为研究CD8^+T细胞的功能异常机制,对功能异常状态CD8^+T细胞和3种正常CD8^+T细胞亚型[中央记忆CD8^+T细胞(HCM)、效应记忆CD8^+T细胞(HEM)和naive CD8^+T细胞(HW)]的ATAC-seq(Assay for transposase accessible chromatin with high-thr...为研究CD8^+T细胞的功能异常机制,对功能异常状态CD8^+T细胞和3种正常CD8^+T细胞亚型[中央记忆CD8^+T细胞(HCM)、效应记忆CD8^+T细胞(HEM)和naive CD8^+T细胞(HW)]的ATAC-seq(Assay for transposase accessible chromatin with high-throughput sequencing)数据进行基因调控网络比较,结果表明,3种正常CD8^+T细胞特异表达的基因参与维持相应T细胞正常功能的信号通路,功能异常CD8^+T细胞特异的基因参与癌症相关通路。转录因子调控网络比较分析发现功能异常CD8^+T细胞GMEB2转录因子表达关闭。细胞表面受体调控网络比较分析发现功能异常CD8^+T细胞CD7和P4HB受体的表达关闭。采用基因调控网络的数据进行比较分析,发现CD8^+T细胞功能异常机制可能与GMEB2转录因子、CD7和P4HB受体表达关闭有关,这为抗病育种寻找特定基因提供新思路。展开更多
针对目前人工识别羊个体疼痛过程中存在的经验要求高、识别准确率低、消耗成本高、延误疾病治疗等问题,引入当前主流图像分类网络VGGNet(Visual geometry group network)对有疼痛和无疼痛的羊脸表情进行识别,提出一种基于改进VGGNet的...针对目前人工识别羊个体疼痛过程中存在的经验要求高、识别准确率低、消耗成本高、延误疾病治疗等问题,引入当前主流图像分类网络VGGNet(Visual geometry group network)对有疼痛和无疼痛的羊脸表情进行识别,提出一种基于改进VGGNet的羊脸痛苦表情识别算法,改进后的网络为STVGGNet(Spatial transformer visual geometry group network)。该算法将空间变换网络引入VGGNet,通过空间变换网络增强对羊脸痛苦表情特征区域的关注程度,提高对羊脸痛苦表情的识别准确率。本文对原有的羊脸表情数据集进行了扩充,新增887幅羊脸表情图像。但是新的数据集图像数量仍然较少,所以本文利用ImageNet数据集进行迁移学习,微调后用来自动分类有痛苦和无痛苦的羊脸表情。对羊面部表情数据集的实验结果表明,使用STVGGNet实现的最佳训练准确率为99.95%,最佳验证准确率为96.06%,分别比VGGNet高0.15、0.99个百分点。因此,本文采用的模型在羊脸痛苦表情识别中有非常好的识别效果并且具有较强的鲁棒性,为畜牧业中羊的疾病检测智能化发展提供了技术支撑。展开更多
文摘为研究CD8^+T细胞的功能异常机制,对功能异常状态CD8^+T细胞和3种正常CD8^+T细胞亚型[中央记忆CD8^+T细胞(HCM)、效应记忆CD8^+T细胞(HEM)和naive CD8^+T细胞(HW)]的ATAC-seq(Assay for transposase accessible chromatin with high-throughput sequencing)数据进行基因调控网络比较,结果表明,3种正常CD8^+T细胞特异表达的基因参与维持相应T细胞正常功能的信号通路,功能异常CD8^+T细胞特异的基因参与癌症相关通路。转录因子调控网络比较分析发现功能异常CD8^+T细胞GMEB2转录因子表达关闭。细胞表面受体调控网络比较分析发现功能异常CD8^+T细胞CD7和P4HB受体的表达关闭。采用基因调控网络的数据进行比较分析,发现CD8^+T细胞功能异常机制可能与GMEB2转录因子、CD7和P4HB受体表达关闭有关,这为抗病育种寻找特定基因提供新思路。
文摘针对目前人工识别羊个体疼痛过程中存在的经验要求高、识别准确率低、消耗成本高、延误疾病治疗等问题,引入当前主流图像分类网络VGGNet(Visual geometry group network)对有疼痛和无疼痛的羊脸表情进行识别,提出一种基于改进VGGNet的羊脸痛苦表情识别算法,改进后的网络为STVGGNet(Spatial transformer visual geometry group network)。该算法将空间变换网络引入VGGNet,通过空间变换网络增强对羊脸痛苦表情特征区域的关注程度,提高对羊脸痛苦表情的识别准确率。本文对原有的羊脸表情数据集进行了扩充,新增887幅羊脸表情图像。但是新的数据集图像数量仍然较少,所以本文利用ImageNet数据集进行迁移学习,微调后用来自动分类有痛苦和无痛苦的羊脸表情。对羊面部表情数据集的实验结果表明,使用STVGGNet实现的最佳训练准确率为99.95%,最佳验证准确率为96.06%,分别比VGGNet高0.15、0.99个百分点。因此,本文采用的模型在羊脸痛苦表情识别中有非常好的识别效果并且具有较强的鲁棒性,为畜牧业中羊的疾病检测智能化发展提供了技术支撑。
