望值的5%以内)和遗传算法相比,该算法有较高的数值精度和不受初值选取影响的优点。     

单通道涡流无损检测信号盲源分离算法

针对脉冲涡流无损检测(pulsed eddy current testing, PECT)系统中获取单一检测信号存在的混叠问题,文章提出一种基于经验模态分解(empirical mode decomposition, EMD)和快速独立分量分析(fast independent component analysis, FastICA)的单通道盲源信号分离算法。该算法首先通过EMD对混合观测信号分解,然后利用奇异值分解(singular value decomposition, SVD)估计源信号数目,根据估计得到的源信号数目将观测信号和对应模态分量构成新的虚拟信号,最后利用FastICA算法分离得到源信号的估计。有限元仿真实验表明该算法能有效分离单通道混合检测信号,并且优于小波分解的单通道盲源分离算法。     

基于MPSO粒子滤波的单通道扰信盲分离算法

针对单通道接收情况下通信信号与干扰盲分离的难题,提出了一种基于变异粒子群优化粒子滤波的单通道扰信盲分离新算法。首先建立了受扰通信信号的状态空间模型,并利用变异粒子群重采样粒子滤波进行通信码元和未知参数的联合最大后验估计,有效改善了标准粒子滤波中存在的粒子退化现象,在减少所需粒子数量的同时,又保持了序贯估计过程中粒子集合的多样性和优质性,使新算法在干信比较大时也能保持较好的分离性能。仿真实验表明,对单音干扰,在干信比等于30 dB,信噪比大于15 dB的条件下,新算法可以有效地从单路接收的受扰信号中分离出通信信号与干扰。     

心肌细胞离子通道的研究进展

<正>Neher和Sakmann于1976年创建了"膜片钳"技术,首次记录到单通道电流。因为测量原理仍与电压(电流)钳相似,但是微电极不再插入细胞内,而是高阻封接在局部膜片上,所以把这种电压(电流)钳位测量方法称为膜片钳。[1]心电生理深入的研究离不开膜片钳技术,其基本方法与经典的微电极技术相似,它记录的是各种跨膜离子流,按方法的不同可作全细胞记录或单通道记录。心肌细胞膜电位靠膜内外离子浓度差维持,内向离子流包括(按惯用符号表示):INa为钠流,INa-B为背景钠流,ICa-L为L-型