为揭示奶牛肝脏脂肪变性影响生产性能的代谢机制,以健康奶牛为对照,本研究比较分析了肝脏轻度脂肪变性奶牛的生理生化指标和转录组测序结果。肝脏组织学观察发现,当脂肪变性时,苏木精-伊红染色的肝脏组织切片中可观察到大小不等的近圆...为揭示奶牛肝脏脂肪变性影响生产性能的代谢机制,以健康奶牛为对照,本研究比较分析了肝脏轻度脂肪变性奶牛的生理生化指标和转录组测序结果。肝脏组织学观察发现,当脂肪变性时,苏木精-伊红染色的肝脏组织切片中可观察到大小不等的近圆形空泡。与健康奶牛相比,肝脏轻度脂肪变性奶牛的脂肪矫正乳、能量矫正乳、乳脂含量均显著降低,而血浆生化指标无明显差异。对肝脏组织进行转录组测序,共发现241个差异表达基因(differentially expressed genes,DEGs),其中表达下调的DEGs有136个,表达上调的DEGs有105个。通过基因本体(gene ontology,GO)功能注释发现,DEGs主要富集于脂质代谢相关的生物学过程与分子功能中;通过京都基因和基因组数据库(Kyoto Encyclopedia of Genes and Genomes,KEGG)通路富集分析发现,DEGs显著富集于类固醇生物合成、胆固醇代谢、非酒精性脂肪性肝病等脂质代谢相关通路。另外,对全体基因进行基因集富集分析(gene set enrichment analysis,GSEA)发现,基因主要富集于脂肪酸延长通路、过氧化物酶体增殖物激活受体信号通路等影响脂质代谢的重要通路。上述结果表明,肝脏脂肪变性影响了奶牛肝脏的脂质代谢,进而影响了奶牛全身代谢,引起了奶牛乳脂含量等生产性能改变。展开更多
在实现e^(N)方法时,需要搜索流场中的不稳定波,并大量求解当地边界层的稳定性问题,因此为高效求解当地边界层的不稳定波参数,提出了一种基于神经网络的线性稳定性分析方法(neural network-based linear stability analysis,NNLSA)。采...在实现e^(N)方法时,需要搜索流场中的不稳定波,并大量求解当地边界层的稳定性问题,因此为高效求解当地边界层的不稳定波参数,提出了一种基于神经网络的线性稳定性分析方法(neural network-based linear stability analysis,NNLSA)。采用卷积神经网络给出最不稳定波频率ω、展向波数β、流向波数αr和增长率σmax的初值对,再通过迭代法计算失稳扰动波的实际空间失稳波数和增长率。使用平板数据集训练神经网络模型,并利用平板和尖锥算例对NNLSA方法的准确性和计算效率进行验证。结果表明:神经网络部分对不稳定波参数的预测结果与线性稳定性理论的计算结果吻合较好;LSA部分可根据神经网络提供的预测值,通过迭代法找到最不稳定波;NN-LSA方法的求解效率较高,求解时间比全局搜索方法约低20~50倍,大大减小了人为因素在计算过程中的影响。本文提出的NN-LSA方法可以实现自动分析边界层流动的线性稳定性,具有一定的应用潜力。展开更多
文摘为揭示奶牛肝脏脂肪变性影响生产性能的代谢机制,以健康奶牛为对照,本研究比较分析了肝脏轻度脂肪变性奶牛的生理生化指标和转录组测序结果。肝脏组织学观察发现,当脂肪变性时,苏木精-伊红染色的肝脏组织切片中可观察到大小不等的近圆形空泡。与健康奶牛相比,肝脏轻度脂肪变性奶牛的脂肪矫正乳、能量矫正乳、乳脂含量均显著降低,而血浆生化指标无明显差异。对肝脏组织进行转录组测序,共发现241个差异表达基因(differentially expressed genes,DEGs),其中表达下调的DEGs有136个,表达上调的DEGs有105个。通过基因本体(gene ontology,GO)功能注释发现,DEGs主要富集于脂质代谢相关的生物学过程与分子功能中;通过京都基因和基因组数据库(Kyoto Encyclopedia of Genes and Genomes,KEGG)通路富集分析发现,DEGs显著富集于类固醇生物合成、胆固醇代谢、非酒精性脂肪性肝病等脂质代谢相关通路。另外,对全体基因进行基因集富集分析(gene set enrichment analysis,GSEA)发现,基因主要富集于脂肪酸延长通路、过氧化物酶体增殖物激活受体信号通路等影响脂质代谢的重要通路。上述结果表明,肝脏脂肪变性影响了奶牛肝脏的脂质代谢,进而影响了奶牛全身代谢,引起了奶牛乳脂含量等生产性能改变。
文摘在实现e^(N)方法时,需要搜索流场中的不稳定波,并大量求解当地边界层的稳定性问题,因此为高效求解当地边界层的不稳定波参数,提出了一种基于神经网络的线性稳定性分析方法(neural network-based linear stability analysis,NNLSA)。采用卷积神经网络给出最不稳定波频率ω、展向波数β、流向波数αr和增长率σmax的初值对,再通过迭代法计算失稳扰动波的实际空间失稳波数和增长率。使用平板数据集训练神经网络模型,并利用平板和尖锥算例对NNLSA方法的准确性和计算效率进行验证。结果表明:神经网络部分对不稳定波参数的预测结果与线性稳定性理论的计算结果吻合较好;LSA部分可根据神经网络提供的预测值,通过迭代法找到最不稳定波;NN-LSA方法的求解效率较高,求解时间比全局搜索方法约低20~50倍,大大减小了人为因素在计算过程中的影响。本文提出的NN-LSA方法可以实现自动分析边界层流动的线性稳定性,具有一定的应用潜力。
