葡京娱乐场-富盈娱乐场开户_百家乐试玩_sz全讯网网址xb112 (中国)·官方网站

終末分化的體細(xì)胞可以通過(guò)SCNT或者誘導(dǎo)性多能干細(xì)胞（iPS）技術(shù)，重編程至全/多能性的狀態(tài)。與SCNT和iPS技術(shù)相比，化學(xué)小分子誘導(dǎo)（CiPS）僅使用化學(xué)小分子就能使普通體細(xì)胞發(fā)生重編程，逆轉(zhuǎn)為多潛能干細(xì)胞。CiPS技術(shù)不僅簡(jiǎn)單，而且不受試驗(yàn)材料限制及不涉及倫理方面的問(wèn)題，因此CiPS具有更廣泛的科研、臨床及育種應(yīng)用價(jià)值。然而，CiPS的誘導(dǎo)耗時(shí)長(zhǎng)且效率低，如何提高CiPS的誘導(dǎo)效率，是化學(xué)誘導(dǎo)細(xì)胞重編程領(lǐng)域亟待解決的問(wèn)題之一。 本研究針對(duì)哺乳動(dòng)物SCNT和CiPS介導(dǎo)的體細(xì)胞重編程效率低與克隆動(dòng)物出生率低等關(guān)鍵科學(xué)問(wèn)題，利用課題組在2018年自主研發(fā)的“胚胎ZGA實(shí)時(shí)監(jiān)測(cè)系統(tǒng)”，結(jié)合siRNA-repressor和mRNA-inducer技術(shù)，對(duì)16種“合子基因組調(diào)控因子（ZGA-regulator）”進(jìn)行篩選。結(jié)果發(fā)現(xiàn)，Dux、Dppa2和Dppa4在體細(xì)胞重編程的早期階段發(fā)揮關(guān)鍵作用。如用CRISPR-Cas9敲除Dux，克隆胚胎將完全被阻斷在2-細(xì)胞時(shí)期。只有在瞬間過(guò)表達(dá)Dux（tOE-Dux），使其符合內(nèi)源Dux時(shí)空特性時(shí)，才能提高核移植重編程效率，我們將這種方法稱(chēng)為D-SCNT。此外，D-SCNT結(jié)合干擾DNA甲基化酶（si-Dnmts）能夠進(jìn)一步提高克隆動(dòng)物的出生率。研究還發(fā)現(xiàn)，特異性過(guò)表達(dá)Dux可以顯著提高CiPS的細(xì)胞重編程效率和提高干細(xì)胞的多能性，并對(duì)相關(guān)機(jī)制做了闡釋。 該研究首次揭示了ZGA調(diào)控因子Dux在體細(xì)胞重編程中的作用機(jī)制，時(shí)空特異性過(guò)表達(dá)Dux可大幅度提高克隆效率和化學(xué)小分子誘導(dǎo)多能干細(xì)胞的建系效率，為干細(xì)胞的再生醫(yī)學(xué)與生物工程應(yīng)用提供了新的途徑。

Obada獎(jiǎng)是由非洲科學(xué)院和自然科學(xué)出版集團(tuán)（Natural Sciences Publishing, NSP）組織和設(shè)立，并以Abdel-Shafy Obada教授名字命名的國(guó)際獎(jiǎng)項(xiàng)。該獎(jiǎng)旨在表彰在跨越傳統(tǒng)界限與范式的創(chuàng)新和跨學(xué)科研究做出突出貢獻(xiàn)的科研人員。

目前腫瘤化療耐受的分子機(jī)制尚待進(jìn)一步解析。肌層浸潤(rùn)型膀胱癌（Muscle-invasive bladder cancer,MIBC）是最為常見(jiàn)和惡性的泌尿系統(tǒng)腫瘤，以順鉑為主的化療是不可手術(shù)和轉(zhuǎn)移性MIBC的一線(xiàn)治療方案，而由于化療耐藥的產(chǎn)生，很大一部分患者會(huì)化療失敗，導(dǎo)致腫瘤復(fù)發(fā)和進(jìn)展。

提供一種高分辨率光學(xué)推掃衛(wèi)星穩(wěn)態(tài)重成像傳感器校正方法及系統(tǒng)，包括構(gòu)建單片TDICCD非穩(wěn)態(tài)嚴(yán)密幾何模型和虛擬CCD穩(wěn)態(tài)成像嚴(yán)密幾何模型，根據(jù)虛擬CCD穩(wěn)態(tài)成像嚴(yán)密幾何模型得到有理函數(shù)模型，建立單片TDICCD影像與虛擬CCD重成像影像的一一映射關(guān)系，從而根據(jù)原始的單片TDICCD影像生成傳感器校正后影像。本發(fā)明技術(shù)方案結(jié)合虛擬CCD成像原理，利用多片TDICCD非穩(wěn)態(tài)幾何模型與虛擬單線(xiàn)陣CCD穩(wěn)態(tài)幾何模型定位的一致性，實(shí)現(xiàn)多片CCD影像的無(wú)縫拼接的同時(shí)，校正由平臺(tái)震顫引起的影像變形，提供用戶(hù)標(biāo)準(zhǔn)景影像和對(duì)應(yīng)高精度RPC參數(shù)，便于后續(xù)圖像應(yīng)用。

我校理學(xué)院大數(shù)據(jù)研究團(tuán)隊(duì)在人工智能與大數(shù)據(jù)處理技術(shù)研究方面取得系列進(jìn)展，研究成果分別發(fā)表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能頂級(jí)期刊。神經(jīng)網(wǎng)絡(luò)是人工智能領(lǐng)域中目前最為火熱的研究方向——深度學(xué)習(xí)的架構(gòu)基礎(chǔ)。雖然深度學(xué)習(xí)在近幾年發(fā)展迅速，但是關(guān)于如何設(shè)計(jì)最優(yōu)神經(jīng)網(wǎng)絡(luò)架構(gòu)的問(wèn)題仍處于探索階段。該團(tuán)隊(duì)分別針對(duì)人工智能中神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、高維大規(guī)模數(shù)據(jù)存在無(wú)效和冗余特征、難以獲取長(zhǎng)時(shí)序信息等問(wèn)題與缺陷，設(shè)計(jì)出了一系列網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化、大數(shù)據(jù)特征選擇和時(shí)序循環(huán)神經(jīng)網(wǎng)絡(luò)模型，有效改善了上述不足，提高了人工智能模型的學(xué)習(xí)性能。 題目為《帶Group Lasso懲罰與控制冗余的神經(jīng)網(wǎng)絡(luò)特征選擇》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究論文發(fā)表在人工智能領(lǐng)域權(quán)威國(guó)際期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生張華清為該論文共同第一作者， 我校榮譽(yù)教授Nikhil R. Pal院士（印度統(tǒng)計(jì)研究所）參與指導(dǎo)，中國(guó)石油大學(xué)（華東）為第一署名單位。該項(xiàng)工作得到國(guó)家自然科學(xué)基金、國(guó)家科技重大專(zhuān)項(xiàng)、山東自然科學(xué)基金、中央高校基本科研業(yè)務(wù)費(fèi)、中國(guó)石油天然氣集團(tuán)公司重大科技項(xiàng)目以及山東省高校青年創(chuàng)新科技支撐計(jì)劃的資助。 特征選擇技術(shù)也稱(chēng)屬性選擇，是指從原始特征或?qū)傩灾羞x擇出最有效的特征或?qū)傩砸越档蛿?shù)據(jù)維度的過(guò)程，它是人工智能數(shù)據(jù)預(yù)處理環(huán)節(jié)的重要步驟，也是大數(shù)據(jù)處理技術(shù)的重要環(huán)節(jié)。該項(xiàng)工作在神經(jīng)網(wǎng)絡(luò)中嵌入Group Lasso懲罰項(xiàng)并實(shí)現(xiàn)特征冗余控制，在選出對(duì)解決問(wèn)題最有幫助、蘊(yùn)含信息量最大的特征或?qū)傩缘耐瑫r(shí)，控制所選特征子集的冗余程度，以達(dá)到降維的最優(yōu)效果，從而使模型的泛化能力更強(qiáng)，降低神經(jīng)網(wǎng)絡(luò)模型產(chǎn)生過(guò)擬合的風(fēng)險(xiǎn)。 題目為《基于L1正則化的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化模型設(shè)計(jì)與分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究論文發(fā)表在國(guó)際人工智能領(lǐng)域權(quán)威期刊IEEE Transactions on Cybernetics。碩士生謝雪濤和博士生張華清為論文共同第一作者，王健副教授為通訊作者，我校榮譽(yù)教授Nikhil R. Pal院士（印度統(tǒng)計(jì)研究所）參與指導(dǎo)，中國(guó)石油大學(xué)（華東）為第一署名單位。該項(xiàng)研究成果得到了國(guó)家自然科學(xué)基金、山東省自然科學(xué)基金和中央高校基本科研業(yè)務(wù)費(fèi)的資助。 該項(xiàng)工作借助L1正則子具有的稀疏表達(dá)能力，提出兩種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化學(xué)習(xí)模型；本項(xiàng)工作另外一個(gè)突出貢獻(xiàn)就是提出了一種簡(jiǎn)單且具有通用性的收斂性證明方法，同時(shí)保證了模型設(shè)計(jì)的合理性。實(shí)驗(yàn)結(jié)果表明所提出模型具有強(qiáng)大的魯棒性、廣泛的適用性、理想的剪枝能力和良好的泛化能力，適用處理高維大數(shù)據(jù)。該研究成果在人工智能與深度學(xué)習(xí)構(gòu)造最簡(jiǎn)網(wǎng)絡(luò)結(jié)構(gòu)方面具有很強(qiáng)的指導(dǎo)作用和應(yīng)用推廣價(jià)值。