研究乳源性外泌体与脂质体进行膜融合得到的杂化外泌体装载青藤碱(sinomenine,SIN)后对胶原诱导性关节炎(CIA)大鼠的治疗效果.通过蔗糖密度梯度离心法从鲜牛乳中提取外泌体,采用乳化蒸发-低温固化法制备脂质体,共孵育法进行膜融合后对杂化外泌体进行表征:透射电镜检测形貌,纳米粒度电位仪检测粒径与电位,蛋白免疫印迹法(Western blot,WB)检测膜融合前后外泌体膜表面特征蛋白CD63和TSG101的表达.超声法装载青藤碱后,酶标仪检测其载药量与包封率.胶原抗体诱导法建立CIA大鼠模型,药效实验设对照组、模型组、SIN组、SIN-脂质体组、SIN-乳外泌体组、SIN-杂化外泌体组及阳性药(地塞米松)组.记录给药期间大鼠体质量变化,以足肿胀度、免疫器官指数、关节炎指数、微循环指标变化、滑膜组织病理学检查、血清炎症因子水平变化为指标进行药效学研究.透射电镜结果显示,杂化外泌体与乳外泌体外观均呈茶托状,共孵育后外泌体粒径由(97.92±3.42)nm 增长到(132.70±4.07)nm,Zeta 电位由(-2.01±0.33)mV 变为(-17.90±2.13)mV,WB结果显示CD63与TSG101蛋白在乳外泌体及杂化外泌体中均正常表达.酶标仪测定乳外泌体包封率31.64％±2.48％、载药量2.35％±0.52％,杂化外泌体包封率48.21％±3.12％、载药量3.17％±0.36％.药效学结果显示,与模型组相比,各给药组一般情况及足肿胀度、关节炎指数及免疫器官指数均得到显著改善(P＜0.05,P＜0.01),微血管综合评分及血管阻力显著下降(P＜0.05,P＜0.01),血清中肿瘤坏死因子-α(TNF-α)、白细胞介素-1β(IL-1β)和白细胞介素-6(IL-6)炎症因子水平显著降低(P＜0.01),滑膜组织的病变得到一定程度的改善.同时与SIN组、SIN-脂质体组及SIN-乳外泌体组相比,SIN-杂化外泌体组具备更平稳持久的药效.该研究将乳源性外泌体与脂质体共孵育得到的杂化外泌体成功改善了外泌体载药量小与脂质体生物相容性差等问题,负载青藤碱的杂化外泌体对CIA大鼠有着良好的疗效,可有效解决青风藤等疗效佳但生物半衰期短的问题,为传统中药的新发展及类风湿性关节炎等疾病的治疗提供了新思路.

植物生理学课程是面向农学大类招生的本科生开设的学科专业基础课程,具有理论性强和内容抽象程度高的知识体系特性.在新农科背景下,学习该课程的学生存在知识框架不系统、思政教育有待加强、学生科研素质不足,以及学生对专业缺乏信心等突出问题.针对以上问题,本论文提出以学生为中心,以构建知识框架体系,提高专业素养为 目标,创设"知识链+思政+科教+产教"四融合的教学新模式,从植物生理学基础知识到科学研究,再到农业生产知识链的搭建,促进课堂学习与科学研究、课程教育与思政教育、专业教学与产业发展的有效融合,为新农科创新人才的培养提供参考.

目的 探讨分析3.0T多参数磁共振对于前列腺特异抗原(PSA)＞4 ng/ml的疑似前列腺癌、前列腺炎与前列腺增生患者穿刺活检的鉴别诊断价值.方法 回顾性分析2018年1月至2022年1月来我院泌尿外科就诊的PSA＞4 ng/ml、影像学分期T2期内疑似前列腺癌、前列腺炎与前列腺增生并进行前列腺穿刺活检患者的临床资料,共200例;按照诊断方法的不同分为对照组和试验组,即对照组经直肠超声检查发现前列腺低回声区即直接行经直肠B超引导下前列腺系统+靶向穿刺活检,而试验组是先行3.0T多参数磁共振检查,再行经直肠B超引导下前列腺认知融合靶向活检(COG-TB),比较分析2种诊断方法诊断PCa、前列腺炎和前列腺增生的灵敏度、特异度和阳性预测值.结果 采用先行3.0T多参数磁共振检查,再行经直肠B超引导下前列腺COG-TB之后,诊断PCa的灵敏度(98.3％)和阳性预测值(89.2％)明显高于直接行经直肠B超引导下前列腺系统+靶向穿刺活检PCa的灵敏度(44.6％)和阳性预测值(67.6％)(P＜0.01);诊断前列腺炎的特异度(97.8％)和阳性预测值(77.8％)明显高于直接行经直肠B超引导下前列腺系统＋靶向穿刺活检的特异度(80.5％)和阳性预测值(37％)(P＜0.05);诊断BPH灵敏度(93.8％)、特异度(97.1％)和阳性预测值(93.8％)特异度显著高于直接行经直肠B超引导下前列腺系统+靶向穿刺活检的灵敏度(45.2％)、特异度(78.3％)和阳性预测值(48.3％)(P＜0.01).前列腺癌的ADC值、DDC值和MK值分别与前列腺炎和前列腺增生的ADC值、DDC值和MK值比较,差异均具有统计学意义(P＜0.01).结论 PSA＞4 ng/ml疑似前列腺相关疾病患者穿刺活检前行3.0T多参数磁共振检查可以有效鉴别前列腺癌、前列腺炎和前列腺增生,提高灵敏度、特异度和阳性预测值,减少不必要穿刺针数,降低穿刺并发症.

目的 总结自噬在急性淋巴细胞白血病(ALL)发病、药物治疗及相关机制中的研究进展.方法 以"自噬、急性淋巴细胞白血病、融合基因、治疗、进展"为中文关键词,以"autophagy,acute lymphoblastic leukemia,fusion gene,therapy,progress"为英文关键词,系统检索中国知网和PubMed数据库2010-01-01-2023-12-31发表的相关文献.纳入标准:(1)自噬及自噬发生的分子机制;(2)自噬与ALL融合基因突变发病中的关系;(3)自噬与ALL的关系及相关机制.排除标准:(1)会议、评论性及学位论文等;(2)内容关联性不强、结论尚存在争议及内容陈旧的文献.最终纳入66篇文献进行分析(中文4篇,英文62篇).结果 自噬相关蛋白在ALL患者中表达异常,且在不同的融合基因突变ALL中参与了 ALL 的发病及药物治疗过程,该过程可能与 JAK/STAT、SIRT1/AMPK、NF-κB、cAMPK、c-Myc、Akt/mTOR/p70S6K/4E-BP1、PI3K/AKT/mTOR等分子和(或)信号通路相关.在ALL的不同治疗阶段,抑制或激活自噬与促进或抑制ALL的发生发展密切相关.结论 自噬在维持细胞内环境的稳定发挥重要作用,参与了 ALL的发病及治疗过程并在疾病不同阶段扮演了促进或抑制的双重作用,故探索有效靶向自噬的ALL个性化和(或)联合治疗方案至关重要.

白细胞介素-24(IL-24)是一种具有显著抗肿瘤活性的细胞因子,可诱导肿瘤细胞凋亡、抑制肿瘤细胞增殖和减少肿瘤血管生成,其通过p38 MAPK、PI3K和JAK/STAT等多种信号通路调节细胞周期、细胞代谢等关键过程,并有效抑制肿瘤发生、发展.IL-24独特的抗肿瘤机制和临床应用潜力使其受到广泛关注.然而,IL-24的肿瘤靶向性、毒副作用、递送效率和剂量控制等问题限制了其在临床中的广泛应用.为提高IL-24的治疗效率和靶向性,研究人员通过基因工程改造和溶瘤病毒载体递送等方式优化和增强其治疗效果.此外,IL-24与放化疗等抗肿瘤手段联合可显著提高治疗效果并减少不良反应,提供了更为安全有效的癌症治疗方案.

针对机器学习方法在对脑电特征进行分类时无法同时兼顾脑电信号的时-空域特征的问题,利用添加注意力机制的卷积神经网络提取空间特征和双向门控循环单元提取时间特征,提出一种基于特征融合的运动想象(Motor Imagery,MI)脑电分类算法(Attention-EEGNet-BiGRU,AEBGNet),AEBGNet可将时、空域两类特征相融合,得到更具表征性的时-空域特征,最终构建的AEBGNet分类模型在BCI competition IV 2b数据集上取得80.37%的平均正确率,比标准的EEGNet方法提高6.09%.结果表明,本文方法可以有效提高MI脑电信号的分类正确率,为MI脑电信号的分类提供新的思路.

课程思政是落实立德树人的有效途径,对塑造学生品德具有重要作用.以人教版《生物学·必修2·遗传与进化》为例,挖掘其中的课程思政元素,提出课程思政与高中生物学教学的融合策略,以期为一线教师提供参考.

针对糖尿病视网膜病变(DR)分割任务中病变区域多尺度特征难以学习、边界模糊等问题,提出一种改进的U型多病变分割模型DDAPNet.首先,对DR图像进行Patch处理,使模型更好地捕捉病变的局部特征;其次在主干特征提取后引入重新设计的密集空洞注意力金字塔(DDAP)模块,扩大感受野,解决病变边界模糊问题;同时采用金字塔切分注意力进行特征增强,然后将二者进行特征融合;最后在跳跃连接中嵌入改进的残差注意力模块,降低浅层冗余信息的干扰.在数据集和医院真实数据集上进行联合验证,实验结果表明,相较于基础模型,DDAPNet模型对微动脉瘤、出血点、软渗出DDR物和硬渗出物的分割在Dice系数上分别提高了4.31%、2.52%、3.39%、4.29%,在mIoU上分别提高了1.80%、2.24%、4.28%、1.98%.该模型对病灶边缘的分割更为连续和平滑,有效提升了软渗出物等视网膜病变的分割性能.

针对当前皮肤病辅助诊断中生物医学特征建模规模较小且耗费巨大人工成本,而患者疾病特征的时间序列同样无法准确描述等难点,本研究运用融合文本分类算法,融合常用的文本分类模型TextLSTM、TextCNN、RCNN得到皮肤疾病辅助诊疗模型(TLNN模型),通过提取图像传感器医学特征向量化后进行预处理减少焦块数量以及消除偏差较大的特征信息,提高决策数据精度.在ISIC2018和PH2数据集进行对照实验,TLNN模型的准确率为72.36%,高于其余3种文本分类模型.在与医生主观诊断对比实验中,模型诊断准确率为92%,接近于医生94%的平均准确率,而有效诊断效率(1.17 min/例)明显高于医生人工诊断(4.57 min/例),整体效率提升幅度达290%,结果表明对比传统人工诊断,融合文本分类算法模型能以更短时间获得精确的诊断.TLNN模型可以应用于疾病诊断,辅助医生医疗决策,为患者提供优质便捷的智能诊疗服务.

目的 胸部X线是临床实践中常见的胸部疾病筛查和诊断方式.由于放射科医生长时间阅片容易视觉疲劳以及医疗资源分配不均衡的问题,导致误诊和漏诊的情况时有发生.针对这一问题,本研究运用深度学习技术,提出了一个基于ConvNeXt模型的胸部X线图像的疾病检测方法,旨在提高胸部疾病诊断准确度、减轻误诊风险并提高医生工作效率.方法 利用大规模公开胸部X线图像数据集ChestX-ray14训练ConvNeXt模型,该模型在ResNet模型的基础上,融合了视觉Transformer结构的优势,可以有效提高模型的特征提取和识别能力,同时以AUC(ROC曲线下方的面积)作为模型性能的评价指标,与已有的分类模型CheXNet、ResNet及Swin Transformer进行了对比.此外,通过引入Grad-CAM可视化方法,利用卷积神经网络特征图的梯度信息生成胸部X线图像的类激活热力图,实现对病灶区域的定位,从而提高医生的诊断效率.结果 基于ConvNeXt模型的诊断方法在识别14种胸部疾病时平均AUC值可达0.842,特别在识别积液(AUC值为0.883)、水肿(AUC值为0.902)和疝气(AUC值为0.942)等疾病时表现较为令人满意.结论 本文提出的方法在胸部X线图像的疾病检测中具有较好的性能,是一种对胸部X线图像进行胸部疾病诊断进而协助医生提高工作效率的有益尝试.