测亩仪算法原理

中国科学技术大学、中国科学院深圳先进技术研究院双聘教授毕国强团队，与美国加州大学洛杉矶分校周正洪教授合作，开发了一套基于深度学习的cryoET数据处理算法和软件IsoNet,有效解决了cryoET成像中的缺失锥效应和低信噪比问题，相关研究成果以Isotropic reconstruction for electron tomography with deep learning为题于2022年10月29日发表在Nature communications.研究人员搭建了一套迭代优化的自监督深度学习人工网络算法，并以旋转处理后的cryoET断层三维重构数据自身为训练集，实现了对cryoET断层三维重构数据的缺失锥矫正。同时，在IsoNet算法的流程中，加入降噪过程，使得同一个人工神经网络可以同时对断层三维重构数据进行缺失信息补全和降噪处理。图1.基于深度学习进行cryoET成像数据缺失锥矫正与降噪的基本原理与流程利用IsoNet算法对模拟缺失锥的铁蛋白(apoferritin)与核糖体(ribosome)的三维结构分别进行处理，处理后的结果能够与低分辨的原子模型相媲美。同时对真实的HIV病毒粒子（immatureHIVcapsid）、副鞭毛杆（the paraflagellar rod）以及培养神经细胞中突触（neuronalsynapse）的断层三维重构数据进行处理，均得到了非常好的效果。尤其值得关注的是，在利用IsoNet算法对神经突触这种典型包含大量蛋白、膜性细胞器与细胞骨架等复杂结构的细胞水平厚样品的断层三维重构图像进行处理后，突触中囊泡、线粒体、微管、微丝、细胞膜以及蛋白复合物的三维结构信息均得到了很好的恢复。图2.利用IsoNet算法对神经突触cryoET三维重构数据进行处理前、后的效果，以及对IsoNet算法处理后神经突触中超微结构基于真实电子密度的三维可视化渲染IsoNet算法在预印本bioRxiv公布后，引起了领域内的广泛关注与深入讨论，其中一个重点是IsoNet算法是如何实现缺失锥矫正的？一种主要推测是，人工神经网络在训练过程中，能够学习到蛋白质等生物结构在三维空间中不同角度的结构特征，并将这些信息补充到缺失锥方向，类似于单颗粒冷冻电镜三维平均。因此通过不断优化人工神经网络架构、扩大训练样本集等手段，IsoNet算法将能够实现对细胞中每个蛋白分子的高分辨三维结构信息进行恢复，从而为真正实现可视化细胞原位每个蛋白分子的高分辨三维结构与组织分布奠定了基础。正如领域内专家Dimitry Tegunov等人在推特上评价认为，IsoNet算法的思路将是cryoET技术的未来发展方向。本论文的第一作者为中国科学技术大学博士生刘云涛（现美国加州大学洛杉矶分校博士后）和2018级本科生张恒（现北京大学研究生），通讯作者为毕国强教授和周正洪教授。中科院深圳先进技术研究院副研究员陶长路博士、美国加州大学洛杉矶分校博士生王辉也参与了本文的工作。该工作得到了科技部、国家自然科学基金委、中科院先导专项的资助。

生命科学　　Life science　　2022年8月2日，上海科技大学生命科学与技术学院杨扬团队与中国科学院自动化研究所韩华团队合作，在Cell Press细胞出版社期刊Cell Reports上以长文形式发表了题为“Fear memory-associated synaptic and mitochondrial changes revealed by deep learning-based processing of electron microscopy data”的研究论文，该研究通过对恐惧学习小鼠听觉皮层突触的三维电镜重建和大规模比较分析，探究了小鼠听觉皮层中与恐惧记忆相关的神经元突触等亚细胞结构的变化情况，并用模型分析方法揭示了突触连接模式变化引起的信息存储容量的大幅提升。　　中国科学院自动化研究所刘静助理研究员、上海科技大学生命科学与技术学院漆俊倩博士、中国科学院自动化研究所陈曦研究员和李贞辰博士生为本文的共同第一作者，杨扬研究员、韩华研究员、谢启伟教授为本文的共同通讯作者。　　大脑中的神经网络由神经元通过复杂的突触连接构成，神经元编码、处理和存储信息从根本上依赖于突触的连接模式以及在此基础之上的协调活动，解析突触的连接模式对理解大脑的结构与功能至关重要。在哺乳类动物大脑中，除了由单个轴突小结（axonal bouton）与单个树突棘（dendritic spine）形成的1-1型连接，即单位点突触连接外，大脑中的突触连接模式还包括由单个轴突小结与多个树突棘形成的1-N型连接，或多个轴突小结与单个树突棘的N-1型连接，统称为多位点突触（multiple-contact synapses，MCS）。此前，已有很多研究通过光学显微镜发现学习记忆可以改变突触的组织结构，由于突触间隙宽度仅有几十纳米（低于一般光学显微镜的衍射极限），因此在光学显微镜下观察突触结构的精细变化非常困难。与此同时，突触三维结构的光学数据获取和分析高度依赖于人工，更是极大限制了突触结构的重建数量和分析规模。　　为探究学习记忆如何促进突触多位点连接模式的形成及效果，本项研究以经典的听觉条件恐惧学习（auditory fear conditioning）为范式设置了实验组和对照组，基于大规模序列电子显微镜成像技术和深度学习识别模型，实现了电镜图像中多种亚细胞三维结构的自动提取，重构了小鼠听觉皮层135,000个线粒体和160,000个突触。实验组和对照组的大规模对比分析表明，尽管恐惧学习训练没有改变突触的空间密度与空间分布，却特异性地增加了1-N型突触的比例。进一步分析发现，绝大多数1-N型突触中的树突棘来自不同树突主干，并且这种多树突1-N型突触在神经元网络中能够起到信号广播的作用。　　为了进一步分析多树突1-N型突触的信息编码能力，本项研究建立了基于香农信息熵来计算突触信息存储容量（information storage capacity，ISC）的组合数学模型。在无新增突触的静态网络和包含新增突触的可塑性动态网络两种条件下，分别计算了引入多树突1-N型突触的ISC增量。在静态网络中，引入此类突触只是略微增加了ISC容量，而在动态可塑性网络中，此类突触将信息存储容量显著提高了50%。　　综上，基于序列电子显微镜成像技术和深度学习计算方法，研究者开发了小鼠听觉皮层亚细胞结构的三维电镜重构算法，自动重建精度可以满足大规模分析的精度需求，有效地节省了人工校验时间消耗，极大提高了分析效率。大规模电镜重构和对比分析结果在亚细胞水平揭示了学习记忆对大脑皮层突触、线粒体的组织结构和连接模式的影响，为类脑计算仿生模型的精确建模提供了结构基础和启发依据。　　图：（上左）听觉条件恐惧学习的对照组和实验组。（上右）轴突小结与树突棘替换或增加的示意图。（中左）不同突触连接模式的电镜图像及三维重构结果。1-N型突触由单个轴突小结与多个树突棘形成，N-1型突触由多个轴突小结与单个树突棘形成。（中右）不同突触连接模式示意图。绿色：树突；蓝色：轴突。（下左）密集重构揭示绝大多数1-N型突触中的树突棘来自不同树突主干。（下右）无新增突触的静态网络和包含新增突触的可塑性动态网络。　　该研究获得了国家科技创新2030重大项目、中国科学院战略性先导科技专项、国家自然科学基金、北京市科技计划的经费支持。　　作者专访　　Cell Press细胞出版社公众号特别邀请杨扬研究员、刘静博士和韩华研究员代表研究团队接受了专访，请他们为大家进一步详细解读。　　CellPress：　　过去也有基于电镜图像重构来探究突触和线粒体的研究报道，有的还完成了更大规模的密集重构。本文的方法和思路与过去的研究有何不同？　　杨扬研究员：　　电镜图像的密集重构对运算量的要求很高，工作量极大。而本文所使用的方法可以在不做密集重构的前提下，选择性识别和分割出研究者感兴趣的亚细胞结构，如本文关注的突触、线粒体，也可以推广到其他有特殊结构的细胞器。已有的突触或线粒体的自动重构算法多是像素或体素分割模型，也就是将图像中的像素或体素分类成前景或者背景。本文所使用的region-based卷积神经网络是一种实例分割网络，可端到端的完成目标实例的检测和分割。另外，针对强各向异性的序列电镜数据，本文提出一种2D到3D的重构方法，首先在2D上识别和分割亚细胞结构，随后应用3D连接算法完成3D的重构。这种方式可有效避免直接应用3D卷积神经网络带来的目标尺度在特征空间和图像空间不一致的问题。　　CellPress：　　多位点突触是一个新的概念吗？本文对此类突触的研究有何特别之处？　　杨扬研究员：　　一个突触前轴突小结与多个突触后树突棘形成的1-N多位点突触，和多个突触前轴突小结与一个突触后树突棘形成的N-1多位点突触，在过去的文献中都有过报道。但限于电镜图像人工识别的效率，过去的工作未能对这种特殊突触进行大规模的定量研究。本文通过基于机器学习的自动识别与重构算法实现了这一突破。此外，连接同一个多位点突触中的多个树突棘是来自同一根树突还是不同树突，代表了两种不同的神经元连接方式：前者仍是1对1的神经元连接，后者则是1个神经元对多个神经元的信息广播。本文通过密集重构，首次对这两类多位点突触进行了区分和定量，并发现后者在大脑皮层中，特别是学习之后占据了绝大多数，提示这种连接可能表征了大脑中突触层面的记忆痕迹。　　CellPress：　　人工智能算法在这个研究中发挥着怎样的作用？　　刘静博士、韩华研究员：　　近年来，人工智能算法已经深入应用到生命科学领域，加速甚至革新了生物学的研究进程。在连接组（Connectomics）领域，面对海量的高分辨电镜数据，借助人工智能算法绘制神经元的线路图是一个必不可少的环节。在本文中，我们设计了一套深度学习算法工具集，可以自动识别序列电镜图像中神经元、突触以及线粒体并恢复其三维形态。深度学习算法的应用大大提高了识别效率，将人从大量冗余复杂的标注工作中解放出来，加速了研究进程。　　CellPress：　　可否用简要的语言解释文中所提及的突触连接静态网络和动态网络，两者最核心的区别是什么？具有何种生物学意义？　　刘静博士、韩华研究员：　　突触连接网络是指根据神经元的几何拓扑特征来模拟突触连接模式的一种建模方式。其中，静态模型中仅考虑稳定的突触连接，假设没有新突触的形成或旧突触的消亡，本文使用信息熵定义静态网络的信息存储容量。而动态模型则将突触可塑性引入到网络中，允许新突触的形成，本文使用信息熵的增益表示新突触形成带来的信息存储容量的增加。动态模型通过模拟突触可塑性，与真实的大脑神经网络更为相似。　　CellPress：　　您认为该项研究对类脑计算有什么启发吗？　　刘静博士、韩华研究员：　　类脑智能（Brain-inspired Intelligence）本身就是通过模仿和借鉴人类神经系统的工作原理以构建新型的计算结构和智能形态。然而，目前人对大脑的生理机制还知之甚少。类脑研究的第一步就是要理解大脑，突触作为神经元连接的桥梁，是大脑中最重要的结构之一。突触的可塑性（synaptic plasticity）被认为与长时程记忆（long-term memory）有关。本文通过恐惧学习实验范式和电镜成像技术，发现了恐惧记忆能促进小鼠听觉皮层中一种特殊的1-N突触连接模式的形成，且这种连接模式大大增强了局部环路的信息编码能力。本研究中发现的这种局部神经环路信息传递模式或许能够作为一种记忆存储模块启发新型的类脑计算模型。　　作者介绍　　谢启伟 　　教授　　谢启伟，北京工业大学现代制造业基地教授　　研究兴趣、领域：数据挖掘、图像处理和复杂系统智能；应用图像处理、机器学习和深度学习等方法研究基于电镜数据的神经元重建，集中于神经元电镜图像的前处理、超体素分割、图融合后处理等方法的研究，为神经科学提供有力工具，期待从脑的结构中挖掘出智能的本源。　　韩华 　　研究员　　韩华，中国科学院自动化所研究员　　研究兴趣、领域：高通量显微成像技术产生海量影像数据，如何重构数据、分析数据、可视数据等已成为脑科学与类脑研究领域的重大挑战。我们致力于建立我国微观脑图谱的高通量技术体系和自主可控技术平台，持续突破大体块神经组织样品制备、长时程超薄切片连续收集、高通量扫描电镜三维成像、高精度神经结构三维重建等关键技术，开展多个百TB规模的微观脑图谱绘制工程，为构建类脑计算仿真提供生物真实网络和仿生建模依据。　　杨扬 　　研究员　　杨扬，上海科技大学生命科学与技术学院助理教授、研究员　　研究兴趣、领域：以条件恐惧学习和增强式学习为行为范式，使用在体双光子成像、双光子全息光遗传、电镜、电生理等技术，研究与学习记忆相关的神经环路活动性和可塑性，及神经调制系统在其中所起的作用。　　相关论文信息　　▌论文标题：　　Fear memory-associated synaptic and mitochondrial changes revealed by deep learning-based processing of electron microscopy data

项目概况高光谱目标检测与识别算法库 招标项目的潜在投标人应在中化商务电子招投标平台（e.sinochemitc.com）获取招标文件，并于2022年10月11日 14点00分（北京时间）前递交投标文件。一、项目基本情况项目编号：0747-2267SCCSD312项目名称：高光谱目标检测与识别算法库预算金额：34.0000000 万元（人民币）最高限价（如有）：34.0000000 万元（人民币）采购需求：详见其它补充事宜合同履行期限：详见其它补充事宜本项目( 不接受 )联合体投标。二、申请人的资格要求：1.满足《中华人民共和国政府采购法》第二十二条规定；2.落实政府采购政策需满足的资格要求：详见其它补充事宜3.本项目的特定资格要求：详见其它补充事宜三、获取招标文件时间：2022年09月21日 至 2022年09月27日，每天上午8:30至12:00，下午12:00至17:00。（北京时间，法定节假日除外）地点：中化商务电子招投标平台（e.sinochemitc.com）方式：线上购买售价：￥200.0 元，本公告包含的招标文件售价总和四、提交投标文件截止时间、开标时间和地点提交投标文件截止时间：2022年10月11日 14点00分（北京时间）开标时间：2022年10月11日 14点00分（北京时间）地点：青岛市市南区香港中路20号黄金广场北楼1526室五、公告期限自本公告发布之日起5个工作日。六、其他补充事宜我部就以下项目进行国内公开招标，采购资金已全部落实，欢迎符合条件的供应商参加投标。项目名称：高光谱目标检测与识别算法库项目编号：0747-2267SCCSD312项目概况：高光谱目标检测与识别算法库，投标供应商须对所投包内所有产品和数量进行唯一报价，否则视为无效投标。投标供应商资格条件符合《中华人民共和国政府采购法》第二十二条资格条件：1.具有独立承担民事责任的能力；2.具有良好的商业信誉和健全的财务会计制度；3.具有履行合同所必需的设备和专业技术能力；4.有依法缴纳税收和社会保障资金的良好记录；5.参加政府采购活动前3年内，在经营活动中没有重大违法记录；6.法律、行政法规规定的其他条件。（二）国有企业；事业单位；军队单位；成立三年以上的非外资控股企业。（三）单位负责人为同一人或者存在直接控股、管理关系的不同供应商，不得同时参加同一包的采购活动。生产型企业的生产场经营地址或者注册登记地址为同一地址的，非国有销售型企业的股东和管理人员（法定代表人、董事、监事）之间存在近亲属、相互占股等关联的，也不得同时参加同一包的采购活动。近亲属指夫妻、直系血亲、三代以内旁系血亲或近姻亲关系。（四）未被列入政府采购失信名单、军队供应商暂停名单，未在军队采购失信名单禁入处罚期内，未被“信用中国”网站列入失信被执行人、重大税收违法案件当事人。（五）本项目不接受联合体投标。招标文件申领时间、地点、方式（一）申领时间：2022年9月21日至9月27日，每日8:30至17:00，（北京时间，申领时间不少于5个工作日）。（二）申领方式本项目采取网上发售方式。招标文件的获取方式：登录中化商务电子招投标平台（e.sinochemitc.com）通过网上支付方式购买招标文件。（1）注册：通过中化商务电子招投标平台完成注册（免费），在注册中请按照要求提供真实有效的合法信息及证件。工作人员会在一个工作日内完成审核工作（已注册单位可跳过此步骤）；（2）标书购买：在【投标管理-购买文件】页面找到项目标号，通过网上支付方式购买文件。支付成功后，可在【投标管理-文件下载】页面下载增值税电子普通发票；（3）所有缴费、发票等业务均须在平台操作完成（平台注册过程中技术支持电话：010-86391277）；（4）投标供应商必须是按照规定报名成功、合法从代理机构获取招标文件的供应商才可以参与投标。（三）招标文件售价：200元/份，售后不退。投标开始和截止时间及地点、方式投标开始时间：2022年10月11日13时30分（北京时间）。投标截止时间：2022年10月11日14时00分（北京时间）。投标地点：青岛市市南区香港中路20号黄金广场北楼1526室。投标方式：由投标供应商法定代表人或授权代表现场递交投标文件，不接受邮寄等其他方式。开标时间、地点开标时间：2022年10月11日14时00分（北京时间，应与投标截止时间保持一致）。开标地点：青岛市市南区香港中路20号黄金广场北楼1526室。七、对本次招标提出询问，请按以下方式联系。1.采购人信息名 称：某单位　　　　　地址：山东省烟台市　　　　　　　　联系方式：张老师15684051142　　　　　　2.采购代理机构信息名 称：中化商务有限公司　　　　　　　　　　　　地　址：山东省青岛市　　　　　　　　　　　　联系方式：许一诺18910330096　　　　　　　　　　　　3.项目联系方式项目联系人：许一诺电　话：18910330096八、本采购项目相关信息在《中国政府采购网》上发布。九、采购机构联系方式采购代理机构：中化商务有限公司联 系 人：许一诺、徐希鹏移动电话：18910330096、18561902633地 址：山东省青岛市市南区香港中路20号黄金广场北楼1526室十、监督部门联系方式项目监督人：张彬移动电话：15684051142

据近日发表在《自然》杂志上的论文，美国加州大学圣地亚哥分校和斯克利普斯研究所联合开发了一种名为“Freyja”的算法，用于在早期检测废水中的新冠病毒变异株，只需两茶匙未经处理的污水，就可准确测定新冠病毒变异株。加州大学圣地亚哥分校在数十个地点通过自动采样机器人收集了废水样本，加州大学圣地亚哥分校的实验室分析了这些样本中的新冠病毒RNA水平，并在斯克利普斯研究所实验室做进一步的计算分析。图片来源：埃里克杰普森/加州大学公共艺术委员会 斯克利普斯研究所研究人员开发了一个“条形码”库，可根据每个变异株特有的短RNA片段来识别新冠病毒变异株，并编写了一种新算法，通过筛选废水中的大量遗传信息来匹配这些条形码。由此生成的免费程序Freyja，已经被美国公共卫生机构广泛用于废水监测。　　研究人员表示，在实验室对废水样本进行测序后，只需运行Freyja，20秒就可得到结果。当研究人员将Freyja应用于废水样本并将结果与圣地亚哥市的临床数据进行比较时，他们发现该工具在临床报告前14天就在废水中检测出了“值得关切的变异株”，包括阿尔法、德尔塔和奥密克戎变异株。　　2021年7月27日，研究人员在加州大学圣地亚哥分校的废水中检测到缪变异株9（B.1.621），这是在校园首次临床检测的4周前检测出来的。同年11月27日，该团队还在圣地亚哥首次临床报告前11天检测到废水中的奥密克戎变异株。

2022年8月，上海科技大学生命科学与技术学院杨扬团队与中国科学院自动化研究所韩华团队合作，在Cell Press细胞出版社期刊Cell Reports上以长文形式发表了题为“Fear memory-associated synaptic and mitochondrial changes revealed by deep learning-based processing of electron microscopy data”的研究论文，该研究通过对恐惧学习小鼠听觉皮层突触的三维电镜重建和大规模比较分析，探究了小鼠听觉皮层中与恐惧记忆相关的神经元突触等亚细胞结构的变化情况，并用模型分析方法揭示了突触连接模式变化引起的信息存储容量的大幅提升。中国科学院自动化研究所刘静助理研究员、上海科技大学生命科学与技术学院漆俊倩博士、中国科学院自动化研究所陈曦研究员和李贞辰博士生为本文的共同第一作者，杨扬研究员、韩华研究员、谢启伟教授为本文的共同通讯作者。大脑中的神经网络由神经元通过复杂的突触连接构成，神经元编码、处理和存储信息从根本上依赖于突触的连接模式以及在此基础之上的协调活动，解析突触的连接模式对理解大脑的结构与功能至关重要。在哺乳类动物大脑中，除了由单个轴突小结（axonal bouton）与单个树突棘（dendritic spine）形成的1-1型连接，即单位点突触连接外，大脑中的突触连接模式还包括由单个轴突小结与多个树突棘形成的1-N型连接，或多个轴突小结与单个树突棘的N-1型连接，统称为多位点突触（multiple-contact synapses，MCS）。此前，已有很多研究通过光学显微镜发现学习记忆可以改变突触的组织结构，由于突触间隙宽度仅有几十纳米（低于一般光学显微镜的衍射极限），因此在光学显微镜下观察突触结构的精细变化非常困难。与此同时，突触三维结构的光学数据获取和分析高度依赖于人工，更是极大限制了突触结构的重建数量和分析规模。为探究学习记忆如何促进突触多位点连接模式的形成及效果，本项研究以经典的听觉条件恐惧学习（auditory fear conditioning）为范式设置了实验组和对照组，基于大规模序列电子显微镜成像技术和深度学习识别模型，实现了电镜图像中多种亚细胞三维结构的自动提取，重构了小鼠听觉皮层135,000个线粒体和160,000个突触。实验组和对照组的大规模对比分析表明，尽管恐惧学习训练没有改变突触的空间密度与空间分布，却特异性地增加了1-N型突触的比例。进一步分析发现，绝大多数1-N型突触中的树突棘来自不同树突主干，并且这种多树突1-N型突触在神经元网络中能够起到信号广播的作用。为了进一步分析多树突1-N型突触的信息编码能力，本项研究建立了基于香农信息熵来计算突触信息存储容量（information storage capacity，ISC）的组合数学模型。在无新增突触的静态网络和包含新增突触的可塑性动态网络两种条件下，分别计算了引入多树突1-N型突触的ISC增量。在静态网络中，引入此类突触只是略微增加了ISC容量，而在动态可塑性网络中，此类突触将信息存储容量显著提高了50%。综上，基于序列电子显微镜成像技术和深度学习计算方法，研究者开发了小鼠听觉皮层亚细胞结构的三维电镜重构算法，自动重建精度可以满足大规模分析的精度需求，有效地节省了人工校验时间消耗，极大提高了分析效率。大规模电镜重构和对比分析结果在亚细胞水平揭示了学习记忆对大脑皮层突触、线粒体的组织结构和连接模式的影响，为类脑计算仿生模型的精确建模提供了结构基础和启发依据。图：（上左）听觉条件恐惧学习的对照组和实验组。（上右）轴突小结与树突棘替换或增加的示意图。（中左）不同突触连接模式的电镜图像及三维重构结果。1-N型突触由单个轴突小结与多个树突棘形成，N-1型突触由多个轴突小结与单个树突棘形成。（中右）不同突触连接模式示意图。绿色：树突；蓝色：轴突。（下左）密集重构揭示绝大多数1-N型突触中的树突棘来自不同树突主干。（下右）无新增突触的静态网络和包含新增突触的可塑性动态网络。该研究获得了国家科技创新2030重大项目、中国科学院战略性先导科技专项、国家自然科学基金、北京市科技计划的经费支持。作者专访Cell Press细胞出版社公众号特别邀请杨扬研究员、刘静博士和韩华研究员代表研究团队接受了专访，请他们为大家进一步详细解读。CellPress：过去也有基于电镜图像重构来探究突触和线粒体的研究报道，有的还完成了更大规模的密集重构。本文的方法和思路与过去的研究有何不同？杨扬研究员：电镜图像的密集重构对运算量的要求很高，工作量极大。而本文所使用的方法可以在不做密集重构的前提下，选择性识别和分割出研究者感兴趣的亚细胞结构，如本文关注的突触、线粒体，也可以推广到其他有特殊结构的细胞器。已有的突触或线粒体的自动重构算法多是像素或体素分割模型，也就是将图像中的像素或体素分类成前景或者背景。本文所使用的region-based卷积神经网络是一种实例分割网络，可端到端的完成目标实例的检测和分割。另外，针对强各向异性的序列电镜数据，本文提出一种2D到3D的重构方法，首先在2D上识别和分割亚细胞结构，随后应用3D连接算法完成3D的重构。这种方式可有效避免直接应用3D卷积神经网络带来的目标尺度在特征空间和图像空间不一致的问题。CellPress：多位点突触是一个新的概念吗？本文对此类突触的研究有何特别之处？杨扬研究员：一个突触前轴突小结与多个突触后树突棘形成的1-N多位点突触，和多个突触前轴突小结与一个突触后树突棘形成的N-1多位点突触，在过去的文献中都有过报道。但限于电镜图像人工识别的效率，过去的工作未能对这种特殊突触进行大规模的定量研究。本文通过基于机器学习的自动识别与重构算法实现了这一突破。此外，连接同一个多位点突触中的多个树突棘是来自同一根树突还是不同树突，代表了两种不同的神经元连接方式：前者仍是1对1的神经元连接，后者则是1个神经元对多个神经元的信息广播。本文通过密集重构，首次对这两类多位点突触进行了区分和定量，并发现后者在大脑皮层中，特别是学习之后占据了绝大多数，提示这种连接可能表征了大脑中突触层面的记忆痕迹。CellPress：人工智能算法在这个研究中发挥着怎样的作用？刘静博士、韩华研究员：近年来，人工智能算法已经深入应用到生命科学领域，加速甚至革新了生物学的研究进程。在连接组（Connectomics）领域，面对海量的高分辨电镜数据，借助人工智能算法绘制神经元的线路图是一个必不可少的环节。在本文中，我们设计了一套深度学习算法工具集，可以自动识别序列电镜图像中神经元、突触以及线粒体并恢复其三维形态。深度学习算法的应用大大提高了识别效率，将人从大量冗余复杂的标注工作中解放出来，加速了研究进程。CellPress：可否用简要的语言解释文中所提及的突触连接静态网络和动态网络，两者最核心的区别是什么？具有何种生物学意义？刘静博士、韩华研究员：突触连接网络是指根据神经元的几何拓扑特征来模拟突触连接模式的一种建模方式。其中，静态模型中仅考虑稳定的突触连接，假设没有新突触的形成或旧突触的消亡，本文使用信息熵定义静态网络的信息存储容量。而动态模型则将突触可塑性引入到网络中，允许新突触的形成，本文使用信息熵的增益表示新突触形成带来的信息存储容量的增加。动态模型通过模拟突触可塑性，与真实的大脑神经网络更为相似。CellPress：您认为该项研究对类脑计算有什么启发吗？刘静博士、韩华研究员：类脑智能（Brain-inspired Intelligence）本身就是通过模仿和借鉴人类神经系统的工作原理以构建新型的计算结构和智能形态。然而，目前人对大脑的生理机制还知之甚少。类脑研究的第一步就是要理解大脑，突触作为神经元连接的桥梁，是大脑中最重要的结构之一。突触的可塑性（synaptic plasticity）被认为与长时程记忆（long-term memory）有关。本文通过恐惧学习实验范式和电镜成像技术，发现了恐惧记忆能促进小鼠听觉皮层中一种特殊的1-N突触连接模式的形成，且这种连接模式大大增强了局部环路的信息编码能力。本研究中发现的这种局部神经环路信息传递模式或许能够作为一种记忆存储模块启发新型的类脑计算模型。作者介绍谢启伟教授谢启伟，北京工业大学现代制造业基地教授研究兴趣、领域：数据挖掘、图像处理和复杂系统智能；应用图像处理、机器学习和深度学习等方法研究基于电镜数据的神经元重建，集中于神经元电镜图像的前处理、超体素分割、图融合后处理等方法的研究，为神经科学提供有力工具，期待从脑的结构中挖掘出智能的本源。韩华研究员韩华，中国科学院自动化所研究员研究兴趣、领域：高通量显微成像技术产生海量影像数据，如何重构数据、分析数据、可视数据等已成为脑科学与类脑研究领域的重大挑战。我们致力于建立我国微观脑图谱的高通量技术体系和自主可控技术平台，持续突破大体块神经组织样品制备、长时程超薄切片连续收集、高通量扫描电镜三维成像、高精度神经结构三维重建等关键技术，开展多个百TB规模的微观脑图谱绘制工程，为构建类脑计算仿真提供生物真实网络和仿生建模依据。杨扬研究员杨扬，上海科技大学生命科学与技术学院助理教授、研究员研究兴趣、领域：以条件恐惧学习和增强式学习为行为范式，使用在体双光子成像、双光子全息光遗传、电镜、电生理等技术，研究与学习记忆相关的神经环路活动性和可塑性，及神经调制系统在其中所起的作用。

2014年诺贝尔化学奖授予了荧光超分辨显微技术，利用荧光分子的化学开关特性（PALM/FPALM/STORM）或者物理的直接受激辐射现象（STED），实现超越衍射极限的超分辨成像。尽管如此，活细胞中的超分辨率成像仍然存在两个主要瓶颈：（1）超分辨率的光毒性限制了观察活细胞中精细生理过程；（2）受限于荧光分子单位时间内发出的光子数，时间和空间分辨率不可兼得。受限于这个瓶颈，为了在活细胞上达到60 nm空间分辨率极限，现有超分辨率成像手段需要强照明功率（kW~MW/mm2）、特殊荧光探针和长曝光时间（ 2 s）。强照明功率引起的强漂白会破坏真实荧光结构的完整性，长曝光时间在图像重构时导致运动伪影，降低有效分辨率。迄今为止，基于光学硬件或者荧光探针的改进无法进一步提升活细胞超分辨率的时空分辨率，实现毫秒尺度60 nm的时空分辨率成像。2021年11月16日，哈尔滨工业大学李浩宇教授团队与北京大学陈良怡教授团队合作在Nature Biotechnology上发表论文Sparse deconvolution improves the resolution of live-cell super-resolution fluorescence microscopy【1】。他们另辟蹊径，发明基于新计算原理的荧光超分辨率显微成像，进一步拓展荧光显微镜的分辨率极限。通过提出“荧光图像的分辨率提高等价于图像的相对稀疏性增加”这个通用先验知识，结合之前提出的信号空时连续性先验知识【2】，他们发明了两步迭代解卷积算法，即稀疏解卷积（Sparse deconvolution）方法，突破现有荧光显微系统的光学硬件限制，首次实现通用计算荧光超分辨率成像。结合自主研发的超分辨率结构光（SIM）系统，实现目前活细胞光学成像中最高空间分辨率（60nm）下，速度最快（564Hz）、成像时间最长（1小时以上）的超分辨成像。结合商业的转盘共聚焦结构光显微镜，实现四色、三维、长时间的活细胞超分辨成像。1、应用举例：DNA折纸标准样本验证为了在已知结构样本中验证分辨率的提升，研究者设计并合成了两个荧光标记位点的DNA折纸样本，每个位点用4~5个Cy5标记。当这些分子间距为60 nm、80 nm和100 nm时，它们在TIRF-SIM下几乎无法区分，但在经过稀疏解卷积重建后（Sparse-SIM，图1）可以很好地区分它们中间的距离。整体结果可以用单分子定位显微镜ROSE【3】交叉验证，与Sparse-SIM得到的DNA折纸的荧光对间距以及不同间距荧光对在玻片上的分布一致。图1：Sparse-SIM解析不同距离DNA折纸样本。（a）在相同视场下，用配对Cy5标记不同距离（60 nm, 80 nm, 100 nm, 120 nm）的DNA折纸样品，用TIRF（左）、TIRF-SIM（中）和Sparse-SIM（右）成像。（b）在TIRF、TIRF-SIM和Sparse-SIM下，黄色（60 nm）、蓝色（80 nm）(80 nm)、绿色（100 nm）和红色（120 nm）框包围的放大区域。比例尺：（a）2 μm；（b）100 nm。2、应用举例：Sparse-SIM超快活细胞成像揭示核孔结构和胰岛素囊泡早期融合孔道在活细胞成像中，稀疏结构光显微镜（Sparse-SIM）可以解析标记不同核孔蛋白（Nup35, Nup93, Nup98，或Nup107）的环状核孔结构，而它们在传统结构光显微镜（2D-SIM）下形状大小与100 nm荧光珠类似（图2c, 2d）。由于相机像素尺寸与孔径直径类似，测量的核孔拟合直径与Sparse-SIM的分辨率相当。校正后Nup35和Nup107孔的直径分别为~66 ± 3 nm和~97 ± 5 nm，而Nup98和Nup93直径大小处于这个范围中（图2e, 2f），结果与以前用其他超分辨成像方法在固定细胞中获得的直径相符【4】。有趣的是，12分钟超分辨成像可以显示活细胞中核孔形状变化，这可能反映了核膜上的单个核孔复合物动态重新定向到焦平面或远离焦平面（图2g），这是其他超分辨方法难以观察到的。图2：Sparse-SIM解析核孔蛋白动态过程。（c）用Sparse-SIM观察活COS-7细胞中以Nup98-GFP标记的动态环状核孔的典型例子，持续时间超过10分钟。上下区域分别显示2D-SIM和Sparse-SIM下的图像。（d）比较（c）中青色框中的核孔结构快照与100 nm荧光珠在不同重建方法（2D-SIM、20次RL解卷积后、50次RL解卷积后、Sparse-SIM）下的结果。（e）由于核孔的大小与Sparse-SIM的分辨率和像素大小相当，按照Supplementary Note 9.1的协议（详情请见文章），分别推导出Nup35-GFP（红色）、Nup98-GFP（黄色）、Nup93-GFP（绿色）和Nup107-GFP（青色）标记的核孔结构的实际直径。（f）Nup35（66 ± 3 nm, n=30）、Nup98（75 ± 6 nm, n=40）、Nup93（79 ± 4 nm, n = 40）、Nup107（97 ± 5nm ,n = 40）的平均直径环。左右两幅蒙太奇分别为传统Wiener重构或稀疏解卷积后的结果。（g）在6个时间点对 （c）中的品红色方框放大并显示。比例尺：（c）500 nm；（d, g, f）100 nm。通过滚动重建，Sparse-SIM的时间分辨率可达564 Hz，识别出来INS-1细胞中VAMP2-pHluorin标记的、更小的胰岛素囊泡融合孔道（如~61 nm孔径）。它们在囊泡融合的早期出现，孔径小（平均直径~87 nm），持续时间短（9.5 ms），不能被之前传统的TIRF-SIM所识别【2】。另一方面，鉴别出来的稳定融合孔在囊泡融合的后期出现，孔径大（平均直径~116 nm），持续时间长（47 ms），是之前看到的结构【2】。值得一提的是，虽然这里发现的囊泡早期融合孔状态很难被其他的超分辨率成像手段所直接验证，但是它们的发生频率与30多年前用快速冷冻蚀刻电子显微镜所观察到的“小的融合孔发生概率远低于大的融合孔”现象相吻合【6】。3、应用举例：稀疏解卷积是提升荧光显微镜分辨率的通用方法与当下热门的深度学习超分辨率显微重建不同，信号的空时连续性、高空间分辨率导致的荧光图像相对稀疏性这两个先验知识，是荧光显微成像的通用先验知识，不依赖于样本的形态以及特定的荧光显微镜种类。因此，稀疏解卷积是通用荧光显微计算超分辨率成像算法，可被广泛应用于提升其他荧光显微模态分辨率，观察不同种类细胞器的精细结构及动态（图3）。图3 | 稀疏解卷积广泛应用于提升不同显微成像模态空间分辨率，揭示各类细胞器精细结构动态。比如稀疏解卷积增强的商业超分辨转盘共焦结构光显微镜（SD-SIM）【7】，可以实现XY方向90纳米，Z方向250 纳米的空间分辨率，清晰记录分裂期7 μm深度内的全细胞内所有线粒体外膜网络（图4）。同样，若稀疏解卷积增强与商业SD-SIM结合，可以很容易实现活细胞上的三维、四色超分辨率成像。稀疏解卷积可以与膨胀显微镜（ExM）【8】结合，解析细胞膨胀后的复杂结构；也可以与宽场、点扫描的共聚焦、受激辐射损耗显微镜（STED）【9】以及微型化双光子显微镜（FHIRM-TPM 2.0）【10】结合，实现近两倍的空间分辨率提升。因此，稀疏解卷积的提出，将帮助使用各种各样荧光显微镜的生物医学研究者更好地分辨细胞中的精细动态结构。图4 | Sparse SD-SIM解析活细胞三维线粒体外膜网络。（k）活体COS-7细胞的线粒体外膜（Tom20-mCherry标记）的三维分布，颜色表征深度。（l）SD-SIM原始数据与Sparse SD-SIM的水平（左）和垂直（右）的白色框区域放大展示。比例尺：（k）5 μm；（l）1 μm。总之，通过稀疏解卷积算法（Sparse deconvolution）来实现计算荧光超分辨率成像，与目前基于特定物理原理或者特殊荧光探针的超分辨率方法都不相同。与超快结构光超分辨显微镜结合形成的Sparse-SIM是目前活细胞光学成像中，分辨率最高（60纳米）、速度最快（564帧/秒）、成像时间最长（1小时以上）的超分辨光学显微成像手段。它也可以与现有的多数商业荧光显微镜结合，有效提升它们的空间分辨率，看到更清楚的精细结构动态。哈尔滨工业大学博士生赵唯淞、北京大学博士后赵士群、李柳菊为共同第一作者，哈尔滨工业大学仪器科学与工程学院李浩宇教授和北京大学未来技术学院陈良怡教授为论文共同通讯作者，共同作者还包括哈尔滨工业大学谭久彬院士、刘俭教授，北京大学毛珩博士，生科院成像平台单春燕博士和华南师范大学刘彦梅教授。参与合作的实验室包括武汉大学宋保亮教授、北京大学陈兴教授、中科院国家纳米科学中心丁宝全教授和生物物理所纪伟教授等。该项工作得到北京大学膜生物学重点实验室、麦戈文脑研究所、北大-清华生命科学联合中心、北京智源人工智能研究院的支持，也是多模态跨尺度国家生物医学成像设施建设过程中的重要成果。专家点评徐平勇（中科院生物物理所）自2014年诺贝尔化学奖授予了超分辨显微技术以来，超分辨成像技术取得了巨大的进步，成像的分辨率得到了进一步的提高。在固定细胞中，以MINFLUX、SIMFLUX以及ROSE等为代表的超分辨成像技术利用调制光照射单分子定位的方法实现了小于10纳米的空间分辨率。然而，在活细胞中进一步提高成像的空间分辨率仍然面临挑战。一个主要原因是活细胞成像的时空分辨率是互相关联的，为了减少活细胞里的运动伪影，需要通过提高采样频率来提高时间分辨率，但是采样频率或者时间分辨率的提高会减少记录的光子数，使得空间分辨率下降。在现有超分辨成像技术中，结构光照明成像SIM技术具有最高的时间分辨率，但是受限于成像原理本身和所采用的维纳反卷积等算法，空间分辨率进一步提高遇到了挑战。陈良怡和李浩宇团队合作发展的稀疏结构光超分辨显微成像技术（Sparse-SIM），保留了陈良怡团队前期发展的海森-SIM的高时间分辨率的优点，并进一步将SIM的空间分辨率提高到60纳米。该技术属于计算超分辨率成像方法，主要包括两步迭代解卷积求解算法。其核心是将Richardson–Lucy反卷积算法应用到SIM成像中，通过前期发展的基于信号的时空连续性的先验知识重建图像的方法减少或者消除Richardson–Lucy反卷积应用中的噪声问题；并利用提出的“荧光图像的分辨率提高等价于图像的相对稀疏性增加”这个先验知识作为约束条件，建立通用的计算框架——稀疏解卷积技术。该工作有几个方面的突破和创新：1）解决了Richardson–Lucy反卷积应用到生物成像中的噪声和先验知识问题，拓展了它在生物成像中的实际应用；2）利用稀疏结构光超分辨成像在活细胞中实现了同时高时空分辨率长时程成像；3）方法具有普适性，可以广泛用于宽场成像和其它超分辨成像技术，提高这些成像方法的分辨率。目前发展的Sparse-SIM主要是基于二维结构光 (2D-SIM) 系统，实现了活细胞中空间分辨率60nm、时间分辨率564Hz、成像时间1小时以上的超分辨成像。这是目前活细胞成像中同时具有的最高时空分辨率。其空间分辨率可与非线性SIM相媲美，但是时间分辨率更高，成像设备上的复杂程度也相对要低一些。将来Sparse-SIM技术也有望能用于三维结构光成像，尽管受限于3D-SIM成像方法本身成像的时间分辨率会有所下降。总之，Sparse-SIM技术同时具有高的时间和空间分辨率，其在活细胞成像中的应用有望带来诸多生物学中的重要发现。尤其重要的是，稀疏解卷积技术框架适用于目前多数荧光显微镜成像方法，并将这些成像的空间分辨率提升了近两倍，将大大促进这些荧光成像方法的发展和它们在生物学中的广泛应用。刘兴国（中科院广州生物医药与健康研究院）以SIM、STORM/PALM、STED为代表的的超分辨成像技术，成功突破了光学衍射极限，极大推动了亚细胞结构和细胞器互作动态等微观结构研究，获得了2014年诺贝尔化学奖。然而超分辨成像技术在时间分辨率和空间分辨率上难于获得同等提高——在超分辨成像技术中，SIM技术具有最好的时间分辨率，然而空间分辨率也是3种主流技术中最低的，缺乏对100nm以下尺度的亚细胞器结构的解析力。在充分利用SIM技术的时间分辨率的基础上，如何提高空间分辨率是一个重要的研究方向。北京大学陈良怡团队与哈尔滨工业大学李浩宇教授在Nature Biotechnology 杂志报道最新开发的Sparse deconvolution算法，并成功结合SIM技术开发出Sparse-SIM，在时空分辨率上成功将SIM技术的空间分辨率从110nm提高到60nm，同时保持毫秒级的时间分辨率。同时，陈良仪团队研究显示，本技术同样可以提高SD-SIM、STED等超分辨技术的轴向分辨率，甚至可以使普通宽场显微镜获得更好的信噪比。这一精彩的工作不但是领域的重要技术进展，而且具有广阔的应用空间。 陈良怡团队之前的工作，在硬件和软件水平挖掘SIM技术的时空分辨率，成功开发了高时空分辨率的Hessian SIM技术；本次研究再次在软件算法上取得突破，进一步推动了SIM技术在活细胞超分辨成像在时空分辨率的极限。应用Sparse-SIM技术，同时检测了核孔复合物结构、网格蛋白（clathrin）动态、溶酶体和内质网相互作用、内质网对线粒体内嵴动态的调控等重要过程，显现出Sparse-SIM强大的应用能力和应用前景。如何易于操作的提高超分辨成像技术的时空分辨率是亚细胞器结构和动态研究方面的一个重要方向，Sparse deconvolution算法或者Sparse-SIM提供了一个重要的生命科学研究工具，去探索更微观的生命科学过程。参考文献[1] Weisong Z, Shiqun Z, Liuju L, et al. Sparse deconvolution improves the resolution of live-cell super-resolution fluorescence microscopy [J]. Nature biotechnology, 2021: DOI: https://doi.org/10.1038/s41587-021-01092-2.[2] Huang X, Fan J, Li L, et al. Fast, long-term, super-resolution imaging with Hessian structured illumination microscopy [J]. Nature biotechnology, 2018, 36(5): 451-459.[3] Gu L, Li Y, Zhang S, et al. Molecular resolution imaging by repetitive optical selective exposure [J]. Nature Methods, 2019, 16(11): 1114-1118.[4] Szymborska A, Marco A d, Daigle N, et al. Nuclear pore scaffold structure analyzed by super-resolution microscopy and particle averaging [J]. Science, 2013, 341(6146): 655-658.[6] Ornberg R L, Reese T S. Beginning of exocytosis captured by rapid-freezing of Limulus amebocytes [J]. The Journal of Cell Biology, 1981, 90: 40 - 54.[7] Schulz O, Pieper C, Clever M, et al. Resolution doubling in fluorescence microscopy with confocal spinning-disk image scanning microscopy [J]. PNAS, 2013, 110(52): 21000-21005.[8] Sun D-E, Fan X, Shi Y, et al. Click-ExM enables expansion microscopy for all biomolecules [J]. Nature Methods, 2021, 18: 107–113.[9] Hell S W, Wichmann J. Breaking the diffraction resolution limit by stimulated emission: stimulated-emission-depletion fluorescence microscopy [J]. Optics Letters, 1994, 19(11): 780-782.[10] Zong W, Wu R, Chen S, et al. Miniature two-photon microscopy for enlarged field-of-view, multi-plane and long-term brain imaging [J]. Nature Methods, 2021, 18(1): 46-49.

发表于新英格兰医学期刊(The New England Journal of Medicine)的文章《Copy-Number Variation and False Positive Prenatal Screening Results》中，来自Illumina和Tufts医学中心的科学家得出了新的研究结论，在一个最新的测序方法的帮助下，无创产前检测(non-invasive prenatal test, NIPT)内来自母体的假阳性结果可以被更好地筛除掉。　　在这个Illumina资助的工作中，研究团队重新分析了来自于1914名孕妇的序列数据，以期更好地进行非整倍体风险评估比较的研究 这些提供数据的志愿者认为现在胎儿面临着更高的染色体异常风险。研究团队已经开始在美国进行线粒体DNA的临床定量工作，并且已经向英国人类受孕与胚胎学管理局提出技术运用的申请。　　Illumina临床实验室内所用的分析算法在近期进行了更新，包括将亚染色体检测步骤标准化以及完善了筛查亚染色体拷贝数变异的方法 使用更新后的算法，研究者发现原先11个假阳性结果中的6个可以被正确地重新归类。　　相关文章的作者解释道，其中的3个在此前被认为是母体基因拷贝数变异所造成的非整倍体假阳性结果，而另外的3个则是步骤标准化后被纠正的。2015年，一篇由华盛顿大学和费雷德哈钦森癌症中心的研究人员发表于新英格兰医学期刊的文章中提到，母体拷贝数变异会影响NIPT的检测结果，有引起假阳性结果的可能性。其他的5个假阳性结果未被从重新分类的原因则是胎儿染色体嵌合现象。　　综合来看，新的算法有效提升了检测的阳性预测值，针对21、18、13三染色体综合症，提升程度分别为46%到63%、40%到67%、24%到50%。“重新分析数据后获得的结果表明，不完善的生物学知识和检测技术造成了原先的假阳性结果，”团队在文章中写道，“包括胎儿胎盘的镶嵌现象以及母体拷贝数变异。”　　尽管我们在不断地努力去完善NIPT技术，去克服假阳性结果，然而持续不断的争论还在进行中，使用母体血液中的胎儿DNA来检测拷贝数变异现象和亚染色体畸形的有效性和实用性一直遭受质疑。　　去年在美国人类遗传学杂志上发表的一篇论文中，一个英国团队报道称，当检测所用的样本中含有超过3/5的母系拷贝时，要从小于6,000,000 bp的片段中成功地检测出微缺失、微重复会变得十分的困难。　　上周，瑞士研究人员在医学遗传学杂志中发表的研究结果有利于拓宽NIPT的应用，即能够可以检测到更多罕见的亚染色体畸形。　　从6400名单胎孕妇获得的数据结果后，研究团队将检测出异常的患者分类了三类，第一类有50位患者，问题是罕见的常染色体三倍体现象，第二类的53位患者则是出现了性染色体畸形的问题，有119名的第三类则是常规的染色体三倍体症。相关文章的作者呼吁对疾病相关的复发性拷贝数变异加强关注，这类病症的表性原因至今尚未可知。

细颗粒物又称细粒、细颗粒、PM2.5。细颗粒物指环境空气中空气动力学当量直径小于等于2.5微米的颗粒物。它能较长时间悬浮于空气中，其在空气中含量浓度越高，就代表空气污染越严重。虽然PM2.5只是地球大气成分中含量很少的组分，但它对空气质量和能见度等有重要的影响。与较粗的大气颗粒物相比，PM2.5粒径小，面积大，活性强，易附带有毒、有害物质（例如，重金属、微生物等），且在大气中的停留时间长、输送距离远，因而对人体健康和大气环境质量的影响更大。目前测量PM2.5的方法主要有以下5种：一种：红外法和浊度法红外由于光线强度不够，只能用浊度法测量。所谓浊度法，就是一边发射光线，另一边接收，空气越浑浊光线损失掉的能量就越大，由此来判定目前的空气浊度。实际上这种方法是不能够准确测量PM2.5的，甚至光线的发射、接收部分一旦被静电吸附的粉尘覆盖，就会直接导致测量不准确。这种方法做出来的传感器只能定性测量（可以测出相对多少），不能定量测量（因为数值会飘）。更何况这种方法也区分不出颗粒物的粒径来，所以凡是用这种传感器的性能都相对要差一些。第二种：激光法和粒子计数法就是激光散射，而不是直接测量浊度，这一类的传感器共同的特点就是离不开风扇（或者用泵吸），因为这种方法空气如果不流动是测量不到空气中的悬浮颗粒物的，而且通过数学模型可以大致推算出经过传感器气体的粒子大小，空气流量等，经过复杂的数学算法，最终得到比较真实的PM2.5数值，这一类传感器是激光散射，对静电吸附的灰尘免疫，当然如果用灰尘把传感器堵死了，自然也不可能测到。第三种：Beta射线法Beta射线仪是利用Beta射线衰减的原理，环境空气由采样泵吸入采样管，经过滤膜后排出，颗粒物沉淀在滤膜上，当β射线通过沉积着颗粒物的滤膜时，Beta射线的能量衰减，通过对衰减量的测定便可计算出颗粒物的浓度。Beta射线法颗粒物监测仪由PM10采样头、PM2.5切割器、样品动态加热系统、采样泵和仪器主机组成。流量为1m3/h的环境空气样品经过PM10采样头和PM2.5切割器后成为符合技术要求的颗粒物样品气体。在样品动态加热系统中，样品气体的相对湿度被调整到35%以下，样品进入仪器主机后颗粒物被收集在可以自动更换的滤膜上。在仪器中滤膜的两侧分别设置了Beta射线源和Beta射线检测器。随着样品采集的进行，在滤膜上收集的颗粒物越来越多，颗粒物质量也随之增加，此时Beta射线检测器检测到的Beta射线强度会相应地减弱。由于Beta射线检测器的输出信号能直接反应颗粒物的质量变化，仪器通过分析Beta射线检测器的颗粒物质量数值，结合相同时段内采集的样品体积，最终得出采样时段的颗粒物浓度。配置有膜动态测量系统后，仪器能准确测量在这个过程中挥发掉的颗粒物，使最终报告数据得到有效补偿，接近于真实值。第四种：微量振荡天平法微量振荡天平法是在质量传感器内使用一个振荡空心锥形管，在其振荡端安装可更换的滤膜，振荡频率取决于锥形管特征和其质量。当采样气流通过滤膜，其中的颗粒物沉积在滤膜上，滤膜的质量变化导致振荡频率的变化，通过振荡频率变化计算出沉积在滤膜上颗粒物的质量，再根据流量、现场环境温度和气压计算出该时段颗粒物标志的质量浓度。微量振荡天平法颗粒物监测仪由PM10采样头、PM2.5切割器、滤膜动态测量系统、采样泵和仪器主机组成。流量为1m3/h，环境空气样品经过PM10采样头和PM2.5切割器后，成为符合技术要求的颗粒物样品气体。样品随后进入配置有滤膜动态测量系统（FDMS）的微量振荡天平法监测仪主机，在主机中测量样品质量的微量振荡天平传感器主要部件是一支一端固定，另一端装有滤膜的空心锥形管，样品气流通过滤膜，颗粒物被收集在滤膜上。在工作时空心锥形管是处于往复振荡的状态，它的振荡频率会随着滤膜上收集的颗粒物的质量变化发生变化，仪器通过准确测量频率的变化得到采集到的颗粒物质量，然后根据收集这些颗粒物时采集的样品体积计算得出样品的浓度。5、重量法我国目前对大气颗粒物的测定主要采用重量法。其原理是分别通过一定切割特征的采样器，以恒速抽取定量体积空气，使环境空气中的PM2.5和PM10被截留在已知质量的滤膜上，根据采样前后滤膜的质量差和采样体积，计算出PM2.5和PM10的浓度。必须注意的是，计量颗粒物的单位ug/m3中分母的体积应该是标准状况下（0℃、101.3kPa）的体积，对实测温度、压力下的体积均应换算成标准状况下的体积。由于红外法测量PM2.5的传感器性能较差，且Beta射线法、微量振荡天平法、重量法三种方法的原理应用比较困难且价格较高，所以市面上比较多的是采用激光散射原理来测量PM2.5浓度的PM2.5传感器。 建大仁科空气质量变送器RS-PM-*-2是一款工业级通用颗粒物浓度变送器，采用激光散射测量原理，通过独有的数据双频采集技术进行筛分，得出单位体积内等效粒径的颗粒物粒子个数，并以科学独特的算法计算出单位体积内等效粒径的颗粒物质量浓度，以485 接口通过 ModBus-RTU 协议进行数据输出。可用于室外气象站、扬尘监测、图书馆、档案馆、工业厂房等需要PM2.5或 PM10浓度监测的场所。

近期，中国科学院上海光学精密机械研究所光芯片集成研发中心王俊研究员团队在基于机器学习算法实现二维材料层数识别和物性检测方面取得进展，相关综述论文以“Thickness Determination of Ultrathin 2D Materials Empowered by Machine Learning Algorithms”为题发表于Laser & Photonics Reviews，并被编辑推荐为当期正封面文章。 　　自从发现石墨烯以来，大量新型二维层状材料逐渐被发现和制备，目前已成为涵盖绝缘体、拓扑绝缘体、半导体、半金属到超导体的庞大家族。通常，二维材料的层数对于调节纳米电子和光电器件的性能具有重要意义，在实现进一步的物理研究或器件制造之前，往往需要确定目标样品的最佳厚度。目前，通过光学技术获得光学图像或光谱信息后，后续的数据处理往往依赖研究人员的专业知识，并且受个人经验和主观因素影响较大。 　　近年来，人工智能改变了现代社会的诸多方面，作为其最重要的一个子领域，机器学习通过收集和分析数据以预测复杂系统的行为并建立解决问题的模型，为物理、化学、材料科学等传统研究领域带来了新的发展机遇和解决方案。例如光学图像作为实验室中最容易获取的数据集，是解决图层识别高通量和实时性要求的最简单方法，机器学习算法可以提取图像中的基本特征并建立决策模型，同时较好地适用于不同的光学系统，以满足不同用户对自动光学识别和表征的要求。除了光学图像，机器学习算法还可以准确高效地分析光谱数据，这不仅可以利用光谱特征信息快速得到所需的样品厚度，还可以从材料本秉特性出发，有效解决不同实验平台间测试数据误差带来的不利影响。更为重要的是，这些机器学习算法赋能的光学解决方案显著促进了建立从数据出发的统一、快速、低成本、无损的测量方法和标准，进而有力推动了二维材料的工业级应用落地。 　　该综述系统总结了传统光学技术与机器学习算法深度融合面临的发展机遇与难题，提出检测对象的多样性、物理性质的差异性、测试环境的不稳定性、光学技术的易干扰性和相关算法的准确性对跨实验室标准制定带来的潜在风险与挑战。机器学习算法将对二维材料厚度测定的传统研究方法带来深刻的变化，将人工劳动从现有的繁琐材料表征过程中逐渐解放出来，有助于推动研究的快速发展并逐步走向实际应用。

近日，中国科学院上海光学精密机械研究所研究员王俊团队在基于机器学习算法实现二维材料层数识别和物性检测方面取得进展，相关文章以Thickness Determination of Ultrathin 2D Materials Empowered by Machine Learning Algorithms为题发表于《激光与光子学评论》（Laser & Photonics Reviews）。自从发现石墨烯以来，大量新型二维层状材料逐渐被发现和制备，目前已成为涵盖绝缘体、拓扑绝缘体、半导体、半金属到超导体的庞大家族。通常，二维材料的层数对于调节纳米电子和光电器件的性能具有重要意义，在实现进一步的物理研究或器件制造之前，往往需要确定目标样品的最佳厚度。目前，通过光学技术获得光学图像或光谱信息后，后续的数据处理往往依赖研究人员的专业知识，并且受个人经验和主观因素影响较大。近年来，人工智能改变了现代社会的诸多方面，作为其最重要的子领域，机器学习通过收集和分析数据以预测复杂系统的行为并建立解决问题的模型，为物理、化学、材料科学等传统研究领域带来了新的发展机遇和解决方案。例如光学图像作为实验室中最容易获取的数据集，是解决图层识别高通量和实时性要求的简单方法，机器学习算法可以提取图像中的基本特征并建立决策模型，同时较好地适用于不同的光学系统，以满足不同用户对自动光学识别和表征的要求。除了光学图像，机器学习算法还可以准确高效地分析光谱数据，这不仅可以利用光谱特征信息快速得到所需的样品厚度，还可以从材料本秉特性出发，有效解决不同实验平台间测试数据误差带来的不利影响。更为重要的是，这些机器学习算法赋能的光学解决方案显著促进了建立从数据出发的统一、快速、低成本、无损的测量方法和标准，进而有力推动了二维材料的工业级应用落地。该文章系统总结了传统光学技术与机器学习算法深度融合面临的发展机遇与难题，提出检测对象的多样性、物理性质的差异性、测试环境的不稳定性、光学技术的易干扰性和相关算法的准确性对跨实验室标准制定带来的潜在风险与挑战。机器学习算法将对二维材料厚度测定的传统研究方法带来深刻变化，将人工劳动从现有的繁琐材料表征过程中逐渐解放出来，有助于推动研究的快速发展，逐步走向实际应用。

36氪获悉，杭州深度视觉科技有限公司（以下简称“深度视觉”）宣布完成过亿元的A轮融资，本轮融资由通用技术创投领投，惠友资本、中关村发展启航投资、高通创投跟投。势能资本担任独家财务顾问。领投方通用技术创投是通用技术集团的全资公司，专注于科技创新领域股权投资，具有明确的产业属性和布局能力，目前培育了一批上市公司和细分行业龙头。深度视觉创始人王帅林表示，本轮融资资金将用于产品研发和市场拓展等业务方面。深度视觉成立于2017年，是一家工业领域高精度智能视觉检测方案供应商。深度视觉拥有智能AI相机&3D相机整机的自主研发能力、光学设计能力、多重算法库的研发能力、FPGA平台图像采集处理系统的研发能力及自动化设备的设计制造能力，其一体化检测设备已经应用于多个工业细分领域。深度视觉产品利用机器视觉技术完成产品自动化检测是企业智能化生产必备的能力，同时也是一个高速增长的市场。据前瞻产业研究院相关数据显示，2019年，我国工业机器视觉市场规模已达到139亿元，同时在光源、镜头、相机及分析软件上，国产品牌的占优趋势持续升高。深度视觉创始人王帅林表示，我国是一个工业大国，制造业水平在不断提升，可以为视觉检测设备创造很多应用场景；同时国产厂家可通过快速迭代打造出超越国外产品的设备，解决行业痛点，这对国产品牌是一个好的市场机会。目前 工业领域的产品检测环节主要面临几类痛点：人工成本逐渐升高，招工难；产品复杂程度提高，人眼或常规检测手段效率降低；产品价值较高，出现漏检可能会带来严重后果等。深度视觉打造了多款一体化自动检测设备，用以对高反光、高曲率的产品进行检测，目前主要用于机加工及汽车领域，检测产品包括轴承、滚针、套圈及其他汽车零部件。王帅林告诉36氪：“机加工零件和汽车零部件的生产环境并不是无尘的，很多时候零件会沾有灰尘、污渍或油泥，但其加工质量却是合格的，这就对检测设备提出了更高的要求。此外机械零部件往往是大批量生产，检测准确度也会影响生产效率。”王帅林毕业于北京邮电大学，曾在SEED、中国兵器等企业担任算法工程师，拥有丰富的FPGA、ISP算法开发经验。在技术上，深度视觉进行了图像采集-数据分析-设备一体化的产品布局。在图像采集层面，深度视觉进行了特殊的光源和光路的设计，以及光学透镜组的设计，解决了金属零件表面高反光带来的过度曝光问题，同时通过明场和暗场结合的方式，满足了机加工零部件及汽车零部件特殊位置的图像拍摄要求。在数据分析层面，与传统的视觉检测设备依靠工控机进行集中式运算不同，深度视觉采用了分布式运算的方式，这样做的好处是可以将整台设备的算力更好的分配，完成在不同光照条件下对目标进行多次检测，提高检测精度。深度视觉的分布式运算架构使相机拥有了边缘计算能力，一幅零件图像首先由相机进行处理，处理后的结果以数据形式嵌入图像，并传至后方工控机，工控机综合相机的处理结果应用深度学习算法对图像进行进一步的分析。王帅林表示，除了算法及检测逻辑的创新外，对机加工工艺的理解也十分重要，深度视觉需要充分理解工艺特性，判断出正常加工痕迹和缺陷，并以此来进行数据标定和建立算法库，这种know-how能力同样是企业的壁垒。从相关资料来看，深度视觉打造了滚动体智能外观检测机、磨加工内外圈外观检测机、车加工内外圈外观检测机、成品轴承外观检测机、电池壳外观检测机等多类型产品，每一类产品拥有多款不同型号。目前深度视觉的客户已经超过300家，其中包括舍弗勒集团、不二越、人本集团、五洲新春等国内外知名企业。王帅林表示，目前深度视觉的产品年出货量为近千台，且均为直销渠道，这样可以使深度视觉更好地理解客户需求并快速迭代产品。此外，深度视觉也正在建设自己的生产基地。在发展战略上，除了机加工市场和汽车零部件市场，深度视觉正在积极拓展纺织、医药等领域，并持续落地行业标杆客户，将检测设备和技术发挥出最大效能。投资者说：“深度视觉是一家技术驱动型的公司，具备从相机、光场、算法到机械自动化等全套底层技术自研能力，其提供的AOI检测产品及解决方案已在轴承和金属零部件领域得到全球头部客户的高度认可，并在新能源领域也逐步打开局面。我国正在产业升级的关键期，相信在王总的带领下，深度视觉能成为中国的‘基恩士’，为我国制造业转型升级助力。”——惠友资本投资总监杨扬“高通公司一直通过研发、投资、合作等方式持续引领AI技术和产业的发展。高通创投作为深度视觉最早的机构投资人已陪伴深度视觉三年有余。三年来，我们见证了深度视觉团队从初创走向成长，见证了深度视觉产品从轴承检测拓展至周边行业，也见证了AI在高精密智能制造中的巨大潜力。我们深切期待深度视觉能在AI技术上持续创新，在应用场景上持续发掘，不断取得进步。”——高通创投风险投资高级总监毛嵩“投资一年来，我们欣喜的看到了团队的持续进化和公司的不断成长，在持续巩固金属表面缺陷检测优势的同时，在新能源、医药等方向陆续也有不错的落地，期待公司抓住产业数智化浪潮的际遇，继续稳扎稳打，做大做强。”——中关村发展启航投资合伙人马建平 “疫情的肆虐让机器替人、自动化及智能化提高生产效率保证产品质量的重要性提到更高的位置，深度视觉的自研相机、自研算法及整体解决方案，在轴承及其他金属制品行业得到客户认可，我们也相信团队的能力会打开更大的市场空间。”——老股东祥峰投资执行合伙人夏志进

8月24日，日本政府不顾国内外反对，福岛第一核电站启动核污染水排海，并计划排放30年。该消息发布后，引起我国出现盲目“抢盐”的恐慌现象，并导致核辐射检测仪在线上平台火爆销售，甚至被抢购一空。许多专家表示，我们无需过度恐慌，理性关注即可，也有人支持购置核辐射检测仪来保证身体安全，那么作为大众居民，我们是否必要购置核辐射检测仪？其原理是什么？核辐射检测仪到底是不是“智商税”？且听本网来揭秘。核辐射检测仪的原理核辐射检测仪是通过探测放射性物质的衰变过程来进行工作的。放射性物质会不断地释放出α粒子、β粒子、γ射线等辐射，这些辐射会与检测器中的物质相互作用，产生电离效应。在这个过程中，检测器中的物质会失去一部分电荷，导致检测器中的电荷量发生变化，从而产生电信号。核辐射检测仪通常采用闪烁晶体作为探测器，闪烁晶体是一种能够吸收射线并转化为可见光的物质。当放射性物质释放出的射线进入闪烁晶体时，晶体中的原子或分子会吸收这些射线，并把它们转化为可见光。这个过程被称为光致发光。然后，光被收集到光电倍增管中，并转化为电信号。这些电信号会被放大和整形，以便后续的信号处理和测量。除了闪烁晶体，核辐射检测仪还可以使用其他类型的探测器，如半导体探测器、液体闪烁计数器等。半导体探测器的工作原理与闪烁晶体类似，都是基于放射性物质的衰变过程，通过探测器中的物质与辐射相互作用产生电离效应，从而检测辐射的强度和类型。而液体闪烁计数器则是一种将闪烁剂和光电倍增管结合在一起的探测器，它能够测量β粒子和γ射线。总之，核辐射检测仪是基于放射性物质的衰变过程进行工作的，通过探测器中的物质与辐射相互作用产生电离效应，从而检测辐射的强度和类型。闪烁晶体和光电倍增管是核辐射检测仪中非常重要的部件，其性能直接影响核辐射检测的准确性和稳定性。随着科学技术的发展，核辐射检测仪的材料和性能将不断得到改进和完善，为保障人类安全和环境健康做出更加重要的贡献。核辐射检测仪的应用场景辐射检测仪的应用场景广泛，主要包括以下场景：1.核物理实验室、科研单位放射性实验室等会产生放射性物质的单位，主要用于日常放射性物质剂量检测，以便及时处理。2.用于海关和边境巡逻等，防止犯罪分子取放射性材料及放射性物质袭击的应急响应。3.环保部门、钢铁石材检测、矿山或金属检测公司等，用于监测放射源。4.医疗、工业等领域的X射线仪器的X射线辐射强度。5.其他检测放射性物质需要。综上所述，辐射检测仪的应用场景非常广泛，应用于各大领域。我们需要购买核辐射检测仪吗？最近的央视报道中，华南理工大学环境与能源学院教授张永清表示：“普通百姓购买放射性检测仪必要性不强。因为放射性测量过程中，只有一个仪器还是不够的，还要有相应适合的方法，不同的核素有不同的方法来进行测量，而且不同的样品有不同的前处理方法。如果说一般普通老百姓只是买一个仪器来测，他们还不具备专业的方法。”市面上价格较低的核辐射检测仪往往精度低，难以真正检测出放射性物质，而较为专业的核辐射检测仪价格昂贵，且需要专业知识和技能才能正确使用和维护才能合理使用。其次，普通人在日常生活中接触到的辐射量通常是非常低的，不需要过于担心辐射对健康的影响。而且，即使周围存在一些放射性物质，核辐射检测仪也并不能保证绝对的安全。因此，建议普通人不要盲目购买核辐射检测仪，更不需要过度恐慌，如果确实需要检测辐射水平，可以寻求专业的检测机构或者政府部门进行检测。

小米米粉的主要营养成分为淀粉，淀粉和水混合成悬浮液，在经历加热、溶解、吸水膨胀过程后会出现淀粉糊化的现象，其糊化特征指标能为评价小米米粉食味品质、确定加工工艺提供重要数据支撑。目前，小米米粉糊化特征指标测定主要采用快速黏度分析（RVA），但在糊化特征指标测定过程中，待测样品的制备会破坏其理化特性，且样品制备操作流程繁琐，人工、时间成本较高，因此实现待测样品批量、快速检测存在一定困难。山西农业大学农业工程学院的王国梁、王文俊、李志伟*等设计一种高光谱数据提取、预处理分步运算程序，并提出利用SSA优化BP算法进行待测样品糊化特征指标回归、预测，旨在寻求一种简化高光谱数据提取、预处理流程的方法，并探讨SSA优化BP算法在小米米粉糊化特征指标回归、预测方面的优势，为高光谱成像结合计算机深度学习在小米米粉糊化特性预测方面应用提供理论支撑。1、小米米粉糊化特征指标测定结果数据集统计结果如表1所示。小米米粉中淀粉含量占比不同会导致糊化特性不同，从表中糊化特征指标数据统计结果可以看出样本间糊化特性存在差异，而高光谱技术可以利用各样本反射率变化反映样本间成分含量的不同，因此通过运用数据处理技术利用高光谱反演样本糊化特征指标，可以实现小米米粉糊化特性的高光谱预测。2、高光谱数据提取与预处理01 小米米粉高光谱数据提取样品表面像素点间反射率存在差异，导致建模时若以少量点绘制成光谱特征曲线误差较大，为提高模型精度，结合高光谱成像技术优点，本研究采用图2所示采样方式。在ROI内提取大量像素点过程的选点规则如式（8）～（10）所示。02 小米米粉高光谱数据预处理采用小米米粉高光谱数据各个波段下反射率的算术平均值集合成平均光谱曲线。算术平均值在数据统计与分析过程中具有反应灵敏、确定严密、容易获得和受抽样变动影响小等特点，计算如式（11）所示。如图3所示，光谱曲线吸收峰主要集中在980、1 200 nm以及1 450 nm波长处，980 nm和1 200 nm波长处吸收峰主要受小米米粉淀粉含量的影响，而1 450 nm波长处为样品中水分子敏感波段。3、小米米粉糊化特征指标预测设置发现者、加入者和预警者比例为0.7∶0.3∶0.2，运行SSA优化BP算法。根据式（12）可得出运用SSA优化BP算法预测小米米粉糊化特征指标的最优适应度值。图4显示出小米米粉糊化特征指标随SSA优化BP算法迭代次数增加误差变化趋势，即随迭代次数的增加，7 条曲线均呈下降收敛态，其中SB、PT预测结果误差偏大，GT误差变化率较大，PV、BD预测结果误差较小。小米米粉糊化特征指标的最优迭代次数及适应度值如表2所示。以PV为例，从表2中可以看出，最优迭代次数为13，最优适应度值能达到0.050 8。为进一步显著观察预测值与测试值的关系，突出SSA优化BP算法优势，分别在测试样本集第1、10、20、30、40、50、60、70、80、90、100点设置观察窗口，将测试集PV、BP算法预测PV及SSA优化BP算法预测PV输出对比，如图5所示。如表3所示，SSA优化BP算法预测值MSE为0.017 5，而BP算法预测值MSE为0.026 6，SSA优化BP算法预测值MSE比BP算法明显降低。由表3可知，相较于BP算法，运用SSA优化BP算法求得其他小米米粉糊化特征指标预测值MSE均降低，表明SSA优化BP算法在提高小米米粉糊化特征指标预测精度、降低MSE方面具有普适性。综上所述，运用该优化算法可为高光谱成像结合计算机深度学习在小米米粉糊化特征指标预测方面提供理论支撑。结 论本实验以山西省长治市武乡县所收获小米研磨后的小米米粉为研究对象，获取358 份小米米粉高光谱数据集，通过光谱数据提取、预处理，并以该数据矩阵为基础，分别运用BP算法、SSA优化BP算法进行待测样品糊化特征指标预测，得到以下主要结论：1）运用光谱数据提取、预处理分布运算程序，对样本高光谱原始数据集进行批处理，能够标准化并简化光谱数据提取、预处理过程，从数据处理结果可以看出，该程序在粉末及小颗粒样本光谱数据的提取、预处理过程中具有普遍适用性；2）分别运用BP算法及SSA优化BP算法对小米米粉糊化各特征指标进行预测，从预测值与测试值间MSE可以看出，运用SSA优化BP算法能够提高小米米粉糊化特征指标预测精度，降低MSE，其中对PV的预测值MSE最低可以达到0.0175。本研究表明，运用高光谱数据提取、预处理分步运算程序可以简化提取小米米粉平均光谱数据过程，结合SSA优化BP算法可以对待测样品糊化特征指标进行预测，能够为高光谱成像结合计算机深度学习在小米米粉糊化特性预测方面应用提供理论支撑。

自1992年发明世界上第一台微型光纤光谱仪以来，经过20多年的发展，它已经被广泛应用在包括环保，食品安全，国土安全，新能源，军事，半导体，化工，医药，航天，农业，在内的几乎所有的行业。这是由光和物质的相互作用的普遍性所决定的。　　详细应用案例请见：微型光纤光谱仪可以应用于哪些领域?　　这些案列也反映出了市场需要解决什么问题，以及为什么微型光谱仪能够解决这个问题？　　总体来说，微型光纤光谱仪应用的难点在以下两个环节，这是应用研究所需要解决的问题。　　采样：对于每一个特定的实际应用场景都有其具体的困难需要解决，如何从组分复杂的样品中，萃取，分离，富集微量待测物，如何排除气泡，杂质，颗粒物对测试的干扰。　　算法和数据库：如何从光谱数据中提取出有用的信息，特别是当实验所得到的光谱是由样品中各种组分与光作用的综合结果时，化学计量学算法，建立数据库是极端重要的，而且又花钱，又耗时。　　此外，急需跨行业，跨领域的合作：正是由于光和物质作用的普遍性，决定了光谱应用领域的分散性，许多应用都需要跨领域的知识。熟悉光学的人对基因，核酸非常陌生 熟悉分子生物学的人则害怕看仪器结构的方框图。不同领域专家的交流和合作才能知道其它行业存在什么问题，才能找到解决问题的方法。

GHK-5100多组分温室气体分析仪基于TDLAS可调式半导体激光器吸收光谱技术，内置激光控制模块、吸收池、泵吸处理控制模块、信号处理模块，可实现进样气的实时在线及现场便携测量，通过扩展激光器可实现多组分气体同步测量。下文简单地为您介绍一下关于“TDLAS检测温室气体原理”。 TDLAS检测温室气体原理为通过电流和温度调谐半导体激光器的输出波长，扫描被测物质的某一条吸收谱线，通过检测吸收光谱的吸收强度获得被测物质的浓度。 TDLAS检测的是激光穿过被测气体通道上的分子数，获得的气体浓度是整个通道的平均浓度。TDLAS的气体浓度定量计算是以Beer-Lambert定律为基础，Beer-Lambert定律指出了光吸收与光穿过被检测物质之间的关系，当一束频率为V的光束穿过吸收物质后，在光束穿过被测气体的光强变化为： I(v)=I0(v)exp[-σ(v)CL] I(v)：光束穿过被测气体的透射光强度 I0(v)：入射光强度 σ(v)：被测气体分子吸收截面 C：被测气体的浓度 L：光程 因此，可通过测量气体对激光的衰减来测量气体的浓度。值得注意的是σ(v)吸收截面是分子吸收线强S(V)和分子吸收线形φ（V）的乘积，吸收线强S(V)受到气体温度的影响，吸收线形φ（V）收到压力展宽的影响，因此在实际检测中，TDLAS分析仪需输入温度和压力值进行补偿，如果过程气体的温度和压力变化比较大，还需要通过接入温度和压力传感器实时进行温度压力补偿。 GHK-5100多组分温室气体分析仪采用模块化定制，体积小、重量轻，采用温度、压力补偿算法以及光源自动锁频技术，环境适应性强，满足用户高精度温室气体在线连续监测需求。

常规的无损检测技术如射线检测、超声波检测、磁粉检测、渗透检测等，这些方法在实践应用中都有各自的缺点及局限性。红外热成像无损检测技术是近年来应用逐渐广泛的一种新兴检测技术，广泛应用于航空航天、机械、医疗、石化等领域。与其他的无损检测技术相比，红外热成像技术的特点有：1. 测量速度快，因为红外探测器通过物体表面发射的红外辐射能来测得物体表面的温度，所以响应极快，能测得迅速变化的温度场；2. 非接触性，拍摄红外图片时，红外摄像仪与被测物体是保持一定距离的，对被测温度场没有干扰，操作安全、方便；3. 测量结果直观形象，热像图以彩色或黑白的图像形式对结果进行输出，从图上可以方便地读取各点的温度值，并且热像图中还包含有丰富的与被测物体有关的其它信息；4. 测温范围广，由于是采用辐射测温，与玻璃测温计和热电偶测温计相比，测温范围大大扩展，理论上可从绝对零度到无穷大；5. 测量精度高；6. 易于实现自动化和实时观测。红外热成像无损检测原理红外线是一种电磁波，为0.78~1000 μm，可分为近红外、中红外和远红外。任何物体只要不是绝对零度，都会因为分子的旋转和振动而发出辐射能量。红外辐射是其中一种，如果把物体看成是黑体，吸收所有的入射能量，则根据斯蒂芬-玻尔兹曼定律，在全波长范围内积分可得到黑体的总辐射度为：式中：为黑体的光谱辐射度；c1、c2为辐射常数，c1=3.7418×108 Wm-2μm4，c2=1.4388×104 μmK；σ为斯蒂芬-玻尔兹曼常数，为5.67×10-8 Wm-2K-4。实际大部分人工或天然材料都是灰体，与黑体不同，灰体材料的发射率ε≠1，灰体表面能反射一部分入射的长波（λ＞3 μm）辐射，因此灰体表面的辐射由自身发射的和环境反射的两部分组成，用红外探测器可直接测量灰体发射和反射的总和Map，但无法确定各自的份额。通常假设物体表面为黑体，将Map称为表观辐射度，为便于理解，一般将其转换为人们较熟悉的温度单位，称为表观温度Tap，即：上述表观温度Tap即为红外探测器测量所得温度，在无损检测中测量距离一般较近，可以忽略大气的影响，故被测物体的表面发射率ε的取值是否准确是影响测量精度的关键因素。检测方式1. 主动式检测为了使被测物体失去热平衡，在红外热成像无损检测时为被测物体注入热量。被测物体内部温度不必达到稳定状态，内部温度不均匀时即可进行红外检测的方法即为主动式红外检测。该种检测方式是人为给试样加载热源的同时或延迟一段时间后测量表面的温度场的分布。从而确定金属、非金属、复合材料内部是否存在孔洞、裂缝等缺陷。2. 被动式检测被动式红外热成像无损检测利用周围环境的温度与物体温度差，在物体与环境进行热交换时，通过对物体表面发出的红外辐射进行检测缺陷的一种方式。这种检测方法不需要加载热源，一般应用于定性化的检测。被测物本身的温度变化就能显示内部的缺陷。它经常被应用于在线检测电子元器件和科研器件及运行中设备的质量控制。红外热成像技术在无损检测中的应用1. 材料热物性参数检测与其它的测温技术相比，红外热像仪能迅速、准确地测量大面积的温 值，且测温范围宽。因此，当需要准确测量较大范围的温度边界条件时，红外热像仪具有其它测温仪器不可比拟的优越性。哈尔滨工业大学的研究人员针对焊接温度场中材料的传热系数随温度升高而变化的情况进行了研究，证明了焊接过程热传导系数反演算法的可行性，结合红外热像法与热电偶测量了LY2铝合金固定TIG点焊过程的焊接温度场，通过计算分别获得了加热和冷却过程的热传导系数随温度变化的曲线。热传导反问题的研究，具有广泛的工程应用前景，近年来在热物性参数的识别、边界形状的识别、边界条件的识别、热源的识别等多方面已经取得了很多研究成果。在进行传热反问题研究时，采用红外热像技术测量研究对象的温度图，可以方便快捷地解决温度边界的测量问题，该方法在热传导反问题的研究中已被广泛采用。2. 结构内部损伤及材料强度的检测目前利用红外热像技术进行的结构损伤研究有混凝土内部损伤检测、混凝土火灾损伤研究、焊缝疲劳裂纹检测、碳纤维增强混凝土内部裂纹检测等，由于损伤部位的导热系数的变化，导致红外热像图中损伤位置温度异常。与常规的探伤方法如X射线、超声波等相比，红外热像技术具有不需要物理接触或耦合剂，操作简单方便、无放射性危害等优点。同济大学的研究人员采用红外热像技术对混凝土火灾损伤进行了实验研究，得出了火灾损伤混凝土红外热像的平均温升随时间的变化曲线，及混凝土红外热像的平均温升与其受火温度与强度损失之间的回归方程。将红外热像技术应用于火灾混凝土检测，在国际上尚属首创，突破了传统的检测模式，为进行混凝土的火灾损伤评价开创了一条新途径。但将该方法运用于实际工程检测中，尚有许多问题需要解决，如混凝土强度等级、碳化深度、级配、火灾类型等对检测结果的可靠性的影响，以及检测时的加热措施等。近年在光热红外技术的基础上发展的超声红外技术发挥了红外技术和超声技术的优点，该方法以超声脉冲作为激发源，当超声脉冲在试件中传播遇到裂纹等缺陷时，缺陷引起超声附加衰减而局部升温，从而利用红外热像技术可以检测出这些裂纹缺陷。南京大学的研究人员将红外热像仪与超声波发射器结合起来，用超声波发射器对有疲劳裂纹的铝合金试件进行热量输入，拍摄红外热图像，与计算机模拟计算结果进行比较，试验表明超声红外热像技术对裂纹缺陷、不均匀结构及残余应力非常敏感。3. 在建筑节能中检测的应用在建筑物节能检测方面，瑞典早在1966年就开始采用红外热像技术检测建筑物节能保温，美国、德国等许多国家的研究人员也都进行过这方面的研究工作。在我国随着对建筑节能要求的提高，建筑物的节能检测势在必行。目前我国对建筑围护结构传热系数的检测多采用建筑热工法现场测量，红外热像技术只作为辅助手段，通过检测围护结构的传热缺陷，综合评价建筑物的保温性能。目前我国红外热像技术在节能检测领域的研究尚属于起步阶段，还没有确定的指标对建筑物的红外热像图进行节能定量评价，由于建筑物立面形式和饰面材料的多样性，编制专用的图像分析与处理软件和建立墙体内外饰面材料的发射率基础数据库成为该项研究中一个重要环节。4. 在建筑物渗漏检测中的应用建筑物的渗漏有由供水管道引起的渗漏和屋顶或外墙开裂引起的雨水渗漏等，由于渗漏部位的含水率和正常部位不一样，造成在进行热传导的过程中二者温度有差异，因而可以用红外热像仪拍摄湿度异常部位墙面的红外热图像，与现场直接观察结果进行对比分析，可以找出渗漏源的位置。结语红外热像技术在无损检测中的应用前景非常广泛，相应的研究工作也取得了初步的研究成果，并逐步地从定性研究走向定量研究，但总体来说在目前尚属起步阶段，能应用于实际工程中的研究成果不多，且多属一些定性的结论，缺乏相应的操作规范。因此，应加强定量研究工作，提高对红外热像图的处理能力。

p　　strong一、北京理工大学王茜蒨教授团队风采/strong/pp　　北京理工大学光电学院激光诱导击穿光谱研究团队(BIT-LIBS)由王茜蒨教授领衔，始创于2008年，目前有教授1名，副教授1名，讲师2人，在读博士生7名(其中留学生2名)，硕士生6名，本科生3名。团队依托于北京理工大学光电学院光学工程国家重点学科，光电成像技术与系统教育部重点实验室，致力于激光与物质相互作用理论、激光探测机理与技术、光谱数据处理、化生爆危险品检测、生物医学检测等方面的研究。/pp style="text-align: center "img title="22.jpg" alt="22.jpg" src="https://img1.17img.cn/17img/images/201901/uepic/b62f0e7f-6860-47aa-91af-ccbe2ea927ae.jpg"//pp style="text-align: center "strong北京理工大学王茜蒨教授/strong/pp style="text-align: center "img width="600" height="450" title="团队风采.jpg" style="width: 600px height: 450px " alt="团队风采.jpg" src="https://img1.17img.cn/17img/images/201901/uepic/8b352990-7b7b-4265-8309-65490d0ea2c5.jpg" border="0" vspace="0"//pp style="text-align: center "strong北京理工大学王茜蒨教授团队风采/strong/ppstrong　　二、相关研究成果及最新研究进展/strong/pp　　1、危险品LIBS光谱识别方法研究/pp　　爆炸物和生化危险品在反恐防暴领域一直都是探测重点，因其具有高度毁伤性和致病性，严重危害社会安全和人民安全健康。团队自创立至今，一直致力于LIBS技术在国防和社会安全领域的应用研究，从2008年起，在国内率先开展爆炸物LIBS探测技术研究，对几种典型炸药的LIBS光谱特性和识别方法进行了深入研究。之后，开展了对有机磷化学毒剂模拟剂DMMP和TEP、生物毒素模拟剂BSA等的LIBS光谱特性研究。重点研究了监督学习和非监督学习等机器学习方法在危险品LIBS光谱识别分类中的应用。在此基础上，提出了基于标签扩散的半监督学习LIBS数据分析算法，在仅可获得少量已知类别数据时，对典型军用炸药RDX、HMX、CL-20和成分相似的有机干扰物正确识别率达到100%。/pp style="text-align: center "img title="图1.png" alt="图1.png" src="https://img1.17img.cn/17img/images/201901/uepic/2d84f7eb-ffa3-4e7f-8ec0-d99d9062748e.jpg"//pp style="text-align: center "strong图1 半监督学习方法分类结果/strong/pp　　此外，为了解决某些应用场合难以获取足够LIBS建模数据的难题，提出了基于生成对抗网络(GAN)扩展光谱数据库的方法。可以在仅有少量爆炸物和化学毒剂模拟物LIBS光谱数据时，利用GAN对LIBS光谱数据进行扩展建模，将探测识别准确率从不足90%提升到超过95%。/pp　　2、LIBS技术在生物医药学应用研究/pp　　在医药学和生物学领域，团队也开展了相关研究。/pp　　在2018年的最新研究中，提出基于评估谱线重要性提取有效特征峰可以缩短分析时间，提升识别准确率。采用所提出的IW-PCA和RF谱线重要性评估算法进行特征提取，对金黄色葡萄球菌、大肠杆菌等6种致病菌的识别准确率达到98%。/pp style="text-align: center "img title="图2.jpg.png" alt="图2.jpg.png" src="https://img1.17img.cn/17img/images/201901/uepic/3d7569a7-68ef-45ed-a63c-e73aa2416f12.jpg"//pp style="text-align: center "strong图2 采用IW-PCA和RF分别和共同提取不同数量特征峰的分类结果/strong/pp　　针对川贝母真伪辨识问题，采用LIBS技术结合人工神经网络对川贝母、浙贝母及伊贝母进行辨识，平均分类正确率为98.33%。实验表明此方法具有很高的辨识精度和很强的鲁棒性。/pp style="text-align: center "img title="图3.jpg.png" alt="图3.jpg.png" src="https://img1.17img.cn/17img/images/201901/uepic/956f5c4f-b959-4bc3-bebf-f9cccdb76ab9.jpg"//pp style="text-align: center "strong图3 川贝母、掺浙贝母及伊贝母LIBS光谱图/strong/pp　　鹿茸是我国传统的名贵药材。本团队首次将LIBS应用于鹿茸质量评估，获取鹿茸LIBS光谱，分析其元素组成。利用PLS-DA对不同质量鹿茸光谱进行定性分析，并且通过挑选特征谱线提高了分类实验的鲁棒性，分类准确率达到100%。研究证明了LIBS技术运用于鹿茸质量评估的可能性。/pp style="text-align: center "img title="图4.jpg" alt="图4.jpg" src="https://img1.17img.cn/17img/images/201901/uepic/2fcaf326-4879-4ff7-b915-45982ce48288.jpg"//pp style="text-align: center "strong图4 不同质量鹿茸LIBS光谱/strong/pp　　针对传统木材种类判别方法存在的局限，团队提出利用LIBS技术对木材种类进行识别分类。实验证明利用LIBS技术结合人工神经网络ANN可应用于木材分类，其分类正确率均在95%以上。当进一步优化ANN网络参数设置时，分类正确率可达到100%。为木材种类识别提供了一种高效准确的方法。/pp style="text-align: center "img title="图5.jpg" alt="图5.jpg" src="https://img1.17img.cn/17img/images/201901/uepic/fce1af57-f107-4dda-b017-14a1bd884112.jpg"//pp style="text-align: center "strong图5 实验测量4种不同种类木材LIBS光谱图/strong/ppstrong　　三、团队LIBS代表性论文10篇/strong/pp　　1. Qianqian Wang, Geer Teng, XiaoleiQiao, Yu Zhao, Jinglin Kong, Liqiang Dong, and Xutai Cui, " Importance evaluation of spectral lines in Laser-induced breakdown spectroscopy for classification of pathogenic bacteria," Biomed. Opt. Express 9, 5837-5850 (2018)/pp　　2. 王茜蒨, 赵宇, 卢小刚, et al. 激光诱导击穿光谱与拉曼光谱技术在危险物检测中的研究进展[J]. 光谱学与光谱分析, 2017(8)./pp　　3. Wang Q Q , He L A , Zhao Y , et al. Study of cluster analysis used in explosives classification with laser-induced breakdown spectroscopy[J]. Laser Physics, 2016, 26(6):065605./pp　　4. He L , Wang Q , Zhao Y , et al. Study on Cluster Analysis Used with Laser-Induced Breakdown Spectroscopy[J]. Plasma Science and Technology, 2016, 18(6):647-653./pp　　5. Wang Q Q , Liu K , Zhao H , et al. Detection of explosives with laser-induced breakdown spectroscopy[J]. 物理学前沿：英文版, 2012, 7(6):701-707./pp　　6. Wang Q Q , Liu K , Zhao H . Multivariate Analysis of Laser-Induced Breakdown Spectroscopy for Discrimination between Explosives and Plastics[J]. Chinese Physics Letters, 2012, 29(4):044206./pp　　7. 王茜蒨, 黄志文, 刘凯, et al. 基于主成分分析和人工神经网络的激光诱导击穿光谱塑料分类识别方法研究[J]. 光谱学与光谱分析, 2012, 32(12)./pp　　8. 赵华, 王茜蒨, 刘凯, et al. 无机爆炸物及其主要成分的激光诱导击穿光谱实验研究[J]. 光谱学与光谱分析, 2012, 32(3)./pp　　9. 刘凯, 王茜蒨, 赵华, et al. 激光诱导击穿光谱在塑料分类中的应用[J]. 光谱学与光谱分析, 2011, 31(5)./pp　　10. Wang Q , Jander, P, et al. Comparison of 1064 nm and 266 nm excitation of laser-induced plasmas for several types of plastics and one explosive[J]. Spectrochimica Acta Part B Atomic Spectroscopy, 2008, 63(10):1011-1015./pp /p

卡内基梅隆大学和俄罗斯圣彼得堡国立大学的研究人员提出一种算法——MolDiscovery，提高了小分子识别的效率和准确性。该算法使用分子的质谱数据来预测未知物质的「身份」，在研究早期告诉科学家他们是偶然发现了新事物，还是仅仅重新发现了已知事物，可节省发现新的天然医药产品的时间和金钱。　　该研究于6月17日以「MolDiscovery: learning mass spectrometry fragmentation of small molecules」为题发表在《自然通讯》（Nature Communications）杂志上。 MS 是一种电离化学物质并根据其质荷比（质量-电荷比）对其进行排序的分析技术。广泛应用于各个学科领域中通过制备、分离、检测气相离子来鉴定化合物。　　质谱图是小分子的指纹，可以用一组质量峰表示，但与指纹不同的是，没有庞大的数据库来匹配它们。尽管已经发现了数十万种天然分子，但科学家们无法获得他们的质谱数据。　　目前，已经出现了包含数万个小分子注释质谱的谱库，为开发基于机器学习的方法来提高计算机数据库搜索的灵敏度和特异性铺平了道路。然而，现有方法对于超小分子（ 400 Da）表现不佳，并且对于「重」小分子（1000 Da）在计算上不足。　　现在，该研究团队提出一种质谱数据库搜索方法—— MolDiscovery，通过学习概率模型来将小分子与其质谱相匹配，大大提高了小分子识别的准确性，同时使搜索效率提高了一个数量级。　　从全球天然产物社会分子网络（GNPS；http://gnps.ucsd.edu) 搜索了 800 万个串联质谱后，MolDiscovery 以 0% 的错误发现率 (FDR) 鉴定了 3185 个独特的小分子，与现有方法相比，增加了 6 倍。在具有已知基因组的 GNPS 存储库的一个子集上，MolDiscovery 正确地将 19 个已知和三个假定的生物合成基因簇与其分子产物联系起来。　　MolDiscovery 框架　　MolDiscovery 框架主要分两个过程：训练过程和评分过程。具体步骤：　　从构建代谢物图和生成碎片图开始。对于后者，MolDiscovery 使用一种新的高效算法来查找代谢物图中的桥接和 2-cuts；　　MolDiscovery 继续学习匹配碎裂图和质谱的概率模型；　　对小分子光谱对进行评分，计算 FDR。基准测试　　MolDiscovery 与其他五种最先进的方法进行了比较，数据库搜索结果显示，MolDiscovery识别效果最好，平均可以正确识别测试 GNPS 和 MoNA 数据中的 43.3% 和 64.3% 的小分子。所有测试方法的最高 K = 1、3、5 和 10 准确度。（来源：论文） MolDiscovery 也是针对 DNP 搜索 GNPS 的最快和最节省内存的方法之一。在预处理阶段，MolDiscovery 比其中一种方法快 300 倍以上。　　还根据正确分子匹配的质量范围评估了运行时间。对于质量 1000 Da 的分子光谱，相同质量范围内，MolDiscovery 平均只需 6 分钟和 24 秒。　　注释 8 倍多的光谱，识别出 6倍多的独特化合物　　从GNPS 搜索了 800 万个串联质谱，在严格的 0% FDR 水平下，MolDiscovery 注释了 8 倍多的光谱，并识别出比 Dereplicator+ （一种从MS中识别小分子的数据库搜索复制器）多6倍的独特化合物。　　MolDiscovery 搜索在 10 个线程上花费了 34 天，与单线程上的预测 329 天非常接近。值得注意的是，在搜索如此大规模的光谱数据集时，MolDiscovery 比其他方法要高效得多，只需要对分子数据库进行一次预处理，可以有效地搜索未来的光谱。　　节省新药研发时间、成本　　「科学家们浪费了大量时间来分离已知的分子。」研究团队成员 Hosein Mohimani 说。「早期检测分子是否已知，可以节省时间和数百万美元，并有望使制药公司和研究人员更好地寻找可能用于新药开发的新型天然产品。」　　Mohimani 解释说：「例如，科学家检测出一种在海洋或土壤样本中有望成为潜在药物的分子后，可能需要一年或更长时间才能识别出这种分子，而不能保证该物质是新的。MolDiscovery 使用质谱测量和预测机器学习模型快速准确地识别分子，且无需依赖质谱数据库进行匹配。」　　该团队希望 MolDiscovery 将成为实验室发现新型天然产物的有用工具。MolDiscovery 可以与 Mohimani 实验室开发的机器学习平台 NRPminer 协同工作，帮助科学家分离天然产物。

浊度是表现水中悬浮物对光线透过时所发生的阻碍程度。水中含有泥土、粉尘、微细有机物、浮游动物和其他微生物等悬浮物和胶体物都可使水中呈现浊度。浊度仪采用90°散射光原理。由光源发出的平行光束通过溶液时，一部分被吸收和散射，另一部分透过溶液。与入射光成90°方向的散射光强度复合雷莱公式：IS = ×I0其中：I0---------------入射光强度；IS----------散射光强度；N-------单位溶液微粒数；V-----------微粒体积；-------入射光波长 ；K-----------系数；在入射光很定条件下，在一定浊度范围内，散射光强度与溶液的浑浊度成正比。上式可 表示为 =K’N (K’为常数) 根据这一公式，可以通过测量水样中微粒的散射光强度来测量水样的浊度。浊度仪分为便携式，台式和在线浊度仪。台式一般用于实验室检测浊度；便携式和在线浊度仪一般用于现场检测。便携式用于不连续的检测，在线浊度仪用于连续，现场浊度监测。它可以实时，连续监测浊度，一般用于自来水厂，污水厂，渠道，水利设施，防洪监测，水池等处。

随着单细胞测序技术的发展，单细胞科学研究不断深入，规模越来越大，所研究的对象也越来越复杂。整合来源不同的单细胞测序数据，消除批次效应，进行全面挖掘和解析，是现在单细胞测序数据分析的一个基础和核心环节。目前单细胞测序数据整合面临以下几方面难题：1）不同实验样本、实验平台、建库方法乃至操作等因素带来的批次效应会在单细胞测序数据中引入非生物学噪音，干扰细胞间生物学差异的提取和解析；2）单细胞研究的规模不断扩大，百万细胞数目级别的数据对整合算法的效率提出了更高的要求；3）单细胞测序样本的类型也在不断增加，不同的单细胞测序数据集通常包括高度异质的细胞亚群；4）最后也是最新最重要的一点，如何充分重复利用大量已有数据的旧知识，对新数据进行探索和解析。目前单细胞测序数据整合算法大多基于不同批次数据间的细胞相似性来矫正批次效应，存在过度整合（尤其是整合细胞异质性差异较大的数据集）、可扩展性差、无法直接将已有模型应用到新数据集上等弊端。10月17日，清华大学生命科学学院/结构生物学高精尖创新中心/清华-北大生命科学联合中心张强锋副教授课题组在《自然通讯》（Nature Communications）杂志在线发表题为“通过将异构数据集投影到统一的细胞嵌入空间中进行单细胞测序数据在线整合”（Online single-cell data integration through projecting heterogeneous datasets into a common cell-embedding space）的研究论文。在该研究中，他们开发了基于变分自编码器（variational autoencoder）深度学习框架的人工智能算法SCALEX，可以对单细胞测序数据进行在线整合。SCALEX采用一个批次无关的编码器和批次特异的解码器组成的非对称自编码器结构，进行大量学习得到一个高泛化性的编码器，该编码器通过将高维单细胞测序数据投射到低维细胞嵌入空间（cell embedding space），在保留生物学差异的同时消除批次效应。SCALEX 模型框架SCALEX主要有以下四点主要特征：1）相较于目前已有的单细胞测序数据整合方法，SCALEX在整合准确性上具有明显优势；2）SACLEX在百万单细胞数据量下仍保持很高的计算效率，适用于超高通量单细胞测序数据整合分析工作；3）SCALEX有效避免了单细胞测序数据整合中的过校正情形，适用于异质性高、复杂样本的整合；4）支持单细胞RNA-seq，单细胞ATAC-seq等多组学整合数据整合。这些特征使得SCALEX适用于构建单细胞图谱。开发人员整合多项研究、多个组织的单细胞数据集构建了小鼠、人以及COVID-19等三套大规模单细胞图谱。SCALEX有一个特殊的优势，就是它的高泛化性的编码器。这个编码器可以通过单细胞测序数据投射，生成一个批次无关的统一低维细胞嵌入空间。对于新产生的数据，SCALEX不需要重新训练编码器，就可以将新数据投射到这个统一的低维细胞嵌入空间。这种整合方式被称为“在线整合”（online integration）。在线整合带来一个巨大的好处，就是很容易将新数据与原来生成的单细胞图谱等奠基性数据（需要由通过SCALEX数据整合生成）进行比较分析，从而从奠基性数据得到生物学知识方面的启发和指引，直接支持数据注释、规律验证等分析任务。另外，原有单细胞图谱的细胞内涵也在不断添加新数据的过程中，得到丰富和扩充，赋能新的生物学发现。综上所述，该研究中，研究者们开发了SCALEX单细胞测序数据人工智能分析工具，可以将不同批次细胞的基因表达谱映射到批次无关的统一低维细胞嵌入空间中，有效消除数据中的批次效应并保留细胞间固有的生物学差异，实现不同批次数据的有效整合。SCALEX适用于图谱级别的单细胞测序数据整合，将在整个生命科学和生物医学领域正在进行的超大规模单细胞图谱等研究计划中提供基础支持。清华大学生命科学学院张强锋副教授为本文通讯作者，清华大学生命科学学院2015级博士生熊磊（已毕业）和2018级博士生田康为该论文共同第一作者，2019级博士生李雨哲和2021级博士生宁微希对文章中的数据分析提供了重要帮助，百图生科（BioMap）研究院主任AI科学家、阿卜杜拉国王科技大学计算生物学家高欣教授参与合作研究。本工作得到国家重点研究发展计划专项、国家自然科学基金、北京市结构生物学高精尖创新中心、清华-北大生命科学联合中心、清华大学计算平台、上海期智研究院和阿卜杜拉国王科技大学研究管理办公室的支持。原文链接：https://www.nature.com/articles/s41467-022-33758-z

粮食真菌毒素检测仪采用荧光定量快速检测原理，主要应用于粮油、谷物、饲料等多种领域，对多种真菌毒素进行准确检测，为确保食品安全贡献力量。荧光定量快速检测原理即粮食真菌毒素检测仪通过特定的荧光信号，准确、快速地识别和测量样品中的真菌毒素含量。这项技术具有高效、灵敏度高、操作简便等特点，使得检测过程更加迅速和可靠。核心特性及优势全方位检测：涵盖多种真菌毒素，包括黄曲霉毒素B1、黄曲霉毒素M1、玉米赤霉烯酮等，实现全面监测。任意样品数量：粮食真菌毒素检测仪允许用户既可单个或少量样本随到随检，也可大量样本同时检测。内置定量标准曲线：在检测过程中无需使用外部标准品进行校准，避免了操作人员与呕吐毒素直接接触的可能，从而提高了操作的安全性。随到随检：检测仪器的便携性使其适用于现场检测，无论是在生产线上、仓库中，还是在野外环境中，都能轻松进行检测操作。多领域应用：适用于粮库、谷物生产企业、饲料厂、畜牧养殖企业、食品加工厂、第三方检测机构等多个行业。应用场景保障粮库质量：对存储的粮食进行定期检测，预防真菌毒素污染。提升饲料质量：对饲料原料进行检测，确保畜牧养殖健康生长。食品生产控制：在食品生产过程中对油脂、面粉等原材料进行检测，确保成品质量。第三方检测服务：为各行业提供真菌毒素检测服务，为食品安全保驾护航。通过使用粮食真菌毒素检测仪，我们能够更全面地了解食品和饲料的安全状况，从而更好地保障我们的健康。

11月6日，罗氏诊断中国携肝癌领域重磅创新产品Elecsys PIVKA-II检测以及数字化算法Elecsys GAAD亮相第六届中国国际进口博览会。在全球范围内，每年有将近一半的肝癌新发和死亡病例都来自于中国。中国原发性肝癌的发病率和死亡率分别居于恶性肿瘤的第四位和第二位，严重威胁人民生命健康。肝细胞癌（HCC）在原发性肝癌中占比75%-85%，由于早期症状不明显，大多数患者初诊时往往即为晚期，错过了最佳的治疗时机。发病率高、死亡率高、晚期生存率低束缚着众多的肝癌患者。作为境内首个批准用于HCC辅助诊断的PIVKA-II检测，Elecsys PIVKA-II具有高医疗价值，联合Elecsys AFP检测对早期HCC的灵敏度高达87%，可有效改善大部分初诊患者已是中晚期的现状。此外，在Elecsys PIVKA-II与Elecsys AFP联合检测的基础上，搭载数字化算法Elecsys GAAD，可以结合患者的年龄、性别等临床参数建立数字算法模型，其评分随着HCC风险的增加而增加，可进一步提升检测性能，为患者的全病程管理提供有力支持。体外诊断影响超过70%的临床决策，却仅占卫生总支出的2%，可以在改善健康结局的同时合理化医疗费用。卫生经济学评价作为一种价值评估工具，研究比较各种可选的疾病干预措施在短期和长期的成本投入和健康产出，为医疗卫生决策者提供循证依据。复旦大学公共卫生学院副教授张璐莹表示，目前，卫生经济学评价已广泛应用于药品医保谈判、卫生管理决策等领域。体外诊断的经济价值在医疗技术遴选决策中的作用也日益凸显。体外诊断的临床价值主要体现在早期筛查、精准诊断、辅助及时的临床决策、指导正确的治疗选择和持续的病情监测等方面。相应的经济价值体现在避免误诊和漏诊导致的病情延误从而增加治疗费用，避免不必要的诊疗流程，减少不必要的住院时长。研究显示，使用Elecsys GAAD可以减少HCC错误诊断，从而最大限度地减少不必要的医疗资源使用和诊疗费用；并且还可以减少HCC的漏诊，增加患者进行根治性治疗的可能性，降低疾病进展的风险，从而降低治疗成本。罗氏诊断中国副总裁-战略与创新部沈宝璐表示，数字化解决方案是撬动“未来医疗”的支点。罗氏诊断致力于以全面的数字化诊疗方案，引领健康管理生态系统。面对快速迭代的产业趋势，还将持续打造更多前沿、全面且可落地的数字成果，优化临床决策，继续深耕中国，服务更多的中国患者。

Recently, a collaborative research team from Information Materials and Intelligent Sensing Laboratory of Anhui Province, Key Laboratory of Opto-Electronic Information Acquisition and Manipulation of Ministry of Education, and Shandong Normal University published a research paper titled Optimized adaptive Savitzky-Golay filtering algorithm based on deeplearning network for absorption spectroscopy.近日，来自安徽大学、山东师范大学联合研究团队发表了一篇题为Optimized adaptive Savitzky-Golay filtering algorithm based on deeplearning network for absorption spectroscopy的研究论文。研究背景 Research BackgroundNitrogen oxide (NO2) is a major pollutant in the atmosphere,resulting from natural lighting, exhaust, and industrial emissions. Short- and long-term exposure to NO2 is linked with an increased risk of respiratory problems. Secondary pollutants produced by NO2 in the atmosphere can cause photochemical smog and acid rain. Laser spectroscopy such as absorption spectroscopy, fluorescence spectrum, and Raman spectrum play progressively essential roles in physics, chemistry, biology, and material science. It offers a powerful platform for tracing gas analysis with extremely high sensitivity, selectivity, and fast response. Laser absorption spectroscopy has been used for quantitative analysis of NO2. However, the measured gas absorption spectra data are usually contaminated by various noise, such as random and coherent noises, which can warp the valid absorption spectrum and affect the detection sensitivity.氮氧化物（NO2）是大气中的主要污染物，源自自然光照、排放和工业排放。长时间暴露于NO2与呼吸问题的风险增加有关。NO2在大气中产生的二次污染物可能导致光化学烟雾和酸雨。激光光谱学，如吸收光谱、荧光光谱和拉曼光谱，在物理学、化学、生物学和材料科学中发挥着日益重要的作用。它为追踪具有极高灵敏度、选择性和快速响应的气体分析提供了强大的平台。激光吸收光谱已被用于NO2的定量分析。然而，测得的气体吸收光谱数据通常受到各种噪声的污染，如随机和相干噪声，这可能扭曲有效吸收光谱并影响检测灵敏度。The Savitzky–Golay (S–G) filtering algorithm has recently attracted attention for spectral filtering because it has fewer parameters, faster operating speed, and preserves the height and shape of spectra. Moreover, the derivatives and smoothed spectra can be calculated in a simple step. Rivolo and Nagel developed an adaptive S–G smoothing algorithm that point wise selects the best filter parameters. With simple multivariate thresholding methods, the S–G filter can remove all types of noises in continuous glucose monitoring (CGM) signal and further process for detecting hypo/hyperglycemic events. The S–G smoothing filter is widely used to smooth the spectrum of the Fourier transform infrared spectrum that can eliminate random seismic noise, remote sensing image merging, and process pulse wave.最近，Savitzky-Golay（S-G）滤波算法因其参数较少、操作速度较快且保留了光谱的高度和形状而受到关注。此外，可以在一个简单的步骤中计算导数和平滑的光谱。Rivolo和Nagel开发了一种自适应S-G平滑算法，逐点选择最佳滤波参数。通过简单的多变量阈值方法，S-G滤波器可以去除连续葡萄糖监测（CGM）信号中的所有类型噪声，并进一步用于检测低血糖/高血糖事件。S-G平滑滤波器广泛用于平滑傅立叶变换红外光谱的光谱，可消除随机地震噪声、遥感图像融合和脉动波的处理。The performance of S–G smoothing filter depends on the proper compromise of the polynomial order and window size. However,the noise sources and absorption spectra are unknown in a real application. Obtaining the optimal filtering effect with fixed window size and polynomial degree is difficult. To address this issue,we proposed an optimized adaptive S–G algorithm that combined the deep learning (DL) network with traditional S–G filtering to improve the measurement system performance. S–G 平滑滤波器的性能取决于多项式阶数和窗口大小的适当折中。然而，在实际应用中，噪声源和吸收光谱是未知的。在固定的窗口大小和多项式阶数下获得最佳的滤波效果是困难的。为解决这个问题，我们提出了一种优化的自适应S-G算法，将深度学习（DL）网络与传统的S-G滤波结合起来，以提高测量系统的性能。实验设置Experimental setupFig. 1 presents the experimental setup, which consists of anoptical source, a multi-pass cell with a gas pressure controller, a series of mirrors, a detector, and a computer. The laser source is a thermoelectrically cooled continuous-wave room-temperature quantum cascade laser (QC-Qube&trade , HealthyPhoton Co., Ltd.),which works with a maximum peak output power of 30 mW controlled by temperature controllers and operates at ~6.2 mm driven by current controllers. The radiation of QCL passes through theCaF2 mirror is co-aligned with the trace laser (visible red light at632.8 nm) using a zinc selenide (ZnSe) beam splitter. The beams go into the multipass cell with an effective optical path length of2 m, the pressure in multipass cell is controlled using the flow controller (Alicat Scientific, Inc, KM3100) and diaphragm pump (Pfeiffer Vacuum, MVP 010–3 DC) in the inlet and outlet of gas cell,respectively. A triangular wave at a typical frequency of 100 Hzis used as a scanning signal. The wave number is tuned from1630.1 to 1630.42 cm 1 at a temperature of 296 K. The signal is detected using a thermoelectric cooled mercury cadmium telluride detector (Vigo, VI-4TE-5), which uses a 75-mm focal-length planoconvex lens. A DAQ card detector (National Instruments, USB-6259) is placed next to detector to transmit the data to the computer, and the data is analyzed by the LabVIEW program in real time.图1展示了实验设置，包括光源、带有气体压力控制器的多通道吸收池、一系列镜子、探测器和计算机。Fig. 1. Experimental device diagram.宁波海尔欣光电科技有限公司为此项目提供了量子级联激光器（型号：QC-Qube&trade 全功能迷你量子级联激光发射头）。激光器由温度控制器控制，最大峰值输出功率为30 mW，由电流控制器控制，工作在~6.2 mm，通过钙氟化物（CaF2）镜子的辐射与追踪激光（可见红光，波长632.8 nm）共线，使用氧化锌硒（ZnSe）分束器。光束进入具有2 m有效光程的多通道池，通过流量控制器和气体池入口和出口的隔膜泵控制池中的压力。典型频率为100 Hz的三角波用作扫描信号。在296 K的温度下，波数从1630.1调至1630.42 cm-1。使用热电冷却的汞镉镓探测器进行信号检测，该探测器使用75 mm焦距的平凸透镜。DAQ卡探测器放置在探测器旁边，将数据传输到计算机，数据由LabVIEW程序进行实时分析。QC-Qube&trade , HealthyPhoton Co., Ltd.Fig. 2. Simulation of the NO2 gas absorption spectra of the ASGF and MAF algorithms (under the background of Gaussian noise), and the filtered results and the SNRs of different filtering methods.Fig. 3. Simulation of the NO2 gas absorption spectra of the two filtering algorithms (under the background of Non-Gaussian noise), and the filtered results of different filtering methods.结论ConclusionAn improved Savitzky–Golay (S–G) filtering algorithm was developed to denoise the absorption spectroscopy of nitrogen oxide (NO2). A deep learning (DL) network was introduced to the traditional S–G filtering algorithm to adjust the window size and polynomial order in real time. The self-adjusting and follow-up actions of DL network can effectively solve the blindness of selecting the input filter parameters in digital signal processing. The developed adaptive S–G filter algorithm is compared with the multisignal averaging filtering (MAF) algorithm to demonstrate its performance. The optimized S–G filtering algorithm is used to detect NO2 in a mid-quantum-cascade-laser (QCL) based gas sensor system. A sensitivity enhancement factor of 5 is obtained, indicating that the newly developed algorithm can generate a high-quality gas absorption spectrum for applications such as atmospheric environmental monitoring and exhaled breath detection.在这项研究中，我们开发了一种改进的Savitzky-Golay（S-G）滤波算法，用于去噪氮氧化物（NO2）的吸收光谱。我们引入了深度学习（DL）网络到传统的S-G滤波算法中，以实时调整窗口大小和多项式阶数。DL网络的自适应和跟踪反馈能够有效解决数字信号处理中选择输入滤波器参数的盲目性。我们将优化后的自适应S-G滤波算法与多信号平均滤波（MAF）算法进行比较，以展示其性能。优化后的S-G滤波算法被用于检测氮氧化物在基于中量子级联激光器（QCL）的气体传感器系统中的应用。实验结果表明，该算法获得了5倍的灵敏度增强，表明新开发的算法可以生成高质量的气体吸收光谱，适用于大气环境监测和呼吸气检测等应用。reference参考来源：Optimized adaptive Savitzky-Golay filtering algorithm based on deeplearning network for absorption spectroscopy,Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy 263 (2021) 120187

p　　最近在广州举行的第十三届“挑战杯”广东大学生课外学术科技作品竞赛终审决赛上，由深圳大学推荐的“食品安全检测仪”项目获得特等奖，团中央书记处书记傅振邦会见了该项目的研发团队，给予了亲切鼓励。/pp　　食品安全检测仪是由深圳大学的20多名大学生研发出来的，该仪器获得了4项国家专利和1项软件著作权，并已顺利投产。项目领头人张小虎是深圳大学2011级信息工程学院毕业生，目前就读于北京大学深圳研究生院。这个年仅23岁、对新技术有着特殊敏感的大男孩，凭借食品安全检测仪技术创业开办了自己的公司，实现了从技术到应用的转化。/ppstrong历时两年研发成功/strong/pp　　食品安全检测仪于2011年开始研发，那时张小虎在深圳大学读本科一年级。/pp　　“三鹿奶粉事件，把中国的食品安全问题再一次推向了风口浪尖。短短几年的时间，致病的瘦肉精、毒米、毒面、毒油，为什么问题一再出现?中国的食品安全问题该如何解决?”张小虎说，由于食品中的有毒物质具有多样性和微量性，传统的检测设备不能满足要求，他因此萌发了自主研发一款针对中国食品安全问题的绿色食品安全检测仪器的心思。/pp　　在学校的支持与老师的指导下，张小虎带领深大信息工程学院的20多名大学生开始研发这款化学分析仪器，并一直坚持了两年多的时间。“有一次，有一个不合格的氘灯电源损坏了氘灯，氘灯光源不稳定导致输出的基线数据不稳定。开始我们不知道问题在哪里，因为影响基线稳定的因素很多，我们费了九牛二虎之力才最终定位问题。中途，我们几乎都想放弃了，在老师的鼓励和帮助下，我们还是挺过来了。”张小虎说。/pp　　2013年底，绿色食品安全检测仪研发成功。这个仪器有两个30寸传统电视机叠加起来大小，检测时，食物样品由自动进样器进入设备，被高压泵打入色谱柱，在色谱柱中进行分离，再到达检测器的流通池，经过光电管，用24位高精度AD采集数据，电脑计算出图谱并进行比较分析，实现了一键式全程操作。/pp　　2014年该仪器通过了广东省计量院的测试，并获得了广东省技术监督局颁发的生产许可证，正式投产。/ppstrong技术上实现多项创新/strong/pp　　这款食品安全检测仪在技术上实现了多项创新，其中用液相色谱原理设计制作更属于国际国内首创。/pp　　张小虎介绍，液相色谱技术由于具有高分辨率、高灵敏度、速度快、色谱柱可反复利用以及流出组分易收集等优点，比传统的基于分光光度法原理的食品安全检测仪灵敏度更高，定性定量分析更准确。“在检测食品中的有毒物质时，我们往往不知道有毒物质是什么，这时我们就要利用大数据的图谱分析方法，通过工作量的图谱在几千张，人工读图要花费很多时间。而我们利用自己编写的MapReduce来处理图谱数据，使用计算机代替人工大量读图。”/pp　　食品安全检测仪目前已获得了4项国家专利和1项软件著作权。其中一项专利技术“双流通池系统”，在不降低性能的同时可大幅度降低系统成本。“这种双系统特别适用于那些要检测大量的，相同类型的样品，比如食品的原料检测等。”/pp　　项目的开发成功让张小虎有了创业的冲动，他迫切希望能将技术予以应用，从而将技术的价值最大化。在父母的支持下，他与伙伴于2012年12月6日成立了“通用深圳仪器公司”，同时他还被聘请为深圳市分析测试协会委员。/pp　　而这款针对中国食品安全问题的绿色食品安全检测仪器投放市场后也颇受青睐，目前已拥有广州饲料添加剂厂、佛山富维生物饲料有限公司、广州格拉姆生物科技有限公司等几十家饲料和生物制品企业“客户”。/ppstrong用高科技创业成功概率大/strong/pp　　2014年10月，张小虎被北京大学深圳研究生院录取为研究生，继续着他的学业，他的导师亦非常支持他的项目。而他的企业，从原来的3个人发展到现在的16个人，几乎都是青春勃发的大学生，其中还有一个麻省理工学院的博士。/pp　　“从小到大，我都希望能成为一个通过自己努力实现个人梦想、掌控自己生活的人。小到成功拆装一个玩具、读完一本喜欢的书籍，大到选择自己热爱的专业、做出几项发明专利、创办自己的公司，很幸运的是，我正按照自己的人生规划，如愿地逐步实现自己的人生目标。每当实现一个目标，我都有深深的满足感和成就感。”张小虎说，尤其当自己创办的公司做出了对人们生活质量有所促进的产品的时候，“我感觉自己的成就感不仅来自于实现个人梦想、掌控自己的生活，而更大的来自于自己对于社会的价值和意义。”/pp　　对于未来，张小虎充满了信心：“食品安全检测设备的市场很大，全国有大小近百家生产企业，但他们用的技术大都是分光光度法原理或比色试纸原理。这两种方法的检测精度都很低，不能有效检出食品中的微量有毒物质。市场急需新的高灵敏的检测设备，我们基于液相色谱原理的食品安全检测仪会有广阔的市场空间。” 他打算以“直销”和“代理”的模式，继续推广食品安全检测仪。/pp　　作为一个大学生创业成功的“典型”，时常有学弟学妹追问张小虎“成功的秘诀”。他的切身体会是：“大学生创业应该具有非常强的专业知识，用高科技创业成功的概率会大得多。同时，项目开发最重要的是团队开发管理的能力和设计模式。”而创业更让他感受到了责任，也让他有了更高的目标：争取创立食品安全的行业标准，最终为解决中国现有的食品安全问题贡献自己的一分力量。/pp/p

近日，中科院合肥研究院智能所作物品质智能感知团队发展了一种近红外光谱技术方向的新算法，该算法适用于高通量鉴定作物品种的真实性。相关工作被Infrared Physics & Technology接收并在线发表。 　　作物品种真实性在品种保护及品种选育方面具有重要意义，传统的作物品种真实性鉴定方法如DNA分子鉴定、同工酶鉴定、田间鉴定等方法存在操作复杂、检测结果耗时、损伤样品、污染环境、结果滞后等缺点，亟需一种快速有效的方法实现作物品种真实性鉴定。近红外光谱是一种快速无损检测技术，基于近红外光谱仪开发的光谱采集系统，可实现高通量采集作物单籽粒光谱。近年来，由于人工智能和深度学习的快速发展，卷积神经网络(CNN)已逐渐应用于分子光谱学，相比于传统的化学计量学算法，CNN在识别方面表现出更高的准确性和鲁棒性，这为近红外光谱技术的应用和发展提供有力支撑。 　　为此，研究人员提出了一种改进的CNN：InResSpectra网络，用于小麦和水稻品种真实性的高通量鉴定。该网络对Inception网络进行改进，删除1×1卷积分支降低模型复杂度，同时增加ResNet网络的残差元素，加速了神经网络的训练，同时提升模型的准确率；同时，实验中对比研究了多种分类算法，不断优化模型参数，提高模型预测的稳健性。在此次研究中，研究人员将开发的系统应用于鉴定24个小麦品种和21个水稻品种上，分别取得95.35%和93.07%的准确率(图1)，为近红外鉴定作物品种真实性提供了有效方法。 　　李晓红硕士和徐琢频博士为该论文第一作者，王琦副研究员和张鹏飞副研究员为通讯作者。该工作得到国家自然科学基金、安徽省科技重大专项、以及安徽省重点研究与开发计划等项目的支持。InResSpectra网络识别小麦和水稻样本集的混淆矩阵热力图

DNA基因测序技术从上世纪70年代起，历经三代技术后，目前已发展成为一项相对成熟的生物产业。测序技术的应用也扩展到了生物、医学、制药、健康、农林、园艺、花卉、环保、法医等许多领域，并成为一项与我们衣食住行密切相关的高技术产业。据最新统计，2012年全球基因测序市场的产值已超过百亿，按最近几年增长速度，预计2017年市场产值将加倍。在测序产业占世界市场份额第一的正是总部设在深圳的我国华大基因研究院。因此可以说，基因测序在我国生物科技领域具有非常重要的战略意义。　　&ldquo 第三代测序技术&rdquo 的研发已有近十年时间，商业化的第三代测序仪上市也有三年。但目前测序市场仍为二代测序技术所垄断(我国顶级科研机构和商业公司所拥有的三代测序仪可能仅有数十台)。三代测序技术产生的读段更长，测序成本更低，其取代二代技术是测序技术发展的必然趋势。然而由于三代测序技术错误率高，现有的组装软件多是对第二代测序数据组装软件的&ldquo 修补&rdquo 而并没有充分考虑到三代测序技术的数据特征。事实上，基因组装算法问题被广泛认为是计算生物学和生物信息学领域最复杂的计算难题之一，也是目前阻碍基因测序产业从二代技术升级到三代技术最大的技术障碍。　　最近，美国马里兰大学 Chengxi Ye, James A. Yorke, Aleksey Zimin 等与中国科学院昆明动物研究所遗传资源与进化国家重点实验室马占山研究员在这一领域的合作研发取得新突破。该研究团队在一篇题为DBG2OLC: Efficient Assembly of Large Genomes Using the Compressed Overlap Graph 的文章中引入了一种新的针对三代测序技术的基因组装算法，并开发出一款软件(DBG2OLC)。另外作者(Ye et al. 2011, 2012)于2011年发布的SparseAssembler曾经比当时主流的基因组装软件节省90%的内存空间，而其计算时间和组装质量却毫不逊色。著名的SOAPdenovo的升级版，也是目前最广泛应用的基因组装软件SOAPdenovo2即采用了SparseAssembler算法。　　多组测序数据的测试表明：与目前用于三代测序最优秀的一些基因组装软件(例如PacBio2CA, HGAP, ECTools)相比，DBG2OLC在计算时间和内存空间的消耗通常仅为其它算法的1/10。理论上，DBG2OLC在时间和空间的使用上相对其它同类软件可减少达1000倍。例如组装关键步骤之一的&ldquo 两两比对&rdquo 计算，采用一组由 PacBio提供的人类基因组数据，DBG2OLC 使用一台普通PC仅用了6小时完成。而同样计算，Pacific Biosciences所报道的时间为 405000 CPU小时，而且是在Google的计算集群上完成。因此，DBG2OLC 算法基本解决了目前三代测序技术所面临的计算技术挑战，从而为推进基因测序技术的产业升级奠定了良好的技术基础。

细胞内有数以亿计的碱基、表达程序以及运行策略，而且各不相同。单细胞测序技术可解读单个细胞里的这些信息，但人工干预多、过度依赖人为选定的标记基因使得单细胞测序技术对细胞的注释稳定性较低。可以理解为，同一类细胞用不同的模型解析，结果不同，对一些特殊细胞“公说公有理婆说婆有理”的分析结果往往难以得到广泛认可。解决上述问题的关键是减少人工干预。9月27日，《自然》子刊《自然机器智能》刊载了我国团队首创的单细胞转录组细胞类型注释算法。该算法可以将细胞中的信息转变为计算机能够理解和学习的“语言”，让计算机和细胞直接“对话”，减少人为因素影响。细分细胞亚型，准确度提升7%据算法研发团队腾讯人工智能实验室方面介绍，新算法，即scBERT模型，对最难分类的外周血单核细胞进行了分类，结果显示人工智能能够做到精准标注、注释极其难区分的两类细胞，例如能够准确区分CD8+细胞毒性T细胞和CD8/CD45RA+T细胞。研发团队成员告诉科技日报记者，“在极具挑战的外周血细胞亚型细分任务上，新算法相较现有最优方法的70%准确度再提升了7%。”此外，团队还在已有的单细胞数据集中，将新算法的性能与其他算法进行了对比，这些数据集涵盖17个主要器官或组织、包含50多个细胞类型、超过50万个细胞。论文中显示，对于每个数据集，团队均采用了五倍交叉验证策略，以避免随机结果对结论的影响。结果显示，新算法对大多数数据集的分析结果在精确度和综合得分方面均表现优异。研发人员表示，针对不同的单细胞分析任务和数据集解析任务，都会有不同的算法成为最佳算法，也就是说有的算法擅长某几类任务，有的算法擅长另几类任务，无法通用，而基于scBERT模型的新算法则表现了很强的通用性，在全部的数据集解析任务中均被列为最佳算法。跨界使用“工具”，让机器读懂细胞语言那么，新算法为什么能让机器通过学习读懂细胞中的复制、翻译、转录的语言呢？相关研发人员解释，“我们首次将‘transformer’运用到单细胞转录组测序数据分析领域。 transformer这种架构从发明以来一直被用在自然语言处理领域，用于进行诸如机器翻译类的工作，成为比较通用的一个框架组件，但我们将它运用到了细胞注释领域。”得益于对计算机处理人类语言和单细胞信息之间的共性理解，团队将已经成熟的人工智能架构进行创新性地“跨界”使用，大大提升了细粒度单细胞分子图谱的构建效率。“跨界工具”让新模型赋予计算机读懂细胞活动的基础，但要想读得准、读得透、读得精，还需要基于大规模的语言预训练。论文显示，为了解决来自不同项目、测序平台的数据难以互通有无的难题，“scBERT” 模型在预训练数据上没有做任何的降维或筛选处理，最大程度上保留数据本身的特性和信息，并学习了包含不同实验来源、批次和组织类型的单细胞数据，以保证模型理解“通用”的知识，不仅捕获单个基因的表达信息还理解基因间的协作。据介绍，该技术可以给生物体中每个细胞都印上专属“身份证”，“单细胞身份证”的应用不仅可以助力疾病致病机制分析、药物靶点发现等基础研究，也可以在临床上高精度地“刻画”肿瘤微环境，推动精准治疗的进一步完善。

北京时间11月10日，中国科学院深圳先进技术研究院集成所光电工程技术中心李剑平博士团队在海洋数据机器学习算法研究中取得新成果，提出了一种基于对比学习的浮游生物图像识别检索框架，在解决实际海洋数据中的不均衡分布、数据漂移、开集识别问题中展现出了优异性能。论文以Contrastive Learning-based Image Retrieval for Automatic Recognition of in situ Marine Plankton Images为题，发表在国际海洋考察理事会海洋科学期刊ICES Journal of Marine Science上。中国科学院大学硕士杨振宇为第一作者，李剑平博士为论文通信作者，深圳先进院为第一单位。来自厦门大学、哈尔滨工业大学（深圳）的数据科学家参与本课题的合作研究。文章上线截图经过了30多年来的发展，海洋水下成像仪器为海洋浮游生物原位观测带来了海量图像数据，刺激了计算机图像自动识别技术的长足发展。然而，训练机器对来自实际中复杂海洋环境下的图像数据进行准确识别始终是一项极具挑战的任务。现有浮游生物图像机器学习分类算法虽然在某些闭合数据集上取得了良好表现，但是当应用于来自不同时空的实际数据时，往往会出现性能不稳定甚至骤降的问题，不能满足海洋观测的实时准确要求。通过深入调研，李剑平团队发现现有算法几乎全部将浮游生物识别问题处理成了一个对“N+1类”目标图像的分类问题（即N类感兴趣目标和1类所有不感兴趣目标）。然而，与其他领域中图像识别任务不同的是，在真实海洋环境中采集的数据必将面临成像质量恶化、数据分布不均、数据分布漂移和分布外样本出现等问题的挑战。因此，在闭合数据集上训练优化的机器学习算法在应用时，由于待识别数据集不满足与训练数据集的独立同分布条件，导致识别性能极易下降，只能通过费时费力的数据重新标注和模型重新训练来恢复其性能，显然这样就造成了机器学习算法的高昂的部署成本，难以在实际中应用。 李剑平团队提出的浮游生物原位图像检索识别框架IsPlanktonIR示意针对这一瓶颈，李剑平团队设计并训练了一种基于对比学习的浮游生物图像检索框架IsPlanktonIR，以图像相似度比对的方式，通过图像检索灵活地解决浮游生物的原位图像识别问题，实现浮游生物图像的自动识别。在该框架里，研究团队首先选取SEResNext作为浮游生物图像特征提取器，利用有监督的对比学习对其训练，使其获得较强的特征提取能力。识别图像时，通过比较待识别图像和一个检索库中图像特征的相似性，实现对其具体类别判定或对分布外样本的发现与拒识。此外，IsPlanktonIR框架还提供了人机交互接口，以供使用者方便地检查校验识别结果，扩充检索库，不断完善增强识别性能。 训练浮游生物图像检索框架中特征提取器的代表图像数据为了实现该识别框架的算法训练和效果验证，团队利用独立研发的海洋浮游生物原位光学成像仪在深圳大亚湾和海南昌江海域采集的图像构建了一个实验数据集。利用该数据集，团队使用部分类别图像对模型进行了训练，构造了多种不同组合的检测数据集，以检验该框架在真实海洋环境中应对必将发生的数据不均衡、数据分布漂移、分布外样本出现情况下的性能表现。实验结果表明，IsPlanktonIR算法框架在应对同时存在上述问题的测试集上均表现出了优异的性能。尤其是当测试中遇到新类别图像出现时，只需向检索库中添加部分新的人工标注样本，即可使框架实时拥有对新类别图像的正确识别能力。此外，团队还对该框架与经典的浮游生物图像分类算法和最新的异常值检测算法的性能在相同的测试集上进行了比较。结果表明，IsPlanktonIR不仅在二者不可处理的开集识别问题上取得了很好的效果，在这两类算法擅长处理的闭集分类问题上也取得了可比拟、甚至部分超越的性能指标。IsPlanktonIR的识别结果稳健性也大大增强，展示出了在实际海洋观测应用中的可靠性和灵活性。 在不同条件下的测试实验中IsPlanktonIR识别框架和对照算法的性能表现对比此外，为了提高框架的图像检索效率，减小存储和计算开销，李剑平团队还提出了一种压缩精简的算法，将浮游生物图像检索库进一步稀疏化，在几乎不降低识别准确率的前提下将检索库的大小缩小了一半，保障了基于图像检索的图像识别框架在大规模数据下的检索速度，以满足海洋观测的高实时性要求。IsPlanktonIR框架的发展为真实海水环境下的浮游生物原位长期观测提供了一套更加有效、稳健、灵活、便捷的算法方案，更加贴近海洋观测的实际需求，将有助于促进人工智能在海洋生物观测识别任务的落地应用。该论文研究得到了中国科学院国际合作重点项目和深圳市科技创新计划基础研究重点项目的支持。

在材料科学、化工、制药等众多领域中，粉末材料的处理与测试是不可或缺的一环。粉末压实密度仪作为一种专用的测试设备，在粉末材料的压实密度测量中发挥着至关重要的作用。本文深圳三思纵横试验机小编将探讨粉末压实密度仪的工作原理、应用领域以及未来发展趋势，大家一起来看下吧。一、粉末压实密度仪的工作原理粉末压实密度仪的工作原理主要基于粉末在受到外力作用下的压实过程。测试时，将一定量的粉末样品置于压实模具中，通过施加压力使粉末颗粒重新排列、相互接触并发生一定的塑性变形，从而达到压实效果。压实密度仪通过测量压实前后粉末的体积变化，并结合样品的质量信息，计算得出粉末的压实密度。二、粉末压实密度仪的应用领域粉末压实密度仪广泛应用于多个领域，尤其在材料科学、化工、制药等行业具有重要地位。1、材料科学领域粉末压实密度仪可用于评估粉末材料的可压性、流动性和成型性能，为材料制备和加工工艺的优化提供数据支持；2、化工领域粉末压实密度仪可用于测定催化剂、吸附剂等粉末材料的压实密度，为反应器的设计和操作提供重要参数；3、制药行业粉末压实密度仪可用于评估药物粉末的堆密度和压实性，为药物制剂的制备和质量控制提供有力保障。三、粉末压实密度仪的未来发展趋势随着科学技术的不断进步和应用需求的日益增长，粉末压实密度仪正朝着更加智能化、高精度和多功能化的方向发展。1、智能化与自动化未来的粉末压实密度仪将更加注重智能化和自动化的发展。通过引入先进的传感器和控制系统，实现测试过程的自动化操作和数据的实时采集、处理与分析。此外，智能化的粉末压实密度仪还将具备自我诊断和维护功能，提高设备的稳定性和可靠性；2、高精度化随着材料科学和制药等领域的不断发展，对粉末压实密度的测量精度要求也越来越高。因此，粉末压实密度仪将不断提高测量精度，采用更先进的测量技术和算法，以满足更精细的测试需求；3、多功能化除了基本的压实密度测量功能外，未来的粉末压实密度仪还将具备更多的测试功能。如可同时测量粉末的粒度分布、比表面积、孔隙率等参数，为研究者提供更全面的材料性能信息。此外，还可通过集成其他测试模块，实现一站式测试服务，提高测试效率和便捷性；4、绿色化与环保在环保意识日益增强的背景下，粉末压实密度仪的绿色化设计将成为未来的发展趋势。通过优化设备结构、采用环保材料和节能技术，降低设备在运行过程中的能耗和排放，实现可持续发展。三思纵横粉末压实密度仪作为粉末材料测试领域的重要工具，其原理、应用和发展趋势均体现了科技进步和市场需求的推动。随着技术的不断创新和市场的不断拓展，三思纵横粉末压实密度仪将在更多领域发挥重要作用，为材料性能评估、质量控制以及工艺优化提供有力支持。未来，我们可以期待三思纵横粉末压实密度仪在性能、功能和智能化方面取得更大的突破，为科研和工业生产带来更多便利和价值。

近日，华大智造研发团队在Nature子刊Nature Machine Intelligence（IF=25.898）上在线发表了题为Contrastive learning enables rapid mapping to multimodal single-cell atlas of multimillion scale的研究成果。研究人员开发了一种基于对比学习的多模态单细胞算法工具——Concerto (协奏曲)。“协奏曲”的命名， 既包含了“对比学习建模细胞表征”的英文首字母，又暗含了组织器官中不同类型、不同状态的细胞协同发挥作用之意。该算法通过自监督训练的方式，可快速对千万级无标注的单细胞多组学数据进行建模，得到的细胞表征（cell embedding）可以用于自动注释、多模态整合、聚类、跨批次整合、参考映射注释等下游应用。Concerto在各项任务中都展现了优异的性能，进一步丰富了单细胞大数据领域的算法工具。研究背景单细胞多组学工具在解析细胞多样性的研究中发挥着至关重要的作用，可绘制单细胞水平的多组学图谱，进而从多模态角度揭示细胞功能或状态的异质性。百万甚至千万级别的单细胞多组学大数据需要通过智能高效的计算工具助力科学发现，定义细胞类型和状态。同时，已发表的大量未经人工注释或者注释颗粒度不够精细的数据集本身也是宝贵的资源，若加以有效利用，可以帮助快速解读新产生的数据集。目前主流的单细胞数据分析工具大多依赖于统计学特征选择（如高可变基因）和线性降维方法（如主成分分析PCA[1]）来提取关键信息，但该预处理方法可能会造成信息量丢失。此外，单细胞数据集不可避免地存在不同程度的批次效应，在数据整合的过程中需要在保留每个样本包含的细微生物学状态差异前提下完成批次效应的适度去除。随着单细胞大数据时代的到来，亟需可快速构建千万级别单细胞多模态图谱并可实现映射注释的算法。华大智造自主开发的Concerto算法，采用人工智能领域新兴的对比自监督学习框架并进行优化适配，以应用在海量单细胞组学数据的建模中。何谓对比学习？简而言之，就是构造一个直观简洁的学习任务，让机器去对比和区分哪些样本与哪些样本相似，哪些样本与哪些样本不相似，从而学习到每个样本蕴含的高阶特征。这就好比是试图理解世界的婴儿，即使还未建立起认知世界的知识框架，也可能会意识到，相比于“史努比”，“加菲猫”和“黑猫警长”长得更像。婴儿通过比较不同物体之间的异同，或许可以学习到这些物体最重要的特征。对比学习示意图相比于传统的监督学习，在自监督学习中，机器学习的标签来自于样本自身。在真实世界中，有标签或者说有高质量标签的数据集是稀缺的，通过对比学习这样的自监督训练框架，可以很好地利用大量真实世界未注释的数据集。在机器视觉领域，Google和Meta近年来相继提出多种对比自监督学习算法，包括SimCLR[2]、 MoCo[3]等。在ImageNet分类基准测试中，最新的自监督算法甚至能优于有监督的基线方法。正如图灵奖得主Yann LeCun所预测，自监督学习是AI的未来，它就像人一样自觉观察数据，可能使AI产生类人的推理能力。在生物学领域，通过新兴的单细胞、时空组学工具获得的全新数据集，大大拓展了人类对于复杂生物系统的认知，这些数据还有大量未被人类标记或仅仅是依赖于已有知识进行注释。借鉴机器学习领域中不依赖标签数据的智能建模思想，以无偏的方式去利用好这些全新的单细胞数据，可以帮助科学家发现新的细胞类型、细胞状态，进而重新定义细胞类型。华大智造团队通过构造对比学习任务，让每个细胞自己跟自己“学习”，类似的细胞离得更近，不类似的细胞离得更远，从而实现对千万级别单细胞数据的快速建模。基于华大智造自主研发的便携、易用、经济友好的DNBelab C4单细胞建库平台，结合GPU的使用，利用Concerto构建千万级别的单细胞参考集仅需1.5h，快速注释5万个细胞仅需8s。同时，该模型可以整合不同模态、不同批次、不同测序平台和不同单细胞建库的方法。值得一提的是，Concerto的对比学习架构可以有效支持将一个细胞的所有基因作为输入建模，避免了直接降维过程中的信息丢失，同时该优势对于跨数据集的迁移注释至关重要，可以更好地扩展跨数据集间可利用的交集基因信息。华大智造DNBelab C4 Concerto模型架构具体而言，研究团队对每个细胞通过非对称的“双塔”蒸馏模型框架，并借鉴自然语言处理技术中的隐空间Dropout策略[4]，得到一个细胞的两个不同表征（cell embedding）并使其互为正样本，而与其他细胞则互为负样本。通过对比学习在超球面空间[5]上将正样本拉近，负样本推开，从而学习到高质量的细胞表征（图1a）。经过Concerto训练好的细胞表征，可以在zero-shot或者few-shot的场景下应用于多种下游分析任务（图1c）。图1 Concerto模型的结构示意图Concerto整合单细胞多模态数据在RNA和蛋白同时测序的人类外周血单核细胞数据集中（PBMC160K），作者利用Concerto进行多模态数据整合，作者发现：细胞的不同模态信息反应了之前科学家定义的不同细胞分类的颗粒度和类型。例如：CD4 T细胞和CD8 T细胞在只用RNA模态的情况下，不能很好地区分，需要加上蛋白的信息；而如果只用蛋白的模态，单核细胞monocytes和树突状DC细胞不能很好地分开，需要加上RNA的信息（图2）。Concerto在整合了RNA和蛋白质两个模态后，学到了更好的细胞表征：细胞大类和存在细微生物差异的细胞亚群都被很好地区分，而且也很好地捕捉到了细胞发育的轨迹。如CD8 T细胞谱系，可以看到CD8 naïve — CD8 TCM — CD8 TEM的轨迹，并且可以通过高维超球面空间到二维的映射看出，杀伤性的T细胞和NK细胞的距离更近，说明Concerto学习到的映射空间可以将功能接近的细胞互相靠近。图2 Concerto在RNA、蛋白、RNA+蛋白三种设置下学到的细胞表征在迁移注释任务的表现在公开的胰岛细胞数据集上（HP）迁移注释任务中，与目前主流单细胞迁移注释算法比较，Concerto准确率最高（图3），超过了纽约基因组中心Rahul Satija团队开发的Seurat V4[6]、德国亥姆霍兹慕尼黑中心Fabian Theis团队开发的scArches[7]以及Broad研究所Soumya Raychaudhuri团队开发的Symphony[8]。人类胰岛数据集（HP）包括5种单细胞测序方法得到的数据，Concerto整合4种技术构建了一个参考空间，在这个过程中没有用到任何标签信息，只是“each cell learns from itself”。然后把待注释的数据投射到这个参考空间，每个待注释的细胞都可以“找到”在参考空间里和它最像的k个参考细胞，最后只需要综合这k个参考细胞的信息就可以为待注释细胞打上注释。另外，Concerto除了可以跨技术平台进行迁移注释，也可以跨物种进行迁移注释。图3右展示了Concerto利用HP数据构建参考空间，对鼠胰岛（MP）细胞进行注释的性能。图3 胰岛数据集上迁移注释性能比较，华大智造Concerto模型准确率超过现有方法就像序列比对工具BLAST 将生物序列数据比对到参考基因组的功能一样，将新产出的包含不同样本、研究、疾病状态的单细胞数据集，映射到复杂的、数百万细胞的参考图谱上，可以实现快速识别相关的细胞状态和表型，此种方法将成为单细胞数据分析的全新范式。本研究另一亮点在于，利用现有已注释数据构建大型的细胞图谱作为参考（Reference），新的数据作为查询（query），可以直接在Reference上“查找”最相近的“已知“细胞，这样我们就可以知道query细胞的性质了。构建百万级别免疫细胞参考图谱，对新冠数据进行快速注释在COVID-19研究中，研究人员将华大智造DNBelab C4产出的新冠病人外周血单核细胞（PBMC）数据与其他研究小组已发表的通过其他平台所采集的数据进行整合，构建了大型新冠病人外周血免疫细胞参考图谱，涵盖了健康人及轻型、重型COVID-19患者，并针对查询数据集进行快速注释，发现不同感染状态差异的免疫学信号。由于在参考数据中存在与查询数据类似的与疾病相关的细胞状态，所以Concerto可以快速将查询新冠数据集映射到参考图谱上。Schulte-Schrepping等人[9]的研究主要针对髓系细胞，如单核细胞monocytes和中性粒细胞neutrophils在不同感染状态下的差异。通过参考映射的快速注释，复现了该数据集的淋系细胞与其他新冠研究里的一致信号，如Concerto注释了稀有细胞亚群proliferative-exhausted CD8 T，与Su[10]等人的研究一致。此前，深圳华大生命科学研究院刘龙奇团队联合中国疾控中心等机构科学家利用华大智造C4单细胞平台进行了大规模的新冠研究[11]，注释出了activated CD4 T细胞，并发现这种细胞的丰度会在患者体内上调。此次，利用Concerto构建的新冠参考数据集包含了这种细胞类型，也成功在Schulte-Schrepping的数据集中注释出activated CD4 T细胞，同时发现Schulte-Schrepping数据集中新冠患者的activated CD4 T细胞差异高表达CD2AP基因，也与此前华大研究院等人的发现一致。通过此项研究也证明，华大智造C4平台产出的数据可以和其他平台适配。将来科研人员可以利用Concerto构建整合不同单细胞数据产出平台的大型参考数据集，用以对新产出的数据进行快速注释。图4 将健康人与COVID-19患者整合的参考数据集对查询数据集进行迁移注释华大智造高级副总裁倪鸣博士表示：“单细胞组学的研究已进入高通量、大数据、多模态的研究阶段，此次基于对比学习的最新人工智能方法Concerto 用于单细胞参考数据集映射注释成果的发布，丰富了华大智造此前自主研发DNBelab C4单细胞平台，实现了单细胞组学领域硬件与软件的深度结合，相信未来会在单细胞领域赋能更多用户。”单细胞多组学时代的来临，使得重新定义细胞成为可能。华大集团联合创始人、董事长汪建曾提出 “六定”：定性、定量、定位、定时、定向、定标。未来，华大智造将继续开发用于单细胞多组学研究的硬件、试剂、软件工具，支持科研人员提高研究效率、拓展探索的边界。