[目的]本研究旨在探究树莓果肉多糖RPP-1的体外免疫活性,并结合转录组学初步分析RPP-1免疫调节的作用机制。[方法]以来源于树莓果肉的多糖组分RPP-1为试验材料,分别采用CCK-8法和荧光探针法测定RPP-1对小鼠巨噬细胞RAW264.7细胞活力和...[目的]本研究旨在探究树莓果肉多糖RPP-1的体外免疫活性,并结合转录组学初步分析RPP-1免疫调节的作用机制。[方法]以来源于树莓果肉的多糖组分RPP-1为试验材料,分别采用CCK-8法和荧光探针法测定RPP-1对小鼠巨噬细胞RAW264.7细胞活力和吞噬能力的影响,利用RT-qPCR和ELISA分别从转录和蛋白质水平检测RPP-1对RAW264.7细胞上清液中NO和细胞因子的作用。同时,采用转录组学对差异表达基因(differentially expressed genes,DEG)进行基因本体(gene ontology,GO)功能注释、京都基因与基因组百科全书(Kyoto encyclopedia of genes and genomes,KEGG)富集分析和蛋白质-蛋白质相互作用(protein-protein interaction,PPI)网络分析。[结果]RPP-1能显著促进小鼠巨噬细胞RAW264.7的活力和吞噬能力,并明显增强细胞培养上清液中的NO、IL-6、IL-1β和TNF-α水平,提高iNOS、TNF-α、IL-6和IL-1βmRNA的相对表达水平,显示出较强的体外免疫增强作用。转录组学分析发现,与空白组相比,经RPP-1处理的RAW264.7细胞中共有286个与免疫调节相关的DEG,其中111个DEG下调,175个DEG上调;GO功能注释结果表明这些DEG主要参与细胞过程、生物调节、代谢过程、发育过程和免疫系统过程;KEGG富集分析结果显示差异基因显著富集于系统性红斑狼疮、细胞因子-细胞因子受体相互作用和TNF信号通路;PPI网络分析发现枢纽基因为IL-6、IL-1β、Rad51ap1、H2afx、Birc5、Ccl5和Pbk。[结论]树莓果肉多糖RPP-1对小鼠巨噬细胞RAW264.7具有免疫增强作用,结合体外活性试验与转录组学分析结果,RPP-1的免疫增强作用可能通过细胞因子-细胞因子受体相互作用及TNF信号传导途径调节实现,且其关键基因为IL-6、IL-1β。展开更多
在长期的计算机视觉技术发展过程中,研究者们主要处理的对象是通过图像信号处理器(Image Signal Processor,ISP)处理后的标准RGB图像。这类图像体积小,方便使用和网络传播,因而在许多传统应用场景中得到广泛应用。然而,在低光照或极端...在长期的计算机视觉技术发展过程中,研究者们主要处理的对象是通过图像信号处理器(Image Signal Processor,ISP)处理后的标准RGB图像。这类图像体积小,方便使用和网络传播,因而在许多传统应用场景中得到广泛应用。然而,在低光照或极端成像条件下,这类经过压缩和处理的图像往往因模糊、量化等不可逆操作,导致细节丢失,限制了其性能表现。为应对这些挑战,越来越多的研究开始关注直接处理相机传感器输出的RAW图像。RAW图像未经过复杂的ISP处理,具有线性响应、高比特深度和无损压缩的特点,能够保留更多的原始感光信息。这些特性使其在低光、高动态范围以及复杂视觉场景中表现出优异的灵活性和潜力。在近年来的研究中,RAW图像处理技术取得了显著进展,其应用已从高质量图像与视频的获取、去噪与增强,扩展到目标识别、场景理解等计算机视觉任务。相比传统RGB图像,RAW图像处理能够更好地保留细节信息,并在特定条件下显著提升视觉任务的精度和鲁棒性。此外,随着深度学习技术的发展,基于RAW数据的端到端模型设计成为了新的研究方向,能够充分利用图像中的原始信号信息来提升视觉处理效果。本文系统性地综述了RAW图像处理技术的最新进展,并探讨了这些技术在计算机视觉各领域中的应用。同时,本文还展望了未来的发展趋势,特别是RAW图像数据在更复杂场景下的应用潜力,为相关研究者和从业者提供了有价值的参考和启示。展开更多
目的分析CCDC115(Coiled-Coil Domain-Containing Protein 115)的蛋白性质,利用Ccdc115基因缺失的小鼠单核巨噬细胞白血病细胞(RAW264.7),探究CCDC115对胞内鼠伤寒沙门菌生存的影响,为开展CCDC115功能研究及调控胞内沙门菌生存的机制研...目的分析CCDC115(Coiled-Coil Domain-Containing Protein 115)的蛋白性质,利用Ccdc115基因缺失的小鼠单核巨噬细胞白血病细胞(RAW264.7),探究CCDC115对胞内鼠伤寒沙门菌生存的影响,为开展CCDC115功能研究及调控胞内沙门菌生存的机制研究提供理论基础。方法采用生物信息学分析,对CCDC115的基本性质进行探究。依据CRISPR/Cas9基因编辑技术构建RAW264.7-Ccdc115-KO细胞系。将鼠伤寒沙门菌感染RAW264.7及RAW264.7-Ccdc115-KO细胞,通过RT-qRCR、Western Blot、CFU(Colony-Forming Units)计数、酸化成像研究CCDC115在鼠伤寒沙门菌胞内生存中的作用。结果CCDC115是由2个α螺旋及中间无序区组成的不稳定蛋白,无跨膜结构域。成功构建敲除Ccdc115基因的RAW264.7细胞系。鼠伤寒沙门菌感染细胞后,在RAW264.7细胞中mRNA水平和蛋白水平CCDC115表达增加,并且在RAW264.7-Ccdc115-KO细胞内增殖数量是RAW264.7细胞的1.5倍。在吞噬体酸化成像中,鼠伤寒沙门菌吞噬体在RAW264.7细胞中发生酸化,而在RAW264.7-Ccdc115-KO细胞中没有发生酸化。结论成功构建RAW264.7-Ccdc115-KO细胞系;CCDC115在鼠伤寒沙门菌感染过程中表达增加,并可能通过使吞噬体发生酸化抑制鼠伤寒沙门菌在细胞内生存。展开更多
Background The geo-traceability of cotton is crucial for ensuring the quality and integrity of cotton brands. However, effective methods for achieving this traceability are currently lacking. This study investigates t...Background The geo-traceability of cotton is crucial for ensuring the quality and integrity of cotton brands. However, effective methods for achieving this traceability are currently lacking. This study investigates the potential of explainable machine learning for the geo-traceability of raw cotton.Results The findings indicate that principal component analysis(PCA) exhibits limited effectiveness in tracing cotton origins. In contrast, partial least squares discriminant analysis(PLS-DA) demonstrates superior classification performance, identifying seven discriminating variables: Na, Mn, Ba, Rb, Al, As, and Pb. The use of decision tree(DT), support vector machine(SVM), and random forest(RF) models for origin discrimination yielded accuracies of 90%, 87%, and 97%, respectively. Notably, the light gradient boosting machine(Light GBM) model achieved perfect performance metrics, with accuracy, precision, and recall rate all reaching 100% on the test set. The output of the Light GBM model was further evaluated using the SHapley Additive ex Planation(SHAP) technique, which highlighted differences in the elemental composition of raw cotton from various countries. Specifically, the elements Pb, Ni, Na, Al, As, Ba, and Rb significantly influenced the model's predictions.Conclusion These findings suggest that explainable machine learning techniques can provide insights into the complex relationships between geographic information and raw cotton. Consequently, these methodologies enhances the precision and reliability of geographic traceability for raw cotton.展开更多
文摘[目的]本研究旨在探究树莓果肉多糖RPP-1的体外免疫活性,并结合转录组学初步分析RPP-1免疫调节的作用机制。[方法]以来源于树莓果肉的多糖组分RPP-1为试验材料,分别采用CCK-8法和荧光探针法测定RPP-1对小鼠巨噬细胞RAW264.7细胞活力和吞噬能力的影响,利用RT-qPCR和ELISA分别从转录和蛋白质水平检测RPP-1对RAW264.7细胞上清液中NO和细胞因子的作用。同时,采用转录组学对差异表达基因(differentially expressed genes,DEG)进行基因本体(gene ontology,GO)功能注释、京都基因与基因组百科全书(Kyoto encyclopedia of genes and genomes,KEGG)富集分析和蛋白质-蛋白质相互作用(protein-protein interaction,PPI)网络分析。[结果]RPP-1能显著促进小鼠巨噬细胞RAW264.7的活力和吞噬能力,并明显增强细胞培养上清液中的NO、IL-6、IL-1β和TNF-α水平,提高iNOS、TNF-α、IL-6和IL-1βmRNA的相对表达水平,显示出较强的体外免疫增强作用。转录组学分析发现,与空白组相比,经RPP-1处理的RAW264.7细胞中共有286个与免疫调节相关的DEG,其中111个DEG下调,175个DEG上调;GO功能注释结果表明这些DEG主要参与细胞过程、生物调节、代谢过程、发育过程和免疫系统过程;KEGG富集分析结果显示差异基因显著富集于系统性红斑狼疮、细胞因子-细胞因子受体相互作用和TNF信号通路;PPI网络分析发现枢纽基因为IL-6、IL-1β、Rad51ap1、H2afx、Birc5、Ccl5和Pbk。[结论]树莓果肉多糖RPP-1对小鼠巨噬细胞RAW264.7具有免疫增强作用,结合体外活性试验与转录组学分析结果,RPP-1的免疫增强作用可能通过细胞因子-细胞因子受体相互作用及TNF信号传导途径调节实现,且其关键基因为IL-6、IL-1β。
文摘在长期的计算机视觉技术发展过程中,研究者们主要处理的对象是通过图像信号处理器(Image Signal Processor,ISP)处理后的标准RGB图像。这类图像体积小,方便使用和网络传播,因而在许多传统应用场景中得到广泛应用。然而,在低光照或极端成像条件下,这类经过压缩和处理的图像往往因模糊、量化等不可逆操作,导致细节丢失,限制了其性能表现。为应对这些挑战,越来越多的研究开始关注直接处理相机传感器输出的RAW图像。RAW图像未经过复杂的ISP处理,具有线性响应、高比特深度和无损压缩的特点,能够保留更多的原始感光信息。这些特性使其在低光、高动态范围以及复杂视觉场景中表现出优异的灵活性和潜力。在近年来的研究中,RAW图像处理技术取得了显著进展,其应用已从高质量图像与视频的获取、去噪与增强,扩展到目标识别、场景理解等计算机视觉任务。相比传统RGB图像,RAW图像处理能够更好地保留细节信息,并在特定条件下显著提升视觉任务的精度和鲁棒性。此外,随着深度学习技术的发展,基于RAW数据的端到端模型设计成为了新的研究方向,能够充分利用图像中的原始信号信息来提升视觉处理效果。本文系统性地综述了RAW图像处理技术的最新进展,并探讨了这些技术在计算机视觉各领域中的应用。同时,本文还展望了未来的发展趋势,特别是RAW图像数据在更复杂场景下的应用潜力,为相关研究者和从业者提供了有价值的参考和启示。
基金supported by Agricultural Science and Technology Innovation Program of Chinese Academy of Agricultural Science。
文摘Background The geo-traceability of cotton is crucial for ensuring the quality and integrity of cotton brands. However, effective methods for achieving this traceability are currently lacking. This study investigates the potential of explainable machine learning for the geo-traceability of raw cotton.Results The findings indicate that principal component analysis(PCA) exhibits limited effectiveness in tracing cotton origins. In contrast, partial least squares discriminant analysis(PLS-DA) demonstrates superior classification performance, identifying seven discriminating variables: Na, Mn, Ba, Rb, Al, As, and Pb. The use of decision tree(DT), support vector machine(SVM), and random forest(RF) models for origin discrimination yielded accuracies of 90%, 87%, and 97%, respectively. Notably, the light gradient boosting machine(Light GBM) model achieved perfect performance metrics, with accuracy, precision, and recall rate all reaching 100% on the test set. The output of the Light GBM model was further evaluated using the SHapley Additive ex Planation(SHAP) technique, which highlighted differences in the elemental composition of raw cotton from various countries. Specifically, the elements Pb, Ni, Na, Al, As, Ba, and Rb significantly influenced the model's predictions.Conclusion These findings suggest that explainable machine learning techniques can provide insights into the complex relationships between geographic information and raw cotton. Consequently, these methodologies enhances the precision and reliability of geographic traceability for raw cotton.
