晶癖预测

利用Resonon Pika XC2高光谱成像预测新鲜姜黄根茎中姜黄素浓度姜黄素是一种天然化合物，具有良好的抗炎、降血脂、抗氧化和抗癌等特性。姜黄素是从姜科、天南星科中一些植物的根茎中提取的一种二酮类化合物。其中，姜黄中约含姜黄素3%～6%，是植物界很稀少的具有二酮结构的色素。了解栽培根茎中姜黄素的水平并确定高产品种非常重要。传统上测量姜黄素是通过从新鲜根茎或干粉中将其提取出来，并使用高效液相色谱（HPLC）或紫外-可见分光光度法进行分析。从植物材料中分离姜黄素费事、费力、成本高，且需要专门的实验室设备和有经验的操作人员。而高光谱成像（HSI）是一种快速且无损的技术，已成功用于土壤和农产品（坚果、水果和蔬菜）各种化学成分和质量指标的评估。然而，目前尚未探索使用新鲜姜黄根茎的HIS图像来预测姜黄素。基于此，为了填补研究空白，在本文中，来自澳大利亚的一组研究团队进行了相关研究，旨在(1) 比较澳大利亚东部不同采样点3个姜黄品种（黄色、橙色和红色）的总姜黄素浓度和不同类姜黄素的分布；（2）评估利用可见-近红外（Vis/NIR）光谱（400-1000 nm）建立的PLSR模型预测新鲜姜黄根茎中总姜黄素浓度的潜力。作者在2018年11月至2019年11月，从五个研究地点共收集了190个样本，以捕捉生长周期的变化。利用光谱范围为400-1000 nm，光谱采样间隔为1.3 nm，光谱分辨率为2.3 nm的Resonon Pika XC2高光谱相机获取样品的高光谱图像。扫描后，提取根茎中的姜黄素，分析其总浓度和分布。建立偏最小二乘回归（PLSR）模型来预测总姜黄素浓度，并通过R2和RMSE来评估模型的准确度。图1 高光谱成像系统Resonon Pika XC2高光谱相机扫描姜黄根茎（a），选择根茎肉（横截面）（b）和皮（c）感兴趣区域（ROI），用于提取每个样品的平均光谱反射率。 图2 实验设计和模型开发流程图。【结果】表1 校准和测试集中不同品种和采样地的总姜黄素 (%) 浓度的描述性分析。图3 不同姜黄品种中三种姜黄素类化合物：双去甲氧基姜黄素 (a)、去甲氧基姜黄素 (b) 和姜黄素 (c) 的百分比分布。 图4 使用三个姜黄品种的原始反射光谱和根茎皮（a）与根茎肉（b）的所有可用波长开发的模型；测试集中单个样本的姜黄素（%）预测值（实心圆）（利用根茎肉模型）和测试数据集中单个样本测量值（“×”）和偏差线（与校准样本的相似度）分布图（c）表2 使用各种光谱分析技术的PLSR模型预测性能。 图5 仅使用橙色姜黄品种的原始反射光谱和根茎皮（a）与根茎肉（b）的所有可用波长开发的模型；测试集中单个样本的姜黄素（%）预测值（实心圆）（利用根茎肉模型）和测试数据集中单个样本测量值（“×”）和偏差线（与校准样本的相似度）分布图（c）。【结论】红色姜黄品种姜黄素最高，建议农民可以培育该品种。本研究结果表明Vis/NIR高光谱成像结合PLSR有潜力仅使用根茎肉图像而不是根茎皮图像预测新鲜姜黄中的姜黄素。在收获和清洗过程中，指状根茎通常从母根茎中折断，仍可销售，因此，通过扫描从加工批次中随机选择的任何折断的根茎碎片，并使用所开发的PLSR模型，可以在两级系统下基于农场手段对包装根茎进行分级。针对每个品种开发模型可以提高预测性能和可靠性。使用单一姜黄品种（橙色）开发的模型预测结果更准确，预测性能和可靠性更高。波长选择（Jack knifing）进一步改进了这些方法，使其适用于更小、更便携的多光谱成像系统。然而，在未来的研究中，应针对每个特定品种采集更大的样本量，并对从其他光谱区域收集的数据进行调查。此外，该方法应被用于预测单个姜黄素类化合物，未来新兴的图像深度学习算法可能会进一步提高模型预测性能。请点击如下链接，阅读全文：https://mp.weixin.qq.com/s?__biz=MjM5NjE1ODg2NA==&mid=2650310032&idx=1&sn=18f01ae402460e5da378f1ca6611014e&chksm=bee1a96f8996207988d67e735544aa15e26988c1a3cbb97e8aef9859a4a796e09c2f2202826e#rd

p style="text-align: left text-indent: 2em "记者从中国科学院物理研究所获悉，该所一组科研团队开发出一种快速计算晶体材料的拓扑性质的新方法，并用此方法在近4万种材料中发现了8千余种拓扑材料，十几倍于过去十几年间人们找到的拓扑材料的总和，并据此建立了拓扑电子材料的在线数据库。成果于北京时间28日由国际权威学术期刊《自然》在线发表。/pp style="text-align: left text-indent: 0em "　　这一成果意义重大。它改变了拓扑量子材料这一研究方向的研究范式，将该方向的重点从“寻找新材料”推进到“研究新材料”。/pp style="text-align: left text-indent: 0em "　　拓扑量子材料被认为将在超低功耗电子元件的研究和量子信息等领域起到重要基础作用。因此，如何寻找更多的新拓扑材料也因此成为了国际凝聚态物理领域的重要问题。此前，物理所已进行了一系列探索，并在拓扑绝缘体、量子反常霍尔效应、外尔半金属等方面做出了重要贡献。/pp style="text-align: left text-indent: 0em "　　团队的通讯作者之一、中科院物理所的方辰研究员介绍，在实验中直接测量拓扑性质是困难的，因此首先用计算的方法预测材料的拓扑性质，就成为了寻找拓扑材料的重要的一环。然而，在过去的研究中，由于不变量的表达式十分繁难，这一计算往往需要深耕于该领域的专家耗费大量时间精力才能完成。“手动搜索”的局限性，使得人们难以预测绝大部分材料的拓扑性质。/pp style="text-align: left text-indent: 0em "　　物理所团队开发出了通过计算材料能带的对称性数据从而自动获得其拓扑不变量的一套完整的、快速的、可以全自动运行的计算流程。在经过该流程之后，任何一种非磁性晶体材料都将获得一个“拓扑标签”，写着它是否具有，以及具有哪些拓扑性质。/pp style="text-align: left text-indent: 0em "　　大批拓扑量子材料在理论上的发现，改变了拓扑量子材料这一研究方向的研究范式，并给未来的实验研究提供了很多线索和机会。/pp style="text-align: left text-indent: 0em "　　物理所成果由该所方辰研究员、翁红明研究员、方忠研究员等人与中国科学院计算机网络信息中心联合完成。/pp style="text-align: left text-indent: 0em "　　所谓“英雄所见略同”，另有两个研究小组，也于同一天同一刊物上发表了他们的独立研究成果。其中一个小组是来自美国的普林斯顿大学、西班牙巴斯克大学和德国马克斯-普朗克研究所的科学家，另一小组是来自南京大学和美国哈佛大学的科学家。他们两个小组的工作内容，同样是通过计算能带高对称点的对称性数据从而得到材料的拓扑性质，方法和物理所研究小组采用的方法一致，三个研究组得到的结果也彼此相洽、相互印证。/p

苹果是一种常见而又神奇的水果。很多人学会的第一个英语单词可能就是Apple；从树上掉下来，砸到牛顿，启发牛顿的也是苹果；引领消费时代数码潮流的苹果公司，logo是被咬了一口的苹果~对于这种大家经常吃的香甜水果，追本溯源，是来自蔷薇科苹果属的杂交水果。苹果的祖先，是一种叫做“新疆野苹果”的植物，生长在我国新疆和中亚地区，后来伴随人类活动扩散开来，果农们也一代代与苹果树斗智斗勇，通过杂交等方式把他们调教的越来越美味。现代农业，为满足大家更多需求，苹果的杂交育种依旧在进行，人类学会了利用更先进的技术，今天推荐大家了解一篇通过高光谱成像来预测苹果杂交后香气的优秀文章。基于Resonon PIKA XC2高光谱成像预测苹果杂交后代香气苹果是世界上最受欢迎且有价值的水果之一。质地、风味和营养是苹果最重要的品质。一般来说，香气在苹果风味中发挥着重要的作用。提高苹果香气是育种和筛选的目标。因此，构建苹果香气成分评估模型至关重要。高光谱成像技术（HSI）结合二维成像技术实现光谱全图像信息获取，因其快速、有效和无损特征而广泛应用在农业、食品和化学领域。基于此，在本文中，来自西北农林科技大学园艺学院的研究人员利用高光谱成像（PIKA XC2 高光谱相机，Resonon Inc., Bozeman，MT，USA）建立了‘Honeycrisp’ × ‘Maodi’杂交后代的香气成分预测模型，初步实现了苹果成分的即时检测，以提供理论基础。【结果】高光谱图像光谱预处理酯（a）、醛（b）、酮（c）和乙醇（d）测量值和预测值散点图。酯（a）、醛（b）、酮（c）和乙醇（d）特征光谱带分布。【结论】在育种中，杂交后代香气成分的快速无损检测可以简化筛选过程并有效降低成本。在本研究中，作者利用高光谱成像来评估‘Honeycrisp’ × ‘Maodi’杂交后代的香气成分。基于光谱的SNV-RF模型在化学类别预测方面表现良好，但在单个化学物质预测方面表现不佳。在化学类别的预测中，酒精的结果最可靠，其次是酯类。分析化学基团的特征光谱，酯类的特征光谱为413、493、512、551、592、600、721、727、729、733 nm，醇类的特征光谱为519、562、570、571、660、676、700、737、738 nm，均在可见光范围内。醛和酮的特征光谱数量相对较多，分别为20和19个。在单个挥发性成分的预测中，大部分化学成分的预测效果较差，仅对环辛醇和2-十一烯醛预测结果基本可用。为了改进本工作的方法研究，今后将考虑和实践更多的杂交后代、建模方法和指标。结果表明，高光谱技术可用于杂交后代芳香化学类别和单个香气成分检测，但模型的稳定性和可靠性有待提高，为苹果育种过程中香气特征的初步筛选提供新选择，为基于苹果香气的自动分级提供理论依据。

p　　如果说预测几十年后的科技发展对世界带来的改变太过遥远，那么未来5年内可以预见的技术可就是近在眼前了。今天，在顶级科技盛会Think 2018中，IBM发布了对未来5年内的五大科技预测，其中包括格加密、密码锚定、量子计算等前沿科技。这些能量满满的黑科技在未来5年有望被应用到不同的行业领域，不仅为改变世界作出贡献，也将让我们每一个人的生活更加美好。下面就让我们盘点一下，这五大科技预测到底都有什么：/pcenterimg style="width: 450px height: 300px " title="" alt="" src="http://5b0988e595225.cdn.sohucs.com/images/20180320/97f60ff6426a4b8bb3392093cd11b7bc.jpeg" height="300" hspace="0" border="0" vspace="0" width="450"//centerp　　strong密码锚定和区块链联手将让冒牌货无处遁形/strong/pp　　在未来 5 年内，密码锚定 (cryptographic anchors) 和区块链技术将保证产品从生产源头一直到客户购买的整个过程都真实可信。/pp　　每年，欺诈给全球经济造成的损失超过6000亿美元。在某些国家，一些特定的救命药中有近70%是假药。/pp　　一条供应链往往由分散于多个国家的数十个供货商组成，链条如此复杂，很难提防不法分子在其中搞鬼。从纸币到消费电子产品，市场上任何产品都可能出现造假。/pp　　密码锚定是IBM研究人员正在开发的一种可以防篡改的数字指纹，可以被嵌入到产品或零部件中，并与区块链相链接。数字指纹有不同的种类，当与区块链技术结合时，它可以成为验证产品真伪的一种强有力的手段。/pcenterp style="text-align:center"img alt="" src="http://5b0988e595225.cdn.sohucs.com/images/20180320/f2b7050ad0f546a2b7d95f58bb6ef8c7.jpeg" height="224" width="346"//p/centerp style="text-align: left "　strong　全新格加密技术将瓦解黑客攻击/strong/pcenterimg style="width: 320px height: 400px " title="" alt="" src="http://5b0988e595225.cdn.sohucs.com/images/20180320/5499a9c4d503480cb05e47bc1fd7ac63.jpeg" height="400" hspace="0" border="0" vspace="0" width="320"//centerp　　网络攻击的规模和复杂性逐年递增，造成的损失也越来越大。五年之内，新的攻击手段将让目前的安全措施无所适从。/pp　　例如，多年以后，拥有数百万个量子位且支持容错的通用型量子计算机将可以快速筛查各种可能性，解密最强大的通用加密算法，目前这种基础的安全方法将被淘汰。/pp　　IBM 研究人员正在开发一种新的名为格加密的安全技术，该技术可以把数据隐藏在一种名为格 (lattice) 的复杂代数结构中。/pp　　作为一种全能的代数密码学，格加密不仅能打败未来的量子计算机，也是另一种被称为全同态加密 (FHE) 的加密技术的基础。/pp　　strong人工智能机器人显微镜将让海洋重现蔚蓝/strong/pcenterimg style="width: 304px height: 400px " title="" alt="" src="http://5b0988e595225.cdn.sohucs.com/images/20180320/3dfb20be02904b1397f68d1cc2ff50f3.jpeg" height="400" hspace="0" border="0" vspace="0" width="304"//centerp style="text-align: center "　strong　(Tom Zimmerman和显微镜)/strong/pp　　未来五年内，小型自主strongAI显微镜/strong将在云中联网并部署到世界各地，持续监测对人类生存至关重要的水资源状况。/pp　　到2025年，全球将有超过一半的人生活在缺水地区，但是现在科学家很难对海洋、湖泊和河流状况相关的最基本数据进行实时收集和分析。/pp　　通过部署一些特殊的传感器可以检测到水中特定的化学物质和状况，但却无法检测预料之外的物质，如入侵物种或者新流入的化学物质。/pp　　IBM 研究人员正在研发小型的自主显微镜。这种显微镜放在水体中可以就地监视浮游生物、识别不同的物种，并跟踪其在三维空间中的移动。借助这些发现成果，人类可以更好地理解浮游生物的行为，比如它们对温度、石油泄漏以及溢流等各种因素导致的环境变化有何反应。我们甚至可以用浮游生物来预测人类水供应所面临的威胁，比如赤潮。/pp　　strong新手段将消除AI偏见/strong/pcenterimg style="width: 450px height: 243px " title="" alt="" src="http://5b0988e595225.cdn.sohucs.com/images/20180320/e4315957285841a5a620e86f34e4c6bd.jpeg" height="243" hspace="0" border="0" vspace="0" width="450"//centerp　　5年之内，有偏见的AI系统和算法将不断增多，就像早前的计算机病毒增多一样。但我们将采取相应的应对措施，提出新的解决方案来控制AI中的偏见，并提倡没有偏见的AI系统。/pp　　AI系统是否会有偏见，其实取决于我们往里面放什么样的数据。为此，IBM 研究人员开发了一种方法来减少训练数据集中可能存在的偏见，这样利用该数据集进行学习的AI 算法就能尽量保持公平。/pp　　IBM科学家还设计了一种方法来测试 AI 系统，即使没有训练数据也可以使用。这项研究提议设立一个独立的偏见评分系统来确定AI系统的公平性。AI的最终用户能根据每个系统的偏见水平来确定它的可信度。/pp　strong　5 年内量子计算将成为主流/strong/pcenterimg style="width: 280px height: 400px " title="" alt="" src="http://5b0988e595225.cdn.sohucs.com/images/20180320/2e8cbc34fcb642239073841d38e21944.jpeg" height="400" hspace="0" border="0" vspace="0" width="280"//centerp　　5年之内，量子计算的影响范围将超出研究实验室。这种新的计算方法不再局限于科学界，而是被新的专业人员和开发人员广泛使用，以解决曾被视为无解的问题。/pp　　IBM 研究人员最近在量子化学领域取得重大进展，使用量子计算机成功模拟了氢化铍 (BeH2) 中的原子键合 这是通过量子计算机模拟出来的最复杂的分子。未来，量子计算机将继续解决更为复杂的问题，最终赶上并超越我们在只使用传统计算机时实现的成就。/pp　　5年之内，业界将发掘出量子计算机(与传统计算机一同使用)的用武之地，用它来帮助我们解决特定的问题。最先尝试的一批企业无疑将在量子计算时代获得明显的竞争优势。/pcenterimg style="width: 450px height: 300px " title="" alt="" src="http://5b0988e595225.cdn.sohucs.com/images/20180320/099a2f3d91484271bb4e50f23df7d19a.jpeg" height="300" hspace="0" border="0" vspace="0" width="450"//center

提案内容：高度重视并加强空气质量监管，建设宜居东莞　　提出人：政协委员卢伟尧等　　让我们的生活环境变得更好、更宜居，这是所有人的愿景。在东莞市政协十一届四次会议上，卢伟尧等委员提出《高度重视并加强空气质量监管，建设宜居东莞》的提案。东莞市环保局回复称，将在不同的片区增设3个以上酸雨监测点，并建设大气污染预测预警体系，实现由空气质量日报向大气污染预测预警的飞跃。　　现状　灰霾天数减少　　东莞市环保局在回复中介绍了2009年东莞空气质量监测情况。2009年，东莞全年空气污染指数平均值为57，优良天数比2008年增加14天，轻微污染天数减少15天，空气质量优良天数占全年的99.2% 灰霾天数85天，比2008年的146天减少61天 降水pH年均值为5.02，比2008年上升0.19个pH单位，酸度进一步下降。“这些数据表明东莞空气环境质量总体水平在继续好转，也表明我们近年来在大气污染防治工作中采取的各项措施在不断地显现出好效果。”　　这些措施包括大力淘汰落后产能、全面整治污染企业、开展油气回收综合治理、构建大气环境监测体系等等。据了解，目前，东莞已建成“7+1”(7个固定子站和1个流动子站)大气自动监测系统，这套自动监测系统的监测点位覆盖了东莞市全范围，监测项目有二氧化硫、二氧化氮、一氧化碳、臭氧、能见度、PM 10和PM 2.5等。　　计划　建设大气污染预测预警体系　　东莞市环保局透露，下一步，东莞将深入开展工业锅炉整治、深化火电厂脱硫和脱硝工程，加强东莞空气环境监测能力建设和预警工作。同时，结合珠三角区域大气复合污染监测和研究的需要，针对光化学烟雾、灰霾天气现象增加有关监测设备、增加对相关污染因子的监测。在若干监测子站增加V O Cs、甲烷和非甲烷总烃、气溶胶、碳黑、PM 2.5、PM 1.0、能见度、苯系物等大气复合污染监测项目，增加大气成分多轴差分吸收光谱仪、多普勒雷达及激光雷达等监测设备。　　另外，根据全东莞市各片区的人口分布、工业布局、气象特征，在不同的片区增设3个以上酸雨监测点，更加全面地监测、掌握东莞的酸雨污染状况。　　同时，完善东莞的大气污染预测预警体系。通过一系列硬件设施的配套建设，依据东莞污染物排放总量、地域性排放源清单和气象参数，建立一套功能强大、预测准确的预测预警模型，实现由空气质量日报向大气污染预测预警的飞跃，提升预警预测能力。另外，将与气象、水利、卫生、教育等部门建立应急联动机制，一旦监测到东莞的空气、水、噪声等环境条件发生异常现象，即启动应急机制，联合采取措施，尽可能减少环境异常给东莞市民生活带来的不良影响。

9月10日下午，生物领域召开了技术预测启动会。社发司杨哲副司长出席会议并讲话。生物和医药技术领域主题专家组、重大项目首席专家、同行专家、企业专家和海外专家组成的总体专家组和子领域专家组共计30余人出席会议，来自计划司、社发司、战略院、生物中心的相关同志参加了会议。　　计划司有关同志首先介绍了科技部技术预测工作的总体部署情况，传达了万钢部长对开展技术预测工作的指示精神。战略院有关同志介绍了开展技术预测的主要方法，通报了科技部技术预测工作交流会的有关情况。生物中心有关同志介绍了生物领域技术预测近期工作情况，并提出了下一步工作计划。魏于全院士代表总体组汇报了生物领域技术预测工作方案，与会专家们围绕工作思路、工作内容、进度安排和子领域的关键技术等进行了深入探讨，讨论并确定了工作方案，研究并划分了各子领域。　　专家们表示要把技术预测工作作为科技管理中一项重要的基础性工作来抓，深入了解生物技术的世界发展态势、我国和其他主要国家的发展现状，认真分析比较国内外相关技术发展水平，客观预测技术发展方向，在做好技术预测工作的同时，着手考虑本领域&ldquo 十三五&rdquo 规划。

地幔岩石中的晶体缺陷对地震活动至关重要，电子背散射衍射图可提供了下一次地震何时何地发生的线索。英国和美国的研究人员已经表明，来自地球表面深处的岩石晶体中的微观缺陷在大地震后地面如何缓慢移动和重置方面起着决定性的作用。来自洛斯阿拉莫斯国家实验室的 Ricardo Lebensohn 及其同事使用电子背散射衍射 (EBSD) 绘制了受到极端类似地幔的压力和温度的岩石晶体中的缺陷和周围应力的图谱。结果表明，地球表面在地震后沉降以及在重复事件之前储存应力的方式最终可以追溯到这些晶体缺陷。“晶体缺陷和应力非常小，我们只能用最新的显微镜技术观察它们，”Lebensohn 的同事，来自剑桥大学地球科学的 David Wallis 博士说。“但很明显，它们可以显著影响岩石移动的深度，甚至决定下一次地震发生的时间和地点。”通过了解这些晶体缺陷如何影响地球上地幔中的岩石，研究人员可以更好地解释地震后地面运动的测量结果，这些测量结果提供了压力在哪里积聚的信息，以及未来可能发生地震的位置。 缺陷和地震为了研究岩石晶体应力，Lebensohn 及其同事将橄榄石晶体（上地幔最常见的成分）置于一系列压力和温度下，以复制地球表面以下100公里的条件。研究人员使用配备牛津仪器 AZtec 采集软件和 NordlysNano 探测器的两台场发射扫描电镜对岩石晶体进行了研究，并使用高角分辨率 ESD 绘制了位错缺陷和晶内应力图。根据研究人员的说法，这些结果揭示了上地幔中的热岩石如何神秘地从地震后几乎像糖浆一样流动，随着时间的推移变得又厚又迟钝。粘度的这种变化将应力传递回上方地壳中寒冷而脆性的岩石——这种应力会累积到下一次地震。几何必要位错的密度和应力异质性 a 根据 HR-EBSD 测量的晶格旋转估计的几何必要位错密度b 通过减去每个晶粒内的平均值而归一化的 σ12 样品 MN1 和 San382t 是单晶，而所有其他样品都是聚集体“我们早就知道微尺度过程是控制地震的关键因素，但很难足够详细地观察这些微小的特征，”沃利斯说。 “多亏了最先进的显微镜，我们已经能够观察到炽热深岩的晶体框架，并追踪这些微小缺陷的真正重要性。”结果还表明，位错会产生应力，随着时间的推移，这些应力会在位错中累积，导致岩石变得更加粘稠。直到现在，人们一直认为这种粘度的增加是由于晶体相互竞争的推拉，而不是由晶体内的微观缺陷和相关的应力场引起的。研究人员希望将他们的工作应用于改进地震危险地图，这些地图通常用于南加州等构造活跃地区，以估计下一次地震发生的地点。目前的模型只考虑了断层带上更直接的变化，没有考虑在地球深处流动的岩石中的逐渐应力变化。Wallis 还计划与乌得勒支大学的同事合作，将他们新的实验室限制应用于 2004 年印度尼西亚发生危险地震和 2011 年日本地震后的地面运动模型。每一次都引发了海啸并导致数万人丧生。“如果你能了解这些深层岩石的流动速度有多快，以及在断层带不同区域之间传递应力需要多长时间，那么我们可能能够更好地预测下一次地震将在何时何地发生，”沃利斯说。文章源自 Nature Communications.（编译：符斌 北京中实国金国际实验室能力验证研究中心研究员）

高温粘度测定仪是一种用于测量高温液体粘度的仪器，广泛应用于石油、化工、材料科学、医药等领域。在科学研究、产品开发和质量控制等方面，高温粘度测定仪的作用越来越重要。二、现状分析目前，市场上存在多种高温粘度测定仪品牌和型号，主要分为国内和进口两类。国内品牌以价格优势和售后服务优势为主，进口品牌则以技术优势和品牌影响力为主。但是，无论是国内还是进口品牌，都存在一些问题，如测量精度不高、温度控制不稳定、操作繁琐等。三、发展趋势随着科技的不断进步和人们对物质性能要求的不断提高，高温粘度测定仪的发展趋势主要有以下几个方面：1.高精度测量：高温粘度测定仪的测量精度是评价其性能的重要指标之一。未来高温粘度测定仪将会采用更加先进的测量技术和算法，提高测量精度和稳定性。2.智能化操作：智能化操作将会是高温粘度测定仪未来的发展趋势之一。通过采用人工智能技术和大数据技术，高温粘度测定仪可以实现自动化操作和控制，提高实验效率和数据处理能力。3.多功能化：高温粘度测定仪将会向着多功能化的方向发展。除了测量粘度外，还可以通过添加其他辅助装置和功能模块，实现多种物质性能的测量和分析。4.网络化监控：高温粘度测定仪将会与互联网技术相结合，实现网络化监控和管理。通过远程监控和控制，可以实现对实验过程的实时监控和管理，提高实验的可靠性和安全性。四、前景预测根据市场调研和分析，未来高温粘度测定仪将会在以下几个方面有更大的发展空间：1.应用领域更加广泛：高温粘度测定仪将会在更多领域得到应用，如新能源、新材料、生物医药等新兴产业。同时，随着人们对物质性能要求的不断提高，高温粘度测定仪的应用领域将会更加广泛。2.技术更加先进：未来高温粘度测定仪将会采用更加先进的技术和算法，提高测量精度和稳定性，同时实现智能化操作和多功能化发展。3.服务更加完善：作为重要的实验仪器，高温粘度测定仪的服务质量也是用户非常关注的一个方面。未来高温粘度测定仪将会提供更加完善的服务，包括安装调试、维修保养、技术支持等全方位服务。综上所述，高温粘度测定仪作为一种重要的实验仪器，在科研和工业生产领域发挥着越来越重要的作用。未来高温粘度测定仪将会在应用领域、技术和服务等方面有更大的发展空间，为科研和工业生产提供更加可靠和高效的实验支持。

p　　全球检测行业具有较强的抗风险能力，即便在2008年至2009年恶劣的国际经济危机冲击下，检测行业整个市场规模依然有所增长，在全球范围内没有出现破产案件，甚至裁员和重组的现象都很少发生。前瞻预测，在全球经济缓慢复苏的背景下，未来几年，全球检测行业规模增速将保持在5%以上。/pp　　从全球质量检测行业的发展速度来看，独立的第三方检测机构在政府监管和行业自律的约束下，发展速度非常快，其公开性、公正性、公平性日益受到了业界的肯定和社会的重视。/pp　　前瞻产业研究院《2018-2023年中国质量检验检测产业发展前景与投资预测分析报告》显示，目前世界范围内的检验格局还是以欧美的检测机构为主导，但在新兴市场，如中国、印度等东南亚国家和第三方检验机构发展，已呈现快速增长趋势，预计未来几年将保持5%-7%的年均增速，2020年全球检测市场规模有望超过1800亿欧元。/pp style="text-align: center "span style="color: rgb(0, 112, 192) "图表1：2017-2022年全球检测市场规模增长及预测(单位：亿欧元，%)/span/pp style="text-align: center "img title="1.jpg" src="http://img1.17img.cn/17img/images/201803/noimg/3d9bf960-f5e7-42e2-9b56-40e91735f751.jpg"//pp style="text-align: right "资料来源：前瞻产业研究院整理/pp style="text-align: right " /pp　　span style="color: rgb(192, 0, 0) "strong2020年全球检测行业发展趋势span style="color: rgb(192, 0, 0) "strongbr//strong/span/strong/span/pp　strong　1、全球检测行业区域分布趋势/strong/pp　　随着世界范围内的产业转移，制造业由发达国家向发展中国家转移的趋势更为明显，与制造业密不可分的检验检测行业也也随之从世界范围内产业转移，由发达国家转向发展中国家。目前，全球范围内大型综合性检测机构基本上来自欧洲、美国和日本等发达国家和地区，而接受地区则集中在中国和其他东南亚国家。/pp style="text-align: center "span style="color: rgb(0, 112, 192) "图表2：全球检测行业转移示意图/span/pp style="text-align: center "img title="2.jpg" src="http://img1.17img.cn/17img/images/201803/noimg/fcaac916-cd4d-4b6b-9e40-5ed78539ca79.jpg"//pp style="text-align: right "资料来源：前瞻产业研究院整理/pp　　strong2、全球检测行业检测主体趋势/strong/pp　　未来随着检测行业市场化的不断推进及法律法规的不断规范和完善，第三方检测将成为行业主流。其主要原因如下：首先，在美欧日等成熟经济体，除了必须动用公权力的“法检”，一般检测，如食品安全检测，都已对第三方检测机构开放。其次，面对严峻的食品安全问题，对食品主管部门来说，既要促进食品产业的发展，又要监管食品安全，职能上存在着必然的对立性。/pp style="text-align: center "span style="color: rgb(0, 112, 192) "图表3：全球质量检验检测行业检测主体走势示意图/span/pp style="text-align: center "　img title="3.jpg" src="http://img1.17img.cn/17img/images/201803/noimg/3436d0ba-c9c7-4b05-8cde-ffada85a103d.jpg"//pp style="text-align: right "资料来源：前瞻产业研究院整理/pp　strong　3、全球检测行业业务领域趋势/strong/pp　　从检测领域来看，目前工业类检测占据大半市场份额，生命科学、食品和环境检测方面的市场份额约22%，其它市场细分所占份额不是市场的主流。不过从全球检测龙头企业的主营业务营收变化可以看出，未来检验检测产品服务会发生一些变化。实体产品检测业务将呈下降趋势，与此同时教育、培训等服务性业务有较高的增长潜力。/pp style="text-align: center "span style="color: rgb(0, 112, 192) "图表4：2020年全球检测领域前景预测/span/pp style="text-align: center "img title="4.jpg" src="http://img1.17img.cn/17img/images/201803/noimg/cfe975dc-e67d-4d86-b976-fa521316c7b9.jpg"//p

p　　全球超18%的婴儿属于早产儿(不足37周妊娠期就出生了)，他们中有很多死于新生儿时期，还有不少面临包括视力、听力受损、心脏或肺部缺陷等在内的伤残。目前，医学上还没有可靠的方法预测早产。/pp　　现在，麻省理工学院(MIT)的科学家们找到了一个新方法，有望打破空白。他们在早产高风险的孕妇的宫颈粘液中发现了微妙差异，并证实可以通过分析孕妇的宫颈粘液预测早产的风险。这一最新研究有望为医生提供有效信息，从而提早干预、避免早产。/pp style="text-align: left "　　MIT生物工程学副教授Katharina Ribbeck与塔夫茨大学医学院的副教授Michael House合作完成了这一研究，相关研究成果于9月4号发表在《Scientific Reports》期刊。/pp style="text-align: center "img width="600" height="400" title="" style="width: 600px height: 400px " alt="" src="http://img1.17img.cn/17img/images/201709/uepic/e104ffed-7875-448d-9c28-ea6fc97d8622.jpg" border="0" vspace="0" hspace="0"//pp style="text-align: center "span style="color: rgb(153, 153, 153) "Katharina Ribbeck副教授/span/pp　　strong宫颈粘液/strong/pp　　宫颈粘液由颈粘膜腺细胞分泌，是一种糖蛋白凝胶，其主要组成分子——糖蛋白的组成和排列决定了凝胶的多孔性。粘液的状态受各种卵巢激素的影响。/pp　　早在2013年，Ribbeck和团队就已经发现，早产风险高的孕妇，她们的宫颈粘液比正常孕妇的防御性弱、弹性小。25-40%的早产被认为与微生物通过子宫颈进入子宫造成感染有关，而这种感染的发生于粘液有关，因为正常情况下粘液负责阻止病原体进入子宫。/pp　　现在，她和团队决定深入研究粘液的分子和功能特性。她们招募了2组孕妇——低风险人群(接受常规检查并在37周后分娩的人)和高风险人群(在24-34周就分娩的孕妇)，采集她们的宫颈粘液作为样本。/pp　　首先，她们以直径只有1微米、带负电荷的颗粒为检测材料，通过分析这些颗粒穿过粘液的能力发现，两组粘液样本在多孔性上存在细微的显著差异。随后，她们以带有电荷的探针进行同样的测试，这些探针小到可以避免被滞留在粘液中，但是对粘液的生化修饰比较敏感。通过这些探针，研究人员发现，粘液在渗透性和粘附性方面存在显著的差异。对于高风险女性的粘液样本，探针可以轻松穿透。/pp　　这表明，由于至今尚不清楚的原因，面临早产高风险的女性的宫颈粘液更容易受到有害微生物的入侵，这些病原体更容易造成早产。此外，宫颈粘液的改变易失去有益的免疫成分，例如抗体或者抗菌肽(这些化合物有助于抵抗感染)。/pp　　Ribbeck推测，粘性的降低是因为糖蛋白分子结构发生了变化，特别是糖分子的数量和类型。/pp　　strong预测早产/strong/pp　　目前，最常见的预测早产风险的方法是测量子宫颈的长度，但是，虽然缩短的子宫颈与较高的早产风险有关，但是在多数情况下，子宫颈缩短并不会导致早产。另一项常规测试是测量宫颈阴道分泌物中的胎儿纤维连接蛋白(fFN，子宫绒毛膜细胞外的基质成分)的水平。然而，这一蛋白也不是非常可靠的检测标准。而且，即便子宫颈长度和胎儿纤维连接蛋白水平正常，依然有孕妇出现早产的情况。/pp　　我们还没有针对早产的通用检测技术。早产的病理生理学机制极其复杂，常常存在个体差异。Ribbeck预计，宫颈粘液能够在怀孕初期进行，作为常会筛查的一部分，用于预测孕妇早产的风险(依据微生物感染预测风险，对于其他造成早产的原因无法预测)。/pp　　塔夫茨医学中心妇产科主席Errol Norwitz评价这一研究时表示，这一创新技术对于解决早产预测问题有着重要意义。早产是全球儿童和婴儿保健工作中面临的最大问题之一，我们迫切需要一种预测风险的方法，从而提前干预。/pp　　通过研究粘液成分、结构的变化，Ribbeck希望能够找到方法恢复粘液的正常功能。“如果子宫粘液变得稀薄、弹性减少，我们可以考虑添加必要的成分，从而改善它的屏障特性。” Ribbeck解释道。/p

p　　这个月初，被认为是 21 世纪最著名的科学家之一的 J.Craig Venter 博士在华盛顿州立大学发表了演讲。如果你不知道他是谁的话，我们首先来介绍一下：他是第一个研究人造生命体的人，并且成功说服了政府在人类基因组序列项目 上投资 1 亿美元。strong在演讲期间，Venter 博士提到了他和他的同事们正在进行的一个激动人心的研究项目——用 DNA 预测人类的样貌和声音。这项研究被称为 Biological teleportation(生物传送)，主要利用 3D 打印技术将生物传送到地球和火星等任何地方。/strongbr//pp　　在长达一个小时的演讲过程中，Venter 博士表示，这项最具开创性的项目已经获得了许多个奖项，它能够通过某一个人的 DNA 精细的预测出他长什么样子，甚至是他的声音。/pp　　Venter 博士和他的同事们已经发现了一种方法来分离那些决定我们外貌的基因，这是该研究最关键的部分。Vernter 博士表示：“经过对数千人的基因样本进行测试，并且和志愿者脸型的 3D 模型进行对比之后，我们终于找到了这些基因。”/pp　　目前，Venter 博士的研究团队已经可以成功预测人类眼睛的颜色，甚至比人们自己描述的还要准确，其原因在于，人类的左右眼之间的差别在 80% 左右，但是很多人没有意识到这一点。他补充道：“用你的基因组来预测你的样子，这是完全符合逻辑的。”/pp　　Venter 博士在演讲中称：“从理论上来说，这样的研究是很科学的，只是我们没有想到这项技术从理论到现实只有这么短的一段时间。就我个人而言，我甚至没有想到它的结果会那么精确。”/pp　　人的面部特征可能是由成百上千的基因形成的，每一个基因的影响都很小。相对来说，头发、眼睛、皮肤颜色和种族等特性都比较容易确定，但是跟高度和面型等遗传特性有关的基因分布非常散乱，如果 Venter 博士能够成功闯过这一关，那他真是太牛 X 了。/pp　　如果这项技术的预测精度真的那么高的话，那么人类可能会迎来一个疯狂的时代。每个人一出生就可以建立一个属于自己的基因数据库，所有的信息都包含在里面。/pp　　不过，根据 Venter 博士的描述，通过 DNA 预测声音的难度要相对高一些。就目前而言，他们已经可以从人类声音的数字记录中区分性别，并且预测该目标的年龄，甚至还可以通过从录音中预测出他的身高。此外，研究人员还找到了声音和脸部形状之间的关系。/p

截至2022年6月27日，6个月以内共有4家机构对聚光科技（300203）的2022年度业绩作出预测。预测2022年每股收益0.54元，较去年同比增长203.85%，预测2022年净利润2.44亿元，较去年同比增长204.87%。其中，1家机构“强推”，1家机构“增持”，1家机构“买入”，1家机构“推荐”。目标价格预测31.00元。以下是详细的预测信息：

2023年9月19日，中国仪器仪表学会近红外光谱分会发布了关于开展2023年度“创和亿杯近红外光谱数据建模竞赛”的通知。通知要求参赛者于2023年10月30日前完成并提交“参赛附表”，截至目前，超过110人参加了本次竞赛。按照活动进程，中国仪器仪表学会近红外光谱分会正式公布2023年度“创和亿杯近红外光谱数据建模竞赛” 预测集实际测量值。点击下载：2023 年度“创和亿杯近红外光谱数据建模竞赛” 预测集实际测量值.xlsx测试集样本序号化学成分16.3225.95635.14445.3658.88465.96475.32886.61696.012106.828115.704126.616136.088145.788156.544165.92175.204185.672195.912205.316根据参赛者提交预测结果的准确性，本竞赛将评选出一等奖1名，二等奖2名，三等奖5名，优秀奖10名。颁发电子版获奖证书和奖金，其中一等奖奖金2000元，二等奖奖金1500元，三等奖奖金1000元，优秀奖只颁发获奖证书。本竞赛将在2023年11月5日前向参赛者公布预测集的实际浓度值，2023年11月15日前公布获奖名单。更多信息请查看：关于开展2023年度“创和亿杯近红外光谱数据建模竞赛”的通知

美国密歇根大学研究人员近日通过在新型细胞基质上培养成体干细胞的实验，发现了一种可以预测干细胞是如何进行分化并形成何种组织的方法。研究成果刊登在8月1日的《自然—方法学》(Nature Method)上。　　　 　　相关仪器及方法：NSR2005i9步进式投影曝光装置 Prometrix P-10表面轮廓仪 6320FV扫描电镜 Samdri-PVT-3D临界点干燥仪 XL20扫描电镜 ABI 7300实时PCR系统 Axiovert 200M倒置显微镜 新型干细胞基质(支架)　　完成人：克里斯托弗陈课题组　　实验室：美国宾夕法尼亚大学生物工程系 密歇根大学生物工程系与机械工程系 台湾成功大学医学院骨关节研究中心　　这是细胞培养实验开始第二天的人体间叶细胞的干细胞免疫荧光图。图中，红色部分为“微柱”，绿色部分为细胞，蓝色部分为细胞核。这个细胞在后期分化为了骨细胞。(图片提供：Michael T. Yang (University of Pennsylvania))　　这是人体间叶细胞的干细胞扫描电镜图。该细胞被放置在长度为13微米的长“微柱”上生长。在细胞培养实验第二天，细胞产生向心力，这可以从“微柱”的弯曲程度看出。这个细胞在后期分化为了脂肪细胞。(图片提供：Jianping Fu (University of Michigan))　　这是人体间叶细胞的干细胞被放置在短“微柱”上培养的扫描电镜图。细胞培养实验第二天，这些细胞开始伸展，其伸展程度和施加在“微柱”上的力均大于在长“微柱”培养的细胞。这些细胞在后期分化为了骨细胞。(图片提供：Jianping Fu (University of Michigan))　　干细胞转变为其他种类细胞的过程称为细胞分化。而要想发展以干细胞为基础的再生治疗技术，关键在于充分了解细胞分化。　　“我们首次证明了，在细胞分化起始阶段，我们就能预测细胞下一步的分化过程。”Jianping Fu说。Fu是密歇根大学机械工程与生物医学工程的助理教授，同时也是文章的第一作者。“通常情况下，要了解掌握干细胞分化的趋势，需要数周甚至更长的时间。我们的研究成果则可以加速这一过程，这在药物筛查和再生医学方面有很大的应用前景。采用我们的方法，可以较早预测干细胞的分化，以及其在新药治疗中将转变成何种细胞类型。”　　在这项研究中，Fu和他的同事发现，干细胞对它们附着的基质会施加一定的力。这种力很有可能与细胞分化有关，但对其的研究还不及对化学触发的研究那么广泛。研究人员在文章中说，培养干细胞所用基质的刚性确实有助于测定干细胞会转变成何种类型。　　“经过研究，我们可以肯定地说，和化学因素一样，力学因素在控制细胞分化方面起着同样重要的作用”，Fu说，“而在这以前，干细胞生物学家在很大程度上忽略了这种力学因素”。　　研究人员构建了一种新型的干细胞基质(支架)，其刚性可调节，而无需改变其化学成分，传统的干细胞生长基质则无法做到这点。这种新型的基质支架看起来像是一种微型地毯，上面布满了类似于头发的突起物——“微柱”，由聚二甲基硅氧烷这种弹性聚合物制成，而聚二甲基硅氧烷是橡皮黏土的重要成分，Fu说。研究人员可以通过调节微柱的高度来调节这种基质的硬度。　　工程师在实验中对骨髓和其他连接组织(比如脂肪)进行提取，得到人体间叶细胞组成的干细胞。干细胞在坚硬的基质中生长，最后分化转变成了骨细胞，而在较软的基质中生长，则分化转变成了脂肪。当研究人员通过这种基质的力学性能观察到了细胞分化之后，他们决定在整个细胞培养过程对细胞的这种附着力进行跟踪测定，看是否能预测到这些细胞的分化。　　研究人员使用荧光显微镜测量微柱的弯曲程度，从而对细胞这种附着力进行定量分析。“我们的研究表明，如果干细胞要进行分化，那么它们的附着力会比那些没有分化的干细胞要大许多，而干细胞分化成不同类型的细胞，其附着力也会有很大差异。”Fu表示，“我们证明了，可以通过观察这种附着力的变化来提早预测干细胞分化。”　　制成这种新基质的成型工艺成本很低，研究人员也表示，任何对此有兴趣的科研人员都可以获得这种成型工艺。“我们觉得，这种工艺为整个科研领域提供了一种新的、切实可行的方法。”Fu表示。

2023年2月28日，国家重点研发计划项目“公约受控卤代烃减排成效评估和预测预警研究”课题绩效评价会在北京大学环境大楼召开。会议由北京大学主办，相关领域的院士、领导、专家以及项目负责人、课题负责人及项目骨干近60人现场参会。会议开始，项目负责人北京大学胡建信教授介绍了各位参会领导、专家，以及项目组成员。出席会议的领导有北京大学科研部张琰副部长、生态环境部大气司董文福处长。课题绩效评价专家组组长由清华大学郝吉明院士担任，成员包括任其龙院士、张玉军主任、余刚教授、龚山陵研究员、黄业茹研究员、邵敏教授、李春喜教授。项目跟踪专家张远航院士和柴发合研究员也参加了验收会。参会领导参会专家胡建信教授从项目由来和新需求、项目目标、研究课题和技术路线、考核指标和预期成果、经费分配、项目管理六方面对“公约受控卤代烃减排成效评估和预测预警研究”项目进行了总体介绍，项目所面对的国家需求包括：（1）国家或地方是否遵守减排时间表的履约成效评估；（2）认识和预测ODS和HFCs排放对臭氧层和气候变化影响；（3）环境友好和经济有效的替代减排技术开发。项目下四个课题分别针对清单技术、监测技术、模型方法、减排技术开展研究，解决相应的科学和技术问题。华北电力大学吴婧副教授、复旦大学姚波研究员、中国环境监测总站袁懋正高级工程师、浙江省化工研究院张建君正高级工程师分别对四个课题的指标完成情况、主要研究成果和创新点及人才培养、组织管理和经费使用情况进行汇报。项目负责人及课题发言人（从左到右依次为：胡建信、吴婧、姚波、袁懋、张建君）专家组在听取课题汇报和审阅资料后，经过质询和论证，依次提出指导意见。专家组对项目及课题研究成果给予充分肯定，一致通过4个课题绩效验收。生态环境部大气司董文福处长指出项目为可持续履约提供了技术支持和部分技术解决方案，建议未来继续深化研究，支撑国家履约。项目组合影

2022年7月25日，中国仪器仪表学会近红外光谱分会发布了关于开展2022年度“创和亿杯近红外光谱数据建模竞赛”的通知。通知要求参赛者于2022年8月20日前完成并提交“参赛附表”，截至目前，近80人参加了本次竞赛。按照活动进程，中国仪器仪表学会近红外光谱分会正式公布2022年度“创和亿杯近红外光谱数据建模竞赛” 预测集实际类别值。点击下载：2022年度“创和亿杯近红外光谱数据建模竞赛” 预测集实际类别值.xlsx序号标签1D2D3D4D5D6D7G8G9G10G11G12G13G14G15G16G17G18G19G20G21G22G23G24G25G26A27A28A29A30A31A32E33E34E35E36E37E38E39E40E41C42C43C44C45C46C47C48C49C50C51C52C53F54F55F56F57F58F59F60F61F62F63F64F65F66F67F68F69F70B71B72B73B74B75B76B本次活动最终的获奖名单将于2022年9月15日前公布。根据参赛者提交预测结果的准确性，本竞赛将评选出一等奖1名，二等奖2名，三等奖5名，优秀奖10名。颁发电子版获奖证书和奖金，其中一等奖奖金2000元，二等奖奖金1500元，三等奖奖金1000元，优秀奖只颁发获奖证书。更多信息请查看：关于开展2022年度“创和亿杯近红外光谱数据建模竞赛”的通知

p　　监测行业是整个环保行业的基础。如果没有监测，就没有办法对水、气、土进行检测，无法评估环境防治效果以及监督污染源的整治。同时，国家如果想更好的掌握环境信息，就必须依靠自己所建设的环境监测网。也正是因为这个原因，从“十二五”期间开始，国家就重点打造自身的环境监测网络。总体而言，“十二五”期间国控监测网体系已经基本搭建完成，“十三五”的主要任务是进一步完善整个监测网体系，并且逐步向省市一级的监测网下沉。长远来看，监测网体系将会遍布行业各个环节。因此，环境监测是整个环境保护的基础。/pp　　环境监测细分板块众多，涉及到环保各个子领域。环境监测分环境保护监测和污染源监测。环境质量监测主要目的是考核环境保护成果以及环境质量，监测对象有大气监测、水监测、土壤监测和噪声监测。污染源监测主要目的是控制有害物质的排放量，监测对象有废污水监测、废气监测以及重金属监测。环境质量监测中，大气监测主要由国控点(以地级以上行政单位为主)开始逐渐下沉到省控点(以县级行政单位为主)以及农村空气监测。水质监测分地表水监测和地下水监测：地表水监测包括各大江河湖海、集中式水源地、近海海域等。主要由国家地表水质监测断面为主。地下水污染监测体系需要结合之前国土资源、水利工程等已有的地下水工程。主要工程参照《地下水污染防治规划》。土壤监测方式主要为土壤采样、实验室分析为主，环保部印发多篇文件规范土壤监测方法与技术。污染源监测中，废(污)水主要来自于生活污水和工业污水排放。生活污水监测也就是城镇污水监测主要监测城镇排水和污水处理系统。工业污水监测主要监测重点污染企业排放情况。废气监测以前主要是CEMS系统监测，后来增加了针对有机污染物的VOCs监测。主要来自工业废气排放企业的监测和布点。重金属的排放主要通过工业废水废气废渣的方法排放，因此重金属监测和现有的工业废(污)水、废气监测是紧密联系的。/pp　　“十二五”以及“十三五”期间，各项国家政策推动监测行业快速发展。但是在整个环保行业中，监测行业中监测的市场体量依旧比较小，还具有很大的发展空间。根据国家环境监测总站的数据，监测行业销售额从2011年的108亿上升到了2015年227亿，年复合增长率约16%。但是整体规模只相当于水务处理的8%，固废处理的15%。/pp　　2015年，监测行业销售额组成最大的来源是华东地区和华南地区，分别占32.4%和24.8%。这主要是由于首先华东、华南是重要的工业区，本身对于监控设备的需求就比较多。其次，华东华南是经济比较发达的地区，政府财政对于监控的投入也更大。监测行业中研发投入比重逐年增加。监控属于高壁垒高技术行业，目前国内市场中，高精尖设备依然掌握在国外仪器公司手中。随着国家环保力度加大，以及处于对环境数据安全性和降低成本的考虑，监测设备将会逐步国产化。因此，重视研发投入，掌握重要技术的监测公司未来将会获得更大机会。我们总结了国内监测行业几家上市公司的数据，公司的研发投入基本逐年递增。平均研发投入占营业收入的8%左右。近几年，研发投入的占比略微有些下降，主要原因是其销售收入大幅增加导致。/pp　　目前全国从事环境监测业务的企业共有约200家，大部分企业从事废气、废水、环境空气、地表水等在线自动监测系统的研制、生产、安装、运营(含集成商)。/pp　　其中，约有120家企业生产废气在线监测系统，约有80家企业生产废水在线监测系统。我国环境监测行业壁垒较高，垄断格局雏形已现，领先企业占据半壁江山。首先，作为技术密集型产业，环境监测行业技术门槛偏高，目前国内从事环境监测的企业仅有两百多家。高端过程分析仪器市场，大多被德国西门子、瑞士ABB、美国赛默飞世尔等外资企业所占领 内资企业如聚光科技、先河环保等，主要面向中低端过程分析仪器市场。/pp　　其次，在“十二五”期间，销售收入前十的企业市场占有率维持在60%左右，行业竞争格局已经基本形成。并且市场垄断占有率还在逐年提升。监测行业的毛利率基本保持在45%以上，相比水务处理、固废板块普遍30%左右毛利率而言高出很多，但是监测行业的毛利率正出现下跌情形。原因主要是行业内部竞争越来越激烈。随着竞争的加剧，行业内部的兼并收购将会愈演愈烈。恰逢行业本身具有较高技术壁垒，因此，对于国内的环境监测企业来说，未来的发展是机遇与挑战并存。/pp　　内资企业加大研发力度，提升产品核心竞争力。一方面，随着公众对于环境的改善的迫切需求以及政府对于环境保护各大政策的加码或者出台，环境保护以及环境监测的市场空间不断增大 另一方面，随着行业内竞争越来越激烈，行业中毛利润普遍下滑。在此情况下，本土企业想要保持竞争力，扩大市场份额必须加强自己的技术研发或者通过外延并购。保持技术不断创新，努力缩小与国外企业的技术差距，才是企业能够快速发展的条件。/pp　　截至2015年底，共建成全国环境空气质量监测点3360个，其中“国控点”1436个。我们统计了338家地级以上行政单位建成区面积，对照监测点城市设定要求，算得“国控点”数量应该在1400个左右，仅仅略小于1436个。根据环境统计公报数据，2013年至2015年底，“国控点”数量没有增加。因此我们认为“国控点”网络已经搭建完成。在“十三五”规划中，监测点增加主要来自于以县级行政单位为主的“省控点”网络。按照最新统计，全国共有县级行政单位2851家，平均人口为每县50万人，因此我们可以估算平均每一个县级行政单位需要架设2个空气质量检测点。根据2015年的环境统计公报数据显示，“国控点”之外已有空气质量检测点位1924个。因此可以推算，整个“十三五”规划期间(从2015年底算起)新增空气质量监测点增量约为3800个。我们对中国采招网2017年公布的空气监测站招标文件部分统计显示，大部分的空气监测站预算在120——160万之间。同时参考中国环境监测总站采购数据，平均一套自动环境空气自动监测设备约为120——150万。保守估计，我们用120万预算为基准，可以测算出“十三五”期间空气质量监测站增量空间总量大约为45亿，平均每年约9亿。/pp　　《国家空气监测城市站运行管理规定》明确：“原则上，以5-8年为一个周期进行设备的更新换代”。因此我们可以认为大部分的空气监测设备的更新期为设备运行第5年至第8年。根据环境监测总站的数据，我们可以推算出空气监测设备(不仅仅是监测站设备)将在2019年迎来大批量“换机潮”，每年需要更新设备总数将在1500台左右。根据我们上文总结预测的监测站的数量，国控站的更新换代已经开始，每年更换设备数量约为200套左右。省控点的布局还没有完成，我们预测“十三五期间”新增省控点3800个，原“十二五”期间省控点数量为1900余个。基于这些数据，我们认为“十三五”期间每年需要更新的省控点大约在300家左右。长远来看，“十三五”“省控点”网络建成之后，2020年之后的每年需要更新设备将突破700台。综合新增和更新设备，“十三五”期间空气质量监测站市场空间每年约13亿元左右。/pp　　根据《全国农村环境质量监测工作实施方案》，2017——2019年新增1695个村庄的环境监测，2020年之后新增5000余个村庄的环境监测工作。可以认为“十三五”期间平均每年新增农村站560余家。按照每台设备50——60万计算，“十三五”期间，农村空气质量监测市场增量为8.5亿元，平均每年2.8亿元。长远来看，农村空气质量监测市场增量空间为33.8亿元。/pp　　2015年环境统计公报数据显示，截至2015年底(“十二五”规划截止)，全国共有水质监测断面10147个，饮用水水源地监测4764个，近岸海域监测点894个。/pp　　其中国控断面点位972个，监测河流423条，水库62座。根据《“十三五”国家地表水环境质量监测网设臵方案》，“十三五”期间，为保证环境监测数据的历史延续性，原则上不再新设监测断面。同时，“十三五”期间地表水监测将对原有断面进行调整。调整之后，国控断面(点位)为2767个，监测河流1366条，湖库139座。/pp　　根据环保部2015年中国环境统计公报，全年废水排放量为735.3亿吨，比2014年增加2.7%。其中主要的废水排放量来自于城镇生活污水。2015年城镇生活污水排放量535.2亿吨，比2014年增加4.9%，占所有废水排放总量72.8%。工业废水排放量199.5亿吨，比2014年减少2.8%。/pp　　废(污)水污染及来自于生活污水排放，又有工业企业端的工业污水排放。废(污)水监测主要包括化学需氧量(COD)、氨氮监测为主。在工业源污水排放监测中还包括石油排放类、挥发酚类、氰化物以及重金属监测。/p

随着人工智能、大数据等技术的飞速发展，环境监测驶入了智慧监测时代。宝怡环境科技（上海）有限公司作为藻分类及水生态安全自动监测领域的领跑者，基于强大的数字孪生技术，针对当前水华频发的生态管理痛点，研发出国内首个蓝藻水华预报预警智慧系统。该系统以GIS为孪生数字基座，立足藻类生长4要素，结合三维网格化监测，耦合水质、水生态、水动力3大模型，实现了天地一体化高频监测及未来预测。系统涵盖实时监测、预报预警、历史查询、统计分析、水华告警以及系统设置六大智能模块。1、实时监测模块：沉浸式融合定点监控视频，剖面原位监测、岸基无人机、无人船动态视频信息展示了水域信息、水质水文监测站点、基础水质参数实时信息等物联数据，实现实时实景的精准现场态势掌控，全程可视化管控。2、预报预警模块：以GIS地图为基准，以动图形式展示未来72 小时水域水华风险等级，基础水域信息、水华未来3日预警报告以及磷酸盐浓度的变化，水域气温、风速风向、光照以及水温预测变化时序图。3、历史查询模块：用户可根据需求选定重点关注时间段、水域、监测点位以及监测因子，可直观了解选定历史时间范围内（最长选择时间；过去三年），不同监测因子变化时序图。4、统计分析模块：不对用户开放，仅开放给管理员，用于数据统计分析，以及优化模型等。统计分析板块分为水华统计、年历分析、同比环比统计以及预报分析四部分。5、历史查询模块：用户可以查看访问的水域的正在发生的水华告警信息、查询历史、不同点位，水华强度等级。通过智能分析数据，精准定位各类告警信息，做到日常管理时快速分析、直观掌控、实时处置，做好水华风险预报预警。6、系统设置模块：管理员可根据不同的用户需求，不同的水域、监测点位、监测设备等进行定制化数据展示。同时，管理员也可以在此界面进行水域基础信息管理，包括增删改查等。 宝怡环境研发的水华预报预警平台能够提前1-3天预测水华暴发的地点及规模（生物量及面积），协助生态管理者全方位监控水华相关数据信息，实现预报、预警、预演、预案的“四预”，帮助管理者提前防范，保障水质安全。宝怡环境以数字孪生技术赋能水华监测和科学决策，致力于成为水华预报预警技术应用的最佳实践者，开启智慧监测新篇章。

引言准确预测蛋白质-配体(在本文的语境中，配体意指小分子有机化合物)的结合构象是计算生物学中的一项重要任务。一方面，它有助于人们理解蛋白质与内源小分子或药物分子的互作机制。另一方面，在药物设计或药物筛选(无论是单个蛋白-多个配体的正向筛选，还是单个配体-多个蛋白的逆向筛选)的过程中，也离不开对复合物构象的准确预测：这是准确计算蛋白质-配体结合稳定性(亲和力)的必要条件。对于给定蛋白和给定配体分子，依据是否已知结合口袋(也称配体结合位点)可以将复合物构象预测任务分为两类：口袋未知的盲对接(blind docking)任务和口袋已知的局部对接(local docking)任务。其中，盲对接任务是更普遍的、更富有挑战性的任务。在传统的对接流程中，这一任务又被划分为几个子任务：先借助口袋搜索算法确定可能的结合位点(即，转化为局部对接任务) 再利用构象生成(采样)方法生成大量可能的复合物构象，并依据打分函数评价各个构象(即，进一步确定配体的位置、朝向，以及各个键对应的扭转角) 挑选出打分值最优者作为最终结果。但是，对接过程面临着打分函数不够准确、构象搜索空间巨大导致计算耗时过长等挑战。比如，对于后者，文献[1]计算结果表明：对于单个配体复合物的盲对接任务而言，借助GNINA和Glide这两款传统的对接软件，生成百万量级的复合物构象并从中挑选最优者，平均耗时分别约为150 s和1500 s。在巨型分子库的(如ZINC 15数据库，含有约数十亿个化合物分子[2])虚拟筛选过程中，使用传统方法逐一对接每个分子在计算速度上是不可接受的。而数据驱动的机器学习方法为优化各个子任务的准确性和计算效率带来希望。此外，同样基于机器学习方法，部分研究者发展出“端到端”的、更为直接的对接流程：训练一个拟合自由能面(free energy landscape)的模型，无需将原有的对接任务划分为多个子任务，以蛋白质与配体的三维结构为输入，输出即为可能的复合物构象。参照Anfinsen提出的蛋白质折叠热力学假说，可以设想：如果存在一个能量函数，能够将复合物在三维空间下的所有状态映射到它对应的自由能，那么可以将复合物构象预测问题转化为该能量函数的最优化问题[3]。这是机器学习拟合自由能面的出发点。与传统的对接方法相比，这样的方法也同样可能在准确性和计算效率等指标上得到提升。本文将针对口袋搜索、构象生成、打分函数、自由能面建模这四个方向：整理相应的评价体系，包括常用的评价指标或测试集 挑选并简要介绍部分具有代表性的机器学习模型 结合模型评估实验讨论当前模型或评价体系存在的不足以及未来可能的发展方向。1.机器学习口袋搜索 1.1 评价体系目前存在两种描述蛋白质-配体结合口袋的方式。其中一种方法借助蛋白质表面的点云(surface points)来描述。这种方法被称作以配体为中心(ligand-centric)的方法。另一种方法则借助蛋白质上的原子来描述，那些蛋白质上的、与配体重原子距离小于一定阈值的重原子被定义为配体结合原子。这种方法被称作以蛋白质为中心(protein-centric)的方法。这两种描述方法相应地衍生出两类评价指标。对于前者，通常以配体原子中心距(预测的口袋中心与配体任意原子的距离，distance between the center of the predicted site to any atom of the ligand，DCA)、配体中心距(预测的口袋中心与配体中心的距离，distance between the center of the predicted site to the center of the ligand，DCC)、体素交并比(预测的口袋体积与配体所占据的空间体积的交并比，discretized volume overlap，DVO)等指标来衡量[4][5]。直观上，在这三个指标中：DCA最为宽松(只需大致判断配体位置)，DCC更为严格(额外考察了配体大小)，DVO最为严格(额外考察了配体构象)。但在多数文献中，常使用DCA和DCC这两个指标，并以4 Å作为预测成功与否的阈值[4]。对于后者，Yan等人以原子水平的交并比(Intersection over Union)来衡量[6]。具体地，计算预测的配体结合原子与标注的配体结合原子的交集与并集的比值。这也是机器学习目标检测任务中的常用指标。1.2 模型方法目前发展的大多数口袋搜索算法，都是以搜索蛋白质表面点云为目标。例如Krivák等人于2015年提出的P2Rank[7]：刻画蛋白质Connolly点云中各个点的物化特征，并使用随机森林模型对每个点进行可靶性预测，最后对点聚类得到口袋预测结果。以DCA为评价标准，P2Rank在多个数据集上表现优于传统方法Fpocket。Krivák等人后续还提供了P2Rank的网络服务[8]，并对多种方法口袋搜索方法进行了更加全面的总结和比较，其中包括Jiménez等人于2017年开发的、使用3D网格(体素)刻画结合位点的DeepSite[9]。值得一提的是，在Krivák等人的结果中(测试数据集为COACH420、HOLO4K，评价指标DCC)，DeepSite表现不及Fpocket 而在Jiménez等人的结果中(测试数据集CHEN251，评价指标DCC、DVO)，DeepSite表现显著优于Fpocket。最近，Yan等人另辟蹊径，以鉴定蛋白质上的配体结合原子为目标，发表了PointSite方法[6]，并声称其在多个数据集上(包括COACH420、HOLO4K、CHEN251等等，以原子水平的交并比为评价指标)取得了SOTA。Yan等人将口袋搜索问题转化为计算机视觉领域的点云分割问题 此处的点以蛋白质上的原子表示，以充分挖掘原子之间的键连特征。此外，作者还指出：将PointSite方法引入到其它口袋搜索方法如FPocket、P2Rank中(具体而言，使用点云分割的结果对后者的预测结果进行过滤)，可以进一步提升配体结合位点的鉴定效果。1.3 讨论从以上几种方法的评估实验中可看出，模型在不同测试数据集上的相对表现可能存在差异，因此需要建立一套统一的、合适的数据集进行测试。另外，在训练数据集的准备过程中，将未鉴定到配体结合的位点直接划分为负样本也值得考量。2.2在具体使用建议上，最近有研究将口袋搜索方法引入到完整的对接流程中[10][11]，相较于FPocket、P2Rank等方法，PointSite表现最优。　　2. 机器学习构象生成 2.1 评价指标对于构象生成模型而言，需要考察所生成构象的多样性和准确性，由此分别衍生出两类指标：覆盖率(COV，coverage)和匹配程度(MAT，matching metrics)。针对测试集中的每一个构象：查看是否能够在生成的构象集合里找到RMSD值小于给定阈值的构象(如果能，则表示该模型能够覆盖当前测试构象)，可以计算得到覆盖率 计算生成的构象集合与当前测试构象的最小RMSD值，取平均可以得到匹配程度的值。以上是从测试集的角度衡量模型表现(召回率) 相应地，将测试集构象与生成集构象在计算中对调，则可判断模型的准确率。目前常见的测试数据集包括GEOM-QM9和GEOM-Drugs[12]。2.2 模型方法构象生成模型沿着两个思路发展：直接生成各个原子的3D坐标 先生成原子对距离、二面角等中间参数，再将分子3D坐标还原。对于前者，技术难点在于保证模型对于输入分子的旋转-平移不变性(整体改变分子坐标，得到的构象是相同的，也即对齐过程)。对于后者，则可能生成不合法的中间参数(比如违反三角几何关系)，或者中间参数的误差在训练过程中不断累积，影响分子3D坐标重构，需要进行后续的力场优化 但这是目前大多数方法所选取的道路。此处简要介绍最近发展的GeoDiff模型[13]和DMCG模型(Direct Molecular Conformation Generation)[14]。Xu等人于2022年提出GeoDiff，使用扩散模型直接生成原子坐标。GeoDiff在GEOM-Drugs数据集上测试集覆盖率可达约89%、匹配程度约0.86 Å，并且经过力场优化之后可以进一步提升模型表现。作者指出：在逆向扩散过程中(生成过程)，如果某一时刻T的密度函数具有旋转-平移不变性，且逆向生成的条件概率函数具有旋转-平移不变性，则T时刻以前任意时刻的密度函数也具有旋转-平移不变性。同年， Zhu等人提出基于变分自编码器的DMCG模型，在GEOM-QM9和GEOM-Drugs数据集上均取得最优(对于后者，覆盖率约96%，匹配程度约0.70 Å)。作者指出：模型除了满足旋转-平移不变性外，对于对称结构还应当满足置换不变性(交换对称原子的坐标，得到的构象是相同的)。为此，计算任意旋转-平移操作以及对称原子置换操作下的两个结构的距离最小值，并将其引入损失函数中，以满足以上两种不变性。消融实验表明，如果不考虑这一项损失，则覆盖率将下降约20个百分点，匹配程度将提高约0.3 Å。2.3 讨论今年3月，Zhou等人[15]基于RDKit设计了一种简单的生成算法：使用RDKit分别采样二面角、采样几何片段、采样能量并生成相应的构象，随后按照能量大小进行聚类。在GEOM-QM9和GEOM-Drugs两个数据集上，与GeoDiff、DMCG等深度学习方法相比，该算法几乎在所有指标上取得SOTA。作者认为，目前的测试基准不足以覆盖实际应用中(如分子对接中)涉及的构象生成任务。　　事实上，生成足够的分子构象不会降低测试构象集上的匹配程度和覆盖率(召回率)，但可能降低生成构象集的相应指标(查准率)。而Zhou等人(包括Zhu等人的DMCG)并未在文中给出关于后者的模型评价，因此模型的实用性仍有待考察。另外，目前的构象生成方法均以单个配体的势能极小值作为优化目标，针对(已知口袋的)复合物中配体的构象生成模型仍有待开发。最后，GeoDiff模型与DMCG模型的发展也启示我们挖掘任务目标中蕴含的性质(对称性、不变性)，在模型训练中引入合适的归纳偏置。　　3. 机器学习打分函数3.1 评价指标Su等人[16]于2019年建立了一套打分函数的基准测试数据集CASF-2016。CASF-2016及其前身CASF-2013已被广泛用于评估打分函数的表现。同时，Su等人设计了四类指标分别考察打分函数的打分能力、排名能力、对接能力和筛选能力。打分能力通常以Pearson相关系数来衡量：考察天然蛋白复合物的计算打分值与实验结合常数的对数之间的线性相关性。排名能力通常以Spearman等级相关系数或Kendall等级相关系数来衡量：对于同一蛋白、不同配体的多个天然蛋白复合物结构，考察计算打分值给出的排名与实验结合常数给出的排名之间的匹配程度。对接能力以对接成功率衡量：对于单个复合物，在天然配体结合构象和一系列计算生成的诱饵分子构象(decoy)中，若计算打分最高者与真实结合构象的RMSD小于2 Å，则认为对接成功 对于多个复合物，进一步计算对接成功率。筛选能力以筛选成功率衡量：在天然配体和一系列其它配体分子中，计算打分前1%(5%、10%)结果里包含天然配体的比例。由此可见，打分能力直接以实验数据作为参考，是评估打分函数是否可靠的基本测试。排名能力是对打分能力的补充。打分能力越好，排名能力通常也越好 反之则未必成立(存在对实验结合常数进行非线性拟合的打分函数)。对接能力测试将计算生成的构象引入测试集中，因此更贴近实际对接操作、对于打分函数的选择更具参考意义。需要指出的是，对接能力测试给出的结果通常只能代表该打分函数的对接能力上限，在CASF-2016的测试中可能呈现分数虚高的情形(在测试中能够以90%的成功率在top-1中挑选出天然配体构象，但在实际应用中却不能达到这一表现)。这主要归结于实际应用中计算生成的构象不够充分。筛选能力涉及多种配体的对接，因此可视为对排名能力和对接能力的综合考察。3.2 模型方法针对打分函数的机器学习方法，前人已给出详尽的综述[17][18][19]。本文将展开介绍经典的ΔVinaRF20打分函数[20]，以及最近发展的DeepDock[21]和RTMScore[22]。ΔVinaRF20由Wang等人于2016年提出，在CASF-2013、CASF-2016测试集上的各指标中均排名靠前[16][20]。具体地，在CASF-2016测试集上，ΔVinaRF20在打分能力和排名能力两个指标上分别以0.82和0.75取得最优，在对接能力上以89.1%(top1)仅次于Autodock Vina(90.2%)，在正向筛选能力以42.1%(top1)取得最优、逆向筛选能力以15.1%(top1)位居第五(次于最优方法ChemPLP@GOLD约2.4%)。Wang等人指出：机器学习打分函数与经典的打分函数在这些指标中各有所长，前者长于打分，后者长于对接和筛选。因此作者拟结合二者优点：一方面对训练集进行数据增强，将计算生成的诱饵结构引入训练集中(同时计算估计亲和力作为标签)，以提高机器学习打分函数的对接和筛选能力 另一方面使用随机森林方法对AutoDock Vina中的打分函数进行参数化修正(使用Δ-machine learning方法，类似残差拟合)。Méndez-Lucio等人于2021年提出的DeepDock方法在CASF-2016的正向筛选和逆向筛选能力评估中分别以43.9%和23.9%取得SOTA，但DeepDock给出的打分值与实验结合常数的对数之间不存在相关性(在训练过程中未引入实验结合常数的相关信息)。DeepDock方法使用二维分子图刻画配体、多面体网格点刻画蛋白质口袋(参考了MaSIF的编码框架[23])，分别学习蛋白质口袋与配体原子的节点表示 随后两两组合配体和靶蛋白的节点形成节点对，使用混合密度函数拟合节点对的距离分布(概率密度函数)。作者指出：相较于通过最小化距离误差来学习节点对距离的平均值，混合密度函数能够学习训练集中节点对多个可能的距离，从而更好地刻画构象预测任务中的多值特性。在DeepDock的基础上，Shen等人从两方面进行改进得到RTMScore：一方面，使用无向图编码蛋白质口袋残基，在编码过程中满足对于输入复合物坐标的旋转不变性 另一方面使用Graph Transformer模型以学习更深层次的特征。作者声称RTMScore在CASF-2016测试集上的对接能力和筛选能力达到SOTA，相较DeepDock得到大幅提升：对接成功率达到98.6%，正向筛选成功率达73.7%，逆向筛选成功率达38.9%。3.3 讨论DeepDock等方法的发展展现了图模型在捕获蛋白质-配体互作的潜力，以及直接拟合蛋白残基-配体原子距离似然函数的有效性。事实上，距离似然函数不仅能作为打分函数评估当前构象，还能够作为某种“势能面曲线”指导构象优化。此外，这些新近提出的DeepDock等方法有待更广泛的测试验证。在其它论文的评估实验中[24]，RTMScore在对接能力中依旧表现最优。但考虑到缺少打分能力、排名能力等测试数据，后续仍需要更多的测试评估(尤其是将打分函数整合到完整的对接流程中)以验证这些方法的可靠性。　　4. 机器学习自由能面4.1 评价体系拟合自由能面的模型直接处理盲对接任务，生成复合物构象。其中存在两类评价指标。一类指标评估计算准确性。通常以预测复合物(如果模型给出多个可能的构象，则选取打分值top-1者)中配体重原子RMSD小于2 Å所占的比例来衡量模型对接能力。一般以2 Å作为对接成功与否的判断阈值[10]。还有通过配体质心距离小于2 Å(或5 Å)所占的比例来考察模型是否能够找到正确的结合口袋。此外，为判断生成的配体构象在化学上是否合理，Corso等人额外考察了配体构象中存在位阻冲突(steric clash，配体内部重原子之间的距离是否小于0.4 Å)的比例。另一类指标评估计算效率 这在大型分子数据库的虚拟筛选过程中同样不可忽视。以对接一个分子所需的平均CPU(如果可能，使用并行加速)或GPU时间来衡量。4.2 模型方法拟合蛋白质-配体自由能面的机器学习方法最近得到逐步发展，代表性的方法包括EquiBind[1]、TANKBind[25]、DiffDock[10]。Stärk等人于2022年提出基于图几何深度学习的EquiBind方法，在机器学习方法直接预测蛋白质-配体结合构象这一问题中做出开创性贡献。该方法以随机的配体分子构象(比如使用RDKit生成的构象)作为输入，无需经过大规模的构象采样即可在约0.1 s的时间内给出复合物结构。由此给出的结构在寻找结合口袋的能力上与传统方法(如QuickVina-W)相当(配体质心距小于2 Å的比例均约40%)，但在配体结合构象的预测上却表现不佳(配体RMSD小于2 Å的比例约6%，不及QuickVina、GLIDE等方法所达到的约20%)。虽然可以在该结构的基础上结合传统方法进一步微调配体位置和构象，但将增加预测所需的时间成本至数十秒或数百秒。同年，Lu等人提出TANKBind。相较于EquiBind，在保留推理速度(约0.5秒)的同时，TANKBind在配体构象预测上取得和传统方法相当的结果(配体RMSD小于2 Å的比例约19%)，口袋预测能力则获得较大提升(配体质心距小于2 Å的比例约56%)。不同于EquiBind对整个蛋白质进行编码的方法，TANKBind采用P2Rank寻找口袋位置，随后针对该位置的蛋白质区块(由半径20 Å内的残基构成)，拟合蛋白质残基与配体原子的距离。此外，受AlphaFold2的启发，TANKBind将三角几何约束引入残基与配体原子的距离建模中。消融实验表明，三角几何约束可以显著提升模型表现：配体RMSD小于2 Å的比例提升约15%，配体质心距小于2 Å的比例提升约12%。同年十月， Corso、Stärk等人提出DiffDock模型。该模型在对接准确性上首次实现了对传统对接模型的大幅超越。在holo态的蛋白晶体对接结果中，配体重原子RMSD小于2 Å所占的比例可达到38.2%，约为传统方法的两倍。这一结果对应于40次采样，消耗计算时间约40秒。与DeepDock想法类似，DiffDock使用生成模型来学习构象的概率分布并建立了一套相应的“扩散”方法(构象采样方法)。4.3 讨论今年2月，Yu等人[11]重新设计实验，考察了DiffDock等机器学习模型在盲对接任务中的哪一阶段领先传统方法、领先到何种程度。作者将盲对接任务拆分为口袋搜索和局部对接两个子任务，设计了三组实验：完全使用DiffDock等模型完成盲对接 使用其它方法搜索口袋(如前文所述的PointSite、P2Rank)，使用Uni-dock[26](一种基于AutoDock Vina 1.2的GPU加速对接方法)局部对接 使用DiffDock搜索口袋，使用Uni-dock局部对接。结果表明：DiffDock方法在口袋搜索中效果更佳(相较于PointSite等方法而言，引入了配体分子的结构信息)，但与ground truth、即表中的GT pocket相比仍存在提升空间 口袋确定，传统对接手段得到的结果优于DiffDock等机器学习模型。作者进一步指出：给定口袋下预测蛋白质-配体构象的机器学习方法是后续发展的方向(正如机器学习构象生成中所讨论的) 对于端到端的模型比较实验中，需要更审慎地评估传统方法的表现。另外，随着蛋白质结构预测方法的发展，评估模型在apo态蛋白质上的对接表现是有必要的，也是更符合实际情形的。事实上，目前几种模型所使用的训练集均为holo态蛋白(缺乏足够数量的与holo态对应的apo态蛋白结构)。为泛化模型的对接能力至apo态蛋白结构，通常采取折中方案：假定apo态与holo态的主链变动不大，而在模型编码过程中只使用主链碳原子的信息。DiffDock论文中首次评估了各种方法在ESMFold给出的蛋白质结构上的对接能力。结果显示，各模型的对接表现均显著下降(对于DiffDock而言，配体重原子RMSD小于2 Å所占的比例从38.2%下降至20.3%)。机器学习方法建模对接过程中蛋白质的结构变化仍然道阻且长。将分子动力学模拟过程中产生的动态信息引入模型中也许是一种可能的突破方向[27]。最后，正如AlphaFold2可作为打分函数评估蛋白质结构是否合理[3]，DiffDock等拟合自由能面的模型，其在打分函数的各项评价指标中表现如何也值得进一步探究。　　参考文献　　[1] Equibind: Geometric deep learning for drug binding structure prediction　　[2] Artificial intelligence–enabled virtual screening of ultra-large chemical libraries with deep docking　　[3] State-of-the-Art Estimation of Protein Model Accuracy Using AlphaFold　　[4] A Critical Comparative Assessment of Predictions of Protein-Binding Sites for Biologically Relevant Organic Compounds　　[5] Improving detection of protein-ligand binding sites with 3D segmentation　　[6] PointSite: A Point Cloud Segmentation Tool for Identification of Protein Ligand Binding Atoms　　[7] P2RANK: Knowledge-Based Ligand Binding Site Prediction Using Aggregated Local Features　　[8] P2Rank: machine learning based tool for rapid and accurate prediction of ligand binding sites from protein structure　　[9] DeepSite: protein-binding site predictor using 3D-convolutional neural networks　　[10] DiffDock: Diffusion Steps, Twists, and Turns for Molecular Docking　　[11] Do Deep Learning Models Really Outperform Traditional Approaches in Molecular Docking?　　[12] GEOM, energy-annotated molecular conformations for property prediction and molecular generation　　[13] GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation　　[14] Direct Molecular Conformation Generation　　[15] Do Deep Learning Methods Really Perform Better in Molecular Conformation Generation?　　[16] Comparative Assessment of Scoring Functions: The CASF-2016 Update　　[17] Machine-learning methods for ligand-protein molecular docking　　[18] Protein–Ligand Docking in the Machine-Learning Era　　[19] From machine learning to deep learning: Advances in scoring functions for protein–ligand docking　　[20] Improving scoring-docking-screening powers of protein–ligand scoring functions using random forest　　[21] A geometric deep learning approach to predict binding conformations of bioactive molecules　　[22] Boosting Protein–Ligand Binding Pose Prediction and Virtual Screening Based on Residue–Atom Distance Likelihood Potential and Graph Transformer　　[23] Deciphering interaction fingerprints from protein molecular surfaces using geometric deep learning　　[24]: A fully differentiable ligand pose optimization framework guided by deep learning and a traditional scoring function　　[25] TANKBind: Trigonometry-Aware Neural NetworKs for Drug-Protein Binding Structure Prediction　　[26] Uni-Dock: GPU-Accelerated Docking Enables Ultralarge Virtual Screening　　[27] Pre-Training of Equivariant Graph Matching Networks with Conformation Flexibility for Drug Binding　　本文作者：ZF责任编辑：WFZ

p　　5月12日，国际权威杂志JAMA发表了名为“Development and Validation of a Clinical Risk Score to Predict the Occurrence of Critical Illness in Hospitalized Patients With COVID-19”的论文，该论文通讯作者为广医一院呼研院钟南山院士与何建行教授，第一作者为梁文华副教授。/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/202005/uepic/ed3e165b-f570-4bdf-952b-44bfdc545663.jpg" title="news0514 pic1_600.jpg" alt="news0514 pic1_600.jpg"//pp style="text-align: center "strong论文截取页面/strong/pp　　论文团队对31个省级行政区的575家医院的1590例新冠肺炎患者建立了回顾性队列研究分析。运用LASSO和COVID-GRAM模型从流行病学、临床、实验室和影像学变量角度对这些患者的72个临床变量进行筛选，对缺失值小于20％的变量进行归类，并运用预测均值匹配、贝叶斯多元回归等算法最终从中发现了10个关键的独立风险因子。该团队根据每个风险因子的权重，构建出新冠肺炎危重症预测模型。/pp　　统计显示，6%-8%的确诊新冠肺炎患者可能发展为危重症，进入ICU治疗。钟南山院士团队基于全国1590例新冠肺炎患者，通过对72个临床因素进行筛选，发现了10个关键的独立风险因子，分别为：胸部X光异常 、年龄、咯血、气促、意识丧失、基础疾病数量、既往肿瘤病史、中性粒细胞与淋巴细胞比值、乳酸脱氢酶和直接胆红素。研究人员根据每个风险因子的权重，构建了多因素预测模型。经过内部验证，模型的准确度达到88%。此外，研究团队还在2020年2月20日至2020年3月17日分别对在来自武汉、大冶、佛山多家医院共710例患者中做了外部验证，结果准确性在88%-98%之间。/pp　　据介绍，该预测模型能够为每一位患者提供个体化的预测概率。根据该团队的研究数据，低危组后续发展为危重症的风险为0.7%，而高危组则高达59.3%，为了方便全球广大医生及患者，该研究团队还构建了免费访问的中英文版网页预测工具(http://118.126.104.170/),可供广大医务工作者查询参考。预计该模型可服务于就诊时的分流处理，提高医疗资源分配的效率。/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/202005/uepic/4f55d13a-b31c-4710-90a0-8bbecbbed346.jpg" title="news0514 pic2_600.jpg" alt="news0514 pic2_600.jpg"//pp style="text-align: center "strong中英文版网页预测工具页面/strong/p

p style="text-indent: 2em "12 月 1 日，谷歌旗下的 DeepMind 公司宣布，其strong新一代 AlphaFold 人工智能系统/strong在国际蛋白质结构预测竞赛（CASP）上击败了其余的参会选手，strong精确预测了蛋白质的三维结构/strong，strong准确性可与冷冻电子显微镜（cryo-EM）、核磁共振或 X 射线晶体学等实验技术相媲美。/strong/ppbr//pp style="text-indent: 2em "（详见《解决生物学 50 年来的重大挑战！生物界「AlphaGo」精准预测蛋白质结构》）这一消息引发了全球媒体关注，前 Genentech 首席执行官 Arthur D. Levinson 博士盛赞这一成就是strong「划时代的进步」/strong。/ppbr//pp style="text-indent: 2em "人工智能的「进击」对生物学、对其他学科会有什么影响？网络上有人提出：strongAI 都能解蛋白质结构了，结构生物学家是不是该失业了？/strong/ppbr//pp style="text-indent: 2em "《返朴》总编、结构生物学家颜宁特邀几位同仁对这一新闻各抒己见， 回答大家的疑问。/pp style="text-align: center text-indent: 2em "img style="max-width: 100% max-height: 100% width: 558px height: 618px " src="https://img1.17img.cn/17img/images/202012/uepic/73bb911a-86ca-490b-a90a-f01fb76aa418.jpg" title="微信图片_20201204191414.jpg" alt="微信图片_20201204191414.jpg" width="558" height="618"//pp style="text-align: center text-indent: 2em "span style="font-size: 12px "by Asier Sanz | https://asiersanz.com//span/ppbr//pp style="text-align: center text-indent: 2em "strongAlphaFold2 是个大突破，但我们还有努力的方向/strong/ppbr//pp style="text-align: center text-indent: 2em "张阳/pp style="text-align: center text-indent: 2em "（ITASSER 创造者，美国密歇根大学教授）/ppbr//pp style="text-indent: 2em "AlphaFold2 显然是蛋白质结构预测领域的重大突破。这可能是从 1969 年第一篇 Journal of Molecular Biology 用比较建模方法预测蛋白质结构发表 51 年以来最大的突破。/ppbr//pp style="text-indent: 2em "这个领域过去 20 年来，进展一直比较缓慢，但最近几年，随着共同进化、接触图预测以及引入深度学习之后，很多软件，比如 I-TASSER 和 Rosetta 等，都有了很大进步。/ppbr//pp style="text-indent: 2em "就 I-TASSER 来讲，两年前在第 13 届 CASP（CASP13）时，它能够正确预测的非同源蛋白数目比其六年前在 CASP11 上提高了 5 倍。这次 CASP14 也比 CASP13 的预测能力提高了很多。但 AlphaFold2 这次比上次进步更大，和两年前的上一个版本相比， AlphaFold2 的主要变化是直接训练蛋白质结构的原子坐标，而不是用以往常用的、简化了的原子间距或者接触图。/ppbr//pp style="text-indent: 2em "传统上，蛋白质结构预测可以分成基于模板和从头预测，但是 AlphaFold2 只用同一种方法 —— 机器学习，对几乎所有的蛋白质都预测出了正确的拓扑学的结构，其中有大约 2/3 的蛋白质预测精度达到了结构生物学实验的测量精度。这说明，至少是在单结构域的蛋白结构，他们接近解决了这个问题。/ppbr//pp style="text-indent: 2em "谷歌这次为什么能够取得如此大的成功？/ppbr//pp style="text-indent: 2em "这首先与它们拥有强大的人力和计算资源有关。/ppbr//pp style="text-indent: 2em "计算机上，他们使用 TPU（据他们的宣传是比 GPU 快 15 倍），学术界的实验室只有 CPU 或者 GPU，而很多实验室都还没有 GPU。他们对媒体宣传中说 Alphafold2 最后只用相当于 100 个 GPU 的资源训练了两周就产生了最后的模型，学界大多数实验室都可以做到，这是不客观的。因为产生一个新的想法，到训练成功的模型，中间起码要反复测试重复 100 次甚至 1000 次。这就像吃了十个馒头的饿汉一 样，不能说吃了最后一个馒头吃饱了，就觉得只吃最后一个馒头就够了。/ppbr//pp style="text-indent: 2em "另外，他们可以高薪招聘大量专业人才，集中精力攻关一件事，不需要担心基金申请、教学和学生毕业论文等等。这些人力和计算资源上的差别是谷歌 DeepMind 这样的工业研究机构比起学术界在攻关科学或者工程问题上的最大优势。/ppbr//pp style="text-indent: 2em "当然，学术界在蛋白质结构预测这么多年的积累，也给 AlphaFold2 的成功奠定了基础。/ppbr//pp style="text-indent: 2em "我自己很高兴他们取得了这么大突破。这个工作首先证明了蛋白质结构预测问题是可以被解决的。这其实不是一个简单的问题，因为蛋白质结构和序列的复杂关系，常常让人们 —— 特别是做结构预测的人 —— 怀疑，蛋白质折叠这个问题是不是可解， 或者有没有唯一解。/ppbr//pp style="text-indent: 2em "我们在 15 年前的一篇 PNAS 论文中提到，用 PDB 库中的模板，在理论上可以解决 “单结构域蛋白质结构预测” 这个问题，但那是一个基于模板的传统解法， 难点是如何找到最好的模板。谷歌他们这次用「暴力」的机器学习，「暴力」地解决了这个问题。这个做法的成功会对很多相关领域都产生深远影响。/ppbr//pp style="text-indent: 2em "有人说这个 AlphaFold2 会让很多相关行业的人失业。我认为恰恰相反，它给很多领域提供了解决问题的新途径和新思维，因而会极大推动相关领域的发展，因此会产生更多更大的机会。即便是在蛋白质结构预测这个相对较小的领域，我们还有很多事情要做。/ppbr//pp style="text-indent: 2em "AlphaFold2 这次只有 2/3 的蛋白预测做到实验精度，还有 1/3 做不到，是否还有更快更好的途径来产生更高精度结构的算法？基于商业或其它考虑，我相信谷歌可能不会公开代码或 Server。/ppbr//pp style="text-indent: 2em "所以，最终可能还得学术界的同行共同努力，完善和推广这一技术，让其真正惠及生物医学研究以及普通公众的健康需求。/ppbr//pp style="text-align: center text-indent: 2em "strong共赢大于竞争/strong/ppbr//pp style="text-align: center text-indent: 2em "龚新奇/pp style="text-align: center text-indent: 2em "（中国人民大学数学科学研究院教授，清华大学北京结构生物学高精尖中心合作研究员）/ppbr//pp style="text-indent: 2em "2020 年第 14 届国际蛋白质结构预测竞赛（CASP14）共有 84 个常规（Regular）题目，其中有 14 个题目因为生物实验没给出确定结构等原因被取消或延缓，其他 70 个题目的单体和复合物蛋白质所含有的氨基酸个数从 73 到 2180 不等。/ppbr//pp style="text-indent: 2em "19 个国家的 215 个小组参加了 CASP14。最终，谷歌旗下 DeepMind 公司的人工智能系统 AlphaFold2 在 2018 年的 Alphafold 基础上迭代创新，超常发挥，一枝独秀，基本解决了「从氨基酸序列预测蛋白质结构」这个困扰人类 50 年的生物学第二遗传密码问题。/ppbr//pp style="text-indent: 2em "AlphaFold2 的成功表现在三个方面：/pp style="text-indent: 2em "1.不少结构的预测精确度跟实验晶体结构相当，可以替代晶体结构；br//pp style="text-indent: 2em "2.一些含有多个结构域的复杂超长的单链结构也达到了可以跟实验结构比较的程度；/pp style="text-indent: 2em "3.帮助解析了竞赛中涉及到的、实验多年没拿到的 X 射线晶体和 cryo-EM 冷冻电镜结构，比如 T1058 的膜蛋白是用了 Alphafold2 的预测模型之后，才跟原有晶体学数据综合成功解析了结构。br//pp style="text-indent: 2em "AlphaFold2 团队的 John Jumper 报告表明，他们使用了基于注意机制的神经网络，动态调整网络中节点的顺序和链接；依靠的是端到端的优化整体构建结构，而不是氨基酸距离；网络中内置了大量的序列、结构和宏基因组等多重比较信息；还依赖分子模拟软件优化去掉了原子的堆积碰撞。/ppbr//pp style="text-indent: 2em "在 AlphaFold2 的摘要作者名单里，交叉团队的 30 位作者中有 19 位都被标记为相同贡献的第一作者。他们将近 8 分钟的宣介视频，记录了团队成员在新冠疫情期间精诚合作、攻坚克难的宝贵场景。/ppbr//pp style="text-indent: 2em "CASP 组织者 John Moult 指出，计算下一步还有更困难的问题要解决：超大复合物结构、动态构象变化、蛋白质设计、药物设计等等。/ppbr//pp style="text-indent: 2em "除了我们蛋白质结构预测小同行对 AlphaFold2 的成功很欣喜之外，社会上还有多个不同方向的学术界、产业界和新闻界对它寄予了厚望。/ppbr//pp style="text-indent: 2em "在欣喜的同时，蛋白质结构预测小同行也有一些保留意见：/pp style="text-indent: 2em "1.工程化明显，依赖于强大的 GPU 计算资源和代码优化团队；br//pp style="text-indent: 2em "2.谷歌公司几乎可以收集全球所有网络信息，虽然看起来 AlphaFold2 的自动化程度很高，但他们在人工操作中使用了哪些信息值得关注；/pp style="text-indent: 2em "3.预测对了结构，但不等于明白了蛋白质折叠过程和原理。/ppbr//pp style="text-indent: 2em "strong生物实验科学家也有不少看法：/strong/pp style="text-indent: 2em "1.算出结构只是生物学规律发现的第一步；/pp style="text-indent: 2em "2.计算的多个 models 中，有时打分排序不准；/pp style="text-indent: 2em "3.开放 AlphaFold2 的 server 之后，使用效果不一定那么好；/pp style="text-indent: 2em "4.只是在已有蛋白质结构数据集上训练得到的模型，尚不能计算其它构象或其它类别的分子结构。/pbr/p style="text-indent: 2em "还有关心这个领域的其他方向的专家也提出了问题：怎么理解这个算法成功的原理？怎么跟原有的热力学、物理学等基本原理相融相通？/ppbr//pp style="text-align: center text-indent: 2em "我认为 AlphaFold2 是个大突破，后续可能性很多，会替代一些简单的结构生物学实验，但对当下科学家追求的前沿生物学来说，共赢大于竞争；对生物学、数学和计算机学等学科而言，则会带来新的机遇。br/br/strong技术服务于科学探索，结构生物学早就进入新时代/strongbr/颜宁/pp style="text-align: center text-indent: 2em "（美国普林斯顿大学雪莉?蒂尔曼终身讲席教授，美国科学院外籍院士）/ppbr//pp style="text-indent: 2em "首先，简单说一下，什么是生物学里的「结构」。/pbr/p style="text-indent: 2em "用个不太恰当的类比：变形金刚。比如擎天柱是辆车还是个机器人，这就是不同的结构了，机器人能打架大车做运输，功能也不一样。而不同的汽车人组成成分可能差不多，都有合金、玻璃、橡胶，但是形态各异，特长也不一样。br/生物分子的组成成分和基本单元就那么几种，但是组装起来，不同的序列不同的结构，于是功能各异、五花八门。这个结构不是静止的，每一个生物大分子基本都像个小机器，比变形金刚更复杂、更变化多端。/ppbr//pp style="text-indent: 2em "因为结构决定了生物大分子的功能，所以解析高分辨率结构在过去几十年一直是理解生物大分子工作机理最有力的工具。但是一直以来，因为技术局限，对于绝大多数生物大分子的结构解析困难重重。所以，一批科学家另辟蹊径，试图在已有的知识基础上，绕开劳心劳力又劳财的实验步骤，从蛋白质的序列直接通过计算预测出它们精准的三维结构。/ppbr//pp style="text-indent: 2em "蛋白结构预测并不是一个新鲜学科，一直以来就是结构生物学的一个分支，很多科学家不断开发算法，希望根据序列预测出来的结构越来越准确。br/这个领域在过去十几年进步迅速，并且与实验结构生物学融合度越来越高。比如，自从进入电镜时代，看到一堆黑白灰的密度，如果其中某些部分没有同源结构，通过软件预测一个大致的结构模型，放到密度图里面做框架，再根据实验数据调整，已经是个常规操作。/ppbr//pp style="text-indent: 2em "这次人工智能赢得 CASP 的新闻亮点有两个，一是 AI，二是准确度高。这确实是突破，但是有了两年前的新闻（注：2018 年，DeepMind 开发的第一代 AlphaFold 首次参加 CASP 并且拔得头筹）做铺垫，现在这次委实是意料之中。br/至于衍生出来的所谓「结构生物学家都要失业了」的调侃 —— 如果你对结构生物学的理解还停留在 20 年前，那这么说也不是不行。但是结构生物学自身一直在发展着，一场冷冻电镜的分辨率革命更是令结构生物学不同往日了。br/我在 2015 年主持一个学术研讨会的时候曾经评论过：结构生物学的主语是生物学，是理解生命、是做出生物学发现。br/但是，在 X - 射线晶体学为主要手段的时代，获得大多数研究对象的结构本身太难了，于是很多研究者把「获得结构」本身作为了目标，让外行误以为结构生物学就是解结构。但我从进入这个领域之初，就被教育得明明白白：结构本身只是手段，它们是为了回答问题、做出发现。而电镜使得「发现」二字尤为突出。br/br/看到结构本身、知道你的研究对象长啥样，倒也可以称之为发现，但我刚刚说的「发现」，特指那些超乎想象的、通过结构才揭示出来的、自然界里神奇的存在或者令人叹为观止的机理。/pbr/p style="text-indent: 2em "我讲课最喜欢举的例子之一就是施一公组的剪接体结构。为啥呢？因为它集合了结构生物学发现里几乎所有的精彩要素和挑战。br/br/第一，在剪接体结构出来之前，有很多剪接体的组分甚至是未知的。不同于传统的结构生物学，先知道你要研究对象是啥，再吭哧吭哧地去把它们的结构解出来 —— 剪接体的电镜分析是看到了密度图之后，完全不晓得这是啥，需要通过质谱等手段去鉴定组分。我从 2015 年就预测：电镜与质谱组合，将会变成一个重要的生物学研究发现手段。在电镜时代，这样的例子越来越多。比如清华大学隋森芳老师组的那个巨大的藻胆体结构，靠质谱都不够了。为了搞明白组分，他们甚至先做了基因组测序。br/br/第二，几十上百个蛋白如何众星捧月地把那么几条貌似简单的 RNA 掰成与几个小小的金属离子配合的核酶反应中心，在茫茫碱基中，在正确的时间正确的地点牵线搭桥，剪掉 intron（内含子），连接 exon（外显子）？就为了这一「剪子」 一「钩针」，为了几毫秒的过程，这么个庞然大物的几十上百个组成部件却要分分合合，这个过程是真神奇。/ppbr//pp style="text-align: center text-indent: 2em "img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/202012/uepic/72bc97e7-d254-461b-b199-1156f73a37c8.jpg" title="微信图片_20201204191624.jpg" alt="微信图片_20201204191624.jpg"//pp style="text-align: center text-indent: 2em "span style="font-size: 12px "施一公实验室报道的首个酵母剪接体的结构/span/pp style="text-align: center text-indent: 2em "span style="font-size: 12px "（图源：生物化学经典教材 Lehninger Principles of Biochemistry（第七版）封面）/span/pp style="text-align: center text-indent: 2em "span style="font-size: 12px "br//span结构生物学目前的实验手段只能获得静止的 3D 照片，为了揭示这部电影，就要不断获得中间态的 3D 照片，帧数越多，电影越精准。但即便如此，这个过程中的动力学问题，简单说，就是变化速度，依旧不是现在的结构生物学实验手段可以揭示的，需要借助更多生物物理技术、计算生物学手段去探索。br/我自己的工作虽然没有剪接体那么酷炫，但是电压门控钠离子通道如何感受膜电势的变化，开门关门，就这么个过程，听着简单，我们死磕三年了，依旧束手无策。另外，我们今年发的两篇 PNAS 论文其实代表了结构生物学的另一个努力方向：在实验操作过程中对生物大分子施加外力（电场、磁场、各种长度的波......）。br/也许是受到我自身专业领域的局限，AlphaFold 迄今带给我的震撼还赶不上冷冻电镜的革命，后者将我们从技术挣扎中解放出来，可以专注于结构带来的生物学发现本身。br/br/AlphaFold 目前最成功的预测是针对单链分子，当然将来预测复合物的高精结构也应该不在话下。相比于对蛋白折叠的贡献，我倒是更希望 AI 能够助力 Molecular Dynamics Simulation（分子动力学模拟）。对结构生物学而言，这个领域才是亟需进步的。br/br/我个人认为生命是地球上最神奇的存在，那么多未知要探索，任何一次技术进步都是契机。该考虑的是如何把新技术为我所用，去问出、去探索更有意思的问题。br/最后，当 AI 能够成功预测我们正在孜孜以求的生物大分子动态、原位高分辨率结构的时候，那失业的一定不止是结构生物学家、或者生物学家了 :pbr/br/strong各抒己见/strong/pp style="text-indent: 2em "strongbr//strong根据现在披露的结果，AlphaFold2 已经基本达到实验解析结构的精度。前天 AlphaFold2 团队的报告展示了新冠病毒 SARS-COV-2 的预测结果，说明 RNA 聚合酶这么大的蛋白也能基本预测准确。/pbr/p style="text-indent: 2em "理论上，这会对结构生物学有很大冲击，尤其是以后单颗粒 cryo-EM 的实验方法上，是否还需要把分辨率做得那么高？低分辨率的电子密度图，甚至 SAXS 数据结合预测结果应该就能解决问题了。br/但是，现实中的冲击不会那么大。这是因为，AlphaFold2 模型的创新性非常高，其中结合的 2D transformer 和 3D equivariant transformer 都是 AI 领域的前沿技术，模型的训练难度很大。/pbr/p style="text-indent: 2em "DeepMind 的训练方法在学术界很难复现，估计学术界要花几年的时间才能跟上，因此短期内 AlphaFold2 对结构生物学的影响会比较有限。DeepMind 可能会和个别实验室合作，预测蛋白质结构。/pbr/p style="text-align: right text-indent: 2em "—— 龚海鹏（计算生物学家，清华大学结构生物学高精尖创新中心研究员）/pbr/br/p style="text-indent: 2em "AlphaFold 为结构生物学家提供了除晶体学、冷冻电镜、NMR 以外的另外一种手段，用于揭示生物大分子发挥作用的分子机制。/pbr/p style="text-align: right text-indent: 2em "—— 张鹏（结构生物学家，主要利用晶体学和冷冻电镜技术；中科院分子植物科学卓越创新中心研究员）/pbr/br/p style="text-indent: 2em "AlphaFold 目前还不能预测复杂的分子机器，主要是因为蛋白 - 蛋白相互作用非常复杂，存在极多的可能性。实验手段所揭示出来的蛋白 - 蛋白相互作用方式还只是冰山一角，更何况在不同生理条件和过程中的结构变化。因此，未来对有特定功能的、多个成分组成的、生物大分子复合体的结构解析，以及体内的结构分析，将成为结构生物学实验研究的主要内容。无论有没有 AlphaFold，结构生物学也正在朝这个方向发展。/pp style="text-indent: 2em "Rosetta（注：从头蛋白结构建模算法）也好，AI 也罢，结构预测都是基于已有的实验数据够大。没有足够的数据积累，这些基于统计和数据库的预测就无法实现。完全基于物理学和化学第一性原理的结构预测还没有出现。br/实验科学永远是探索未知的必要手段。新的软件算法应该是成为实验科学家的更有力工具，而不是取代实验科学。/ppbr//pbr/p style="text-align: left text-indent: 2em "—— 王宏伟（cryo-EM 专家，清华大学结构生物学高精尖创新中心执行主任，清华大学生命科学学院院长）br/br/br/br/ 最近两年，结构生物学领域经历了与围棋界类似的故事。Alphago Fan 版本时围棋界并不认为它能够战胜人类顶尖高手，可是 Alphago Lee 后整个围棋界甘拜下风，并且转向 AI 拜师学艺。2018 年 Alphafold 出现时，实验结构生物学领域认为被战胜的仅仅是传统的结构预测领域，2020 年 Alphafold2 之后，实验结构生物学领域应该开始思考如何与之共存以及如何「拜师学艺」了。/pp style="text-align: left text-indent: 2em "br/ 目前阶段人工智能在围棋上已经远远超过人类顶尖棋手，但是人类围棋比赛并未因此取消，如同汽车发明后奥林匹克仍然在进行田径比赛一样。原因之一是人工智能虽然超越了人类，但并未解决围棋的最终解。同样的道理，对于复杂的结构生物学问题，预测手段本身还不能号称完全解决了问题。/pp style="text-align: left text-indent: 2em "br/ 实验结构生物学领域接下来需要做的一个事情是要拥抱变化，更好地与预测方法结合以及共同发展。/pbr/p style="text-align: right text-indent: 2em "—— 周强（cryo-EM 专家，西湖大学生命科学学院特聘研究员）/ppbr//ppbr//pp style="text-indent: 2em "蛋白质体系越大，结构的解析越难仅依赖计算方法。Cryo-ET (冷冻电镜断层成像) 技术擅长解析体外难表达的大分子机器结构、细胞中的原位蛋白结构等复杂体系，因此很难被脱离实验手段的方法取代。目前，由于体系过于复杂，使用分子动力学模拟整颗病毒尚未实现，要模拟细菌、细胞、组织，还要很长的路要走。/ppbr//p

蛋白质是生命的物质基础，每个蛋白质的氨基酸链扭曲、折叠、缠绕成复杂的结构，想要破解这种结构通常需要花很长的时间，甚至难以完成。截至目前，约有10万个蛋白质的结构已经用实验方法得到了解析，但这在已经测序的数10亿计的蛋白质中只占了很小一部分。　　但“看清”蛋白的结构和人类的很多疾病机理、药物研发等等息息相关。在蛋白质结构解析的几十年历史中，X射线晶体学、核磁共振波谱学(NMR)、冷冻电镜(Cryo-SEM)技术纷纷发挥了巨大的贡献，但这些技术在科学界看来，都有着劳心劳力又价格高昂的缺点。　　如何简单地通过蛋白质的氨基酸序列来预测其形状?如何能解答这一问题，了解生命运作方式的将打开截然不同的一扇窗。这种设想提出的50多年后，谷歌旗下人工智能公司DeepMind在去年12月的国际蛋白质结构预测竞赛CASP上投下重磅，他们开发的基于神经网络的新模型AlphaFold2击败了其他选手，在预测准确性方面达到接近人类实验结果，让整个结构生物学界震惊。北京时间7月15日，DeepMind团队在顶级学术期刊《自然》(Nature)以“加快评审文章”(Accelerated Article Preview)形式在线发表了一篇题为“Highly accurate protein structure prediction with AlphaFold”的论文，全面详述了半年前造成轰动的这一模型，并首次对外分享开源代码。该论文于今年5月11日提交，7月12日被接收。　　DeepMind团队提供了一份声明，公司创始人兼首席执行官Demis Hassabis在声明中表示，去年在CASP14大会上我们揭晓了一个可以将蛋白质3D结构预测精确到原子水平的全新AlphaFold系统，此后我们承诺会分享我们的方法，并为科学共同体提供广泛、免费的获取途径。　　“今天我们迈出了承诺的第一步，在《自然》期刊上分享AlphaFold的开源代码，并发表了系统的完整方法论，详尽细致说明AlphaFold是如何做到精确预测蛋白质3D结构的。作为一家致力于推动科学进步的公司，我们期待看到我们的方法将为科学界启发出什么其他新的研究方法，也期待很快能和大家分享更多我们的新进展。”Hassabis表示。值得一提的是，就在同一天，另一顶级期刊《科学》(Science)也在线发表了另一预测蛋白质结构的研究文章，题为“Accurate prediction of protein structures and interactions using a three-track neural network”。　　来自华盛顿大学、哈佛大学、德克萨斯大学西南医学中心等团队的研究人员开发了新的深度学习工具RoseTTAFold，其拥有媲美AlphaFold2的蛋白质结构预测超高准确度，而且更快、所需计算机处理能力更低。同样，研究团队也对外分享了开源代码。该论文提交于6月7日，7月7日被接收。　　清华大学生命科学学院院长、高精尖中心执行主任王宏伟表示，“高质量结构预测的源代码开放对整个科学界尤其是结构生物学领域的促进作用必然是巨大的。”他评价道，对于DeepMind这样一家商业公司来说，“团队愿意向公众分享代码，是一个新型科研范式的突破，将整体上有利于人类更好地探索未知。”　　预测蛋白质结构，接近实验室测量　　50多年前，科学家们就设想用计算机预测蛋白质结构。近年来，共同演化、接触图预测、深度机器学习等技术的引入，一些实验室的算法精度有了很大程度的提高。　　曾经开发出Alphago、战胜人类顶尖棋手的DeepMind团队是其中的佼佼者，其团队的强大和资源雄厚是一般实验室无法企及的。2020年12月1日，他们在生物领域展现出实力，在两年一度的权威蛋白质结构预测评估竞赛(CASP)中用AlphaFold2击败其他参赛团队。　　CASP是由马里兰大学John Moult教授等人于1994年组织。竞赛使用的是最新解决且尚未在蛋白质数据库(PDB)中存放或公开披露的结构，结构生物学家们利用X射线晶体学、核磁共振波谱学、冷冻电镜的方法，把这些蛋白质的结构解析出来。做蛋白质结构预测的团队则利用计算机程序来预测它们的结构。最后由独立的科学家团队则把计算机预测的模型和实验室的结构对照，分析不同计算机算法的预测结果。这是一种“双盲”测试，长期以来一直是评价结构预测准确性的金标准。　　去年的CASP14共有84个常规题目，其中有14题因为生物实验没给出确定结构等原因被取消或延缓，其他70个题目的单体和复合物蛋白质所含有的氨基酸个数从73到2180不等。　　19个国家的215个小组参加了CASP14。DeepMind公司的AlphaFold2预测的大部分结构达到了空前的准确度，不仅与实验方法不相上下，还远超解析新蛋白质结构的其他方法。将实验方法得到的蛋白质结构叠加在AlphaFold2的结构上，组成蛋白质主链骨架的叠加原子之间的距离中位数(95%的覆盖率)为0.96埃(0.096纳米)。成绩排第二的方法只能达到2.8埃的准确度。　　AlphaFold2的神经网络能在几分钟内预测出一个典型蛋白质的结构，还能预测较大蛋白质(比如一个含有2180个氨基酸、无同源结构的蛋白质)的结构。该模型能根据每个氨基酸对其预测可靠性进行精确预估，方便研究人员使用其预测结果。　　AlphaFold2最终被Moult评价道，“在某种意义上，问题已经解决了”。　　值得一提的是，在最新发布的论文中，DeepMind还简化了AlphaFold2。AlphaFold的首席研究员John Jumper说，“这个网络需要几天的计算时间来生成CASP的一些蛋白质的结构，而开源版本的速度要快16倍。根据蛋白质的大小，它可以在几分钟到几小时内生成结构。”　　受AlphaFold2的启发，华盛顿大学医学院生物化学家、蛋白质设计研究所所长David Baker等人开发了RoseTTaFold。华盛顿大学医学院官网对该研究的介绍称，在高精度的蛋白质结构预测方面，Baker等人“在很大程度上重现了DeepMind团队的表现。”　　相较于AlphaFold2只解决了单个蛋白质的结构，RoseTTaFold不仅适用于简单的蛋白质，也适用于蛋白质复合物。据介绍，RoseTTaFold利用深度学习技术，根据有限信息准确、快速地预测蛋白质结构。从结构上来看，RoseTTAFold 是一个三轨(three-track)神经网络，它可以兼顾蛋白质序列的模式、氨基酸如何相互作用以及蛋白质可能的三维结构。在这种结构中，一维、二维、三维信息来回流动，使得网络能够集中推理蛋白质的化学部分与它的折叠结构。巴塞尔大学的计算结构生物学家Torsten Schwede对《科学》杂志说，许多生物功能依赖于蛋白质之间的相互作用。“直接从序列信息中处理蛋白质-蛋白质复合物的能力使其对生物医学研究中的许多问题极具吸引力。”　　Baker同时坦言，AlphaFold2的结构更加准确。但是根特大学的结构生物学家Savvas Savvides说，Bake实验室的方法更好地捕捉到了“蛋白质结构的本质和特性”，比如识别从蛋白质侧面伸出的原子串，这些特征是蛋白质之间相互作用的关键。　　纽约大学医学院的细胞和结构生物学家Gira Bhabha说，两种方法都很有效。她表示，“DeepMind和Baker实验室的进展都是惊人的，将改变我们利用蛋白质结构预测推进生物学的方式。”　　开源代码，如何促进整个科学界?　　相比于去年年底带来的震撼，这次外界更感兴趣的是上述两支团队开源代码这一动作。　　此前的6月中旬，在Baker实验室发布RoseTTAFold预印本三天之后，DeepMind的Hassabis在推特上表示，AlphaFold2的细节正在接受一份出版物的审查，公司将“为科学界提供广泛的免费访问”。　　而从6月1日开始，Baker等人已经开始挑战他们的方法，让研究人员发送来他们最令人困惑的蛋白质序列。加州大学旧金山分校的结构生物物理学家David Agard的研究小组发送了一组没有已知类似蛋白质的氨基酸序列，几个小时内，他的团队就得到了一个蛋白质模型，“这可能为我们节省了一年的工作。”Agard说。　　除了免费提供RoseTTaFold的代码外，Baker团队还建立了一个服务器，研究人员可以插入蛋白质序列并得到预测的结构。贝克说，自从上个月推出以来，该服务器已经预测了大约500人提交的5000多种蛋白质的结构。　　不过，上述两支团队的源代码都是免费的，但也有观点认为，对于没有技术专长的研究人员来说，它可能还不是特别有用。不过，DeepMind的科学人工智能负责人Pushmeet Kohli表示，DeepMind已经与一些选定的研究人员和组织合作，以预测特定的目标，其中包括总部位于瑞士日内瓦的非营利组织“Drugs for ignored Diseases”。“在这个领域，我们还有很多想做的事情。”　　Hassabis提到，去年在CASP14大会上我们揭晓了一个可以将蛋白质3D结构预测精确到原子水平的全新AlphaFold系统，此后我们承诺会分享我们的方法，并为科学共同体提供广泛、免费的获取途径。“今天我们迈出了承诺的第一步，在《自然》期刊上分享AlphaFold的开源代码，并发表了系统的完整方法论，详尽细致说明AlphaFold是如何做到精确预测蛋白质3D结构的。作为一家致力于推动科学进步的公司，我们期待看到我们的方法将为科学界启发出什么其他新的研究方法，也期待很快能和大家分享更多我们的新进展。”　　DeepMind团队认为，这一精准的预测算法可以让蛋白质结构解析技术跟上基因组革命的发展步伐。　　Baker团队也提到，“我们希望这个新工具将继续造福整个研究界。”　　中国科学院合肥物质科学研究院强磁场科学中心研究员谢灿对澎湃新闻(www.thepaper.cn)记者表示，“总的来说，对学术界来肯定是好事，肯定会促进结构生物学和相关领域的发展。在承认学术贡献的基础上的开放和共享，本来就应该是学术研究最基本的要求。”　　结构生物学是谢灿的“老本行”，“我当年花了8年的时间去解析一个蛋白的晶体结构，我能切身体会如果有一个精准预测蛋白结构的算法出现，对结构生物学家意味着什么。”　　但他认为，不必要担忧这些算法的出现会让结构生物学家失业，在技术迭代之下，结构生物学这些年受到的冲击太多了，“而事实上，只不过是某一个领域某一个技术在某一个历史阶段更容易出工作出成绩。”谢灿认为，无论再精准的预测，终究也只是预测，“AlphaFold2不是实验，同样也需要实验去证实。”　　王宏伟在AlphaFold2刚出现之时也曾评价道，对于复杂的结构生物学问题，预测手段本身还不能号称完全解决了问题。实验结构生物学领域接下来需要做的一个事情是要拥抱变化，更好地与预测方法结合以及共同发展。

科学家希望“活地球模拟器”能够通过对海量数据进行分析，预测下一场金融危机　 　　打造这台超级计算机的想法由科克-赫尔本教授提出，他将这台计算机称之为“地球的神经系统”　 　　唯一一台与活地球模拟器类似的计算机便是《银河系漫游指南》中的“沉思”　　新浪科技讯 北京时间12月6日消息，欧盟决定投入9亿英镑(约合14亿美元)打造一个计算机系统，预测下一场金融危机。这项研制超级电脑的计划名为“活地球模拟器计划”，旨在模拟地球上的一切，利用从微博到政府统计数据的一系列信息，确定社会变化趋势和预测下一场经济危机。活地球模拟器计划得到一些著名科学家的支持。　　借助世界上最强大的电脑对互联网上的海量数据进行分析，科学家可以预测未来的发展趋势。打造活地球模拟器的想法由苏黎世瑞士联邦理工学院的科克-赫尔本提出，他同时也是这项计划的领导者之一。赫尔本将这种模拟器称之为“地球的神经系统”。一些学者对这项计划表示支持，希望其取代当前已经过时的经济模型。　　赫尔本在接受媒体采访时表示：“我们的想法是从数量巨大的信息源收集实时信息，而后利用世界上最强大的计算机进行分析。我们当前面临的很多问题——包括社会和经济不稳定、战争以及疾病扩散——均与人类行为有关，但我们对社会和经济如何运转缺乏深入了解。”赫尔本教授指出活地球模拟器能够预测甲型H1N1流感等传染病的传播，找到遏制全球气候变化的途径，甚至能够预测下一场金融危机。它将对数量惊人的数据进行分析，所能分析的数据量将超过当前的任何超级计算机。　　目前，全世界大约有30家计算机科学中心研制超级计算机，其中包括英国的3家中心。牛津大学、伦敦大学学院和爱丁堡大学组成了FuturICT，帮助推动活地球模拟器计划。欧盟委员会已经将研制活地球模拟器列为优先考虑的对象，决定投入9亿英镑进行研制。　　根据计划，科学家将在一个复杂的计算机系统内重建整个世界。对于这项计划，一些专家提出批评，认为这项计划太过雄心勃勃，而无法成为现实。伦敦经济学家欧洲研究系教授莱恩-拜格在接受媒体采访时说：“这个世界的复杂性超乎我们想象。我们甚至无法模拟未来几天的天气。社会领域和人类行为更难于进行分析，社会变化趋势不仅非常复杂，同时随时间发生改变。即使借助最为强大的计算机，我也怀疑能否做到这一点。”　　当前的经济危机和欧元区困境无法借助绝大多数决策者使用的金融模型进行预测。相比之下，活地球模拟器能够预测类似的经济灾难，这也就是为什么欧盟委员会对这项计划予以支持。支持者表示，我们需要具备预测下一场全球性经济危机的能力，这种需求较以往更为紧迫。伦敦大学学院数学系非线性动力学教授史蒂文-毕夏普说：“现代银行系统可能面临着更多灾难，但由于过于复杂，我们无法预测，只能等着灾难发生，就像此前的次贷危机一样。我们希望提前发现不稳定因素，进而预测灾难，让政要们有时间采取措施防止灾难发生。”毕夏普是活地球模拟器计划的主要参与者。　　目前唯一一台与活地球模拟器类似的超级计算机就是《银河系漫游指南》中的“沉思”。具有讽刺意味的是，“沉思”用了750万年才给出有关生命和宇宙在内的世上万物根本性问题的答案。

p　　/pp style="text-align: center"img src="http://img1.17img.cn/17img/images/201807/insimg/e82232bb-6b38-4064-b1f2-b9a37729c4dd.jpg" title="03.jpg"//pp 一些癌症会产生自我毁灭的种子。在快速分裂的肿瘤细胞中积累的某些随机突变，可刺激免疫系统攻击该类癌症。研究人员现在了解到，这种突变程度可预测一种癌症是否会对强大的、基于免疫的新疗法产生反应。最近公布的一项针对这种叫作肿瘤突变负担(TMB)的血液检测或有助于成为指导癌症治疗的实用工具。br//pp　　癌症研究人员已经可通过对生物活体组织中所选择的一组基因进行测序来检测TMB，这种方法最近在大型肺癌试验中显示出很强的预测能力。一些癌症医生现已在某些病例中实施组织TMB检测。对人体血液循环中脱落的肿瘤DNA进行分析的微创血液检测，或可在对组织检测不起作用的许多患者体内发现TMB。美国哥伦比亚大学医学中心肿瘤学家Naiyer Rizvi说：“我们会看到越来越多的TMB。”尽管如此，他补充说，TMB检测目前在日常临床实践中花费过长时间，癌症研究领域的一些人质疑它最终会有多大的用处。/pp　　预测免疫疗法能否在患者体内发挥作用的检测为当下所迫切需要，特别是对于检查点抑制剂来说，它会对免疫细胞释放出抑制作用，并使其攻击肿瘤。自从美国食品和药物管理局(FDA)在2014年批准第一种靶向“检查点”蛋白PD-1的抗体药物以来，这类药物已让癌症治疗发生改变。加州大学洛杉矶分校肿瘤学家Antoni Ribas指出，到今年5月，他所在医院有一半癌症患者过去半年在服用检查点抑制剂。“我们在以非常高的比例使用这些药物，这应该引起注意。”他说。有些病人的反应非常显著，但大多数人仍未能受益，还有一些人则从来没有服用过相关药物。除了肿瘤存在特定DNA修复缺陷的4%的患者之外，医生并不能确定谁会从中受益。/pp　　由此，TMB检测来了。大多数分析通过对肿瘤DNA中有限数量的基因进行测序，估计肿瘤中改变蛋白质的突变数量 这一数据或可反映癌细胞表面突变蛋白片段(即新抗原)的密度。这些片段并不能帮助肿瘤生长 它们只是容易出错的肿瘤细胞分裂的副产品。但它们对免疫系统来说的确是外来的——新抗原越多，免疫疗法越有可能使肿瘤缩小并抑制其生长。/pp　　在4月于伊利诺伊州芝加哥美国癌症研究协会(AACR)年会上报道的肺癌试验中，研究人员发现，肿瘤组织中的突变负荷预测了检查点抑制剂组合能否比常规化疗更好地帮助肺癌患者。超过40%的肺癌显示出较高的TMB，而平均来看，存在该类肿瘤的患者在免疫治疗方面表现得更好。Rizvi说，对1739名患者进行的III期试验将会获得FDA的批准，该试验由马萨诸塞州剑桥市基础医学公司开发，旨在进行肺癌治疗。(6月中旬，瑞士制药巨头罗氏公司已承诺收购该公司)/pp　　在6月于芝加哥召开的美国临床肿瘤学会(ASCO)年会上，更多证据显示了TMB的预测价值。加州大学戴维斯分校肿瘤学家David Gandara报告了对检查点抑制剂Tecentriq在肺癌、膀胱癌、黑色素瘤和其他肿瘤中7项不同试验的回顾性分析。正如同样的组织检测所显示的那样，当TMB较高时，肿瘤对药物的反应速度加倍。“TMB的未来现在已经开启。”Gandara在ASCO会议上说。/pp　　然而，组织TMB检测“非常昂贵。它需要大量的组织，而且不是标准化的”。耶鲁大学病理学家David Rimm说。在AACR会议上报告的试验中，医生只能从58%的患者身上获得足够的肿瘤组织。Rizvi补充说，整个过程可能需要3周，对新确诊的患者来说等待的时间太长了。/pp　　同样来自基础医学公司的血液TMB测试或可证明与组织测试一样有效。在ASCO会议上，俄亥俄州克利夫兰诊所的Vamsidhar Velcheti报告了对接受TMB血液检测的肺癌患者进行Tecentriq前瞻性试验的初步结果。这种药物使高突变负荷肿瘤缩小了超过36%，但对低TMB肿瘤来说仅缩小了6%。高TMB肿瘤患者的癌症复发时间比低TMB肿瘤患者长两倍。/pp　　但宾夕法尼亚州费城福克斯大通癌症中心肿瘤学家Hossein Borghaei在会议上警告说，Velcheti仅报告了第一批58名患者的情况。目前，包括580名患者在内的另一项试验正在展开。Rimm同意初始结果需要验证。/pp　　今年4月，FDA认为血液TMB测试是一种值得优先评估的“突破性设备”。但无论是血液检查还是活检，目前尚不清楚TMB能否给医生和病人带来他们所渴望的结果。Rimm指出，试验尚未显示高TMB患者接受免疫疗法比化疗的存活时间更长。Ribas预测，TMB将成为未来复合生物标志物的一个组成部分。/pp style="text-align: center"br//ppbr//p

p style="text-indent: 2em "提到DeepMind公司，我们首先想到的可能是几年前，它开发的人工智能AlphaGo“横扫”顶尖人类围棋职业选手，变革了围棋的思考方式。除了在棋类比赛中所向披靡以外，DeepMind也在加速科学发现上迈出了重要一步。今日，DeepMind宣布，其新一代AlphaFold人工智能系统，在国际蛋白质结构预测竞赛（CASP）上击败了其余的参会选手，能够精确地基于氨基酸序列，预测蛋白质的3D结构。其准确性可以与使用冷冻电子显微镜（CryoEM）、核磁共振或 X 射线晶体学等实验技术解析的3D结构相媲美。这一突破被多家媒体称为“变革生物科学和生物医学”的突破。前基因泰克（Genentech）首席执行官Arthur D. Levinson博士称这一成就为“划时代的进步”（once in a generation advance）。/pp style="text-align: center text-indent: 2em "img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/202012/uepic/33325072-7059-48e8-b1d4-6321cae2e263.jpg" title="微信图片_20201201221037.png" alt="微信图片_20201201221037.png"//pp style="text-align: center text-indent: 2em "span style="font-size: 12px "图片来源：DeepMind Blog/span/ppbr//pp style="text-indent: 2em "strong生物学50年来的重大挑战/strong/ppbr//pp style="text-indent: 2em "我们都知道，蛋白质对生命来说是不可或缺的，它们支持生物体的几乎所有功能。这些复杂的大分子由氨基酸链构成，而蛋白质的功能很大程度上决定于它的3D结构。生物医学领域的众多挑战，包括开发治疗疾病的创新疗法，依赖于对蛋白质结构和功能的理解。/ppbr//pp style="text-indent: 2em "在过去的五十年中，科学家们已经能够利用冷冻电子显微镜、核磁共振或 X 射线晶体学等实验手段在实验室中确定蛋白质的形状，但每种方法都依赖于大量的试错，耗时耗力，可能需要花上好几年时间。1972年，诺贝尔化学奖得主Christian Anfinsen博士表示，理论上，蛋白质的氨基酸序列应该能够完全决定它的3D结构。这一假说激发了50年来基于氨基酸序列，通过计算方法预测蛋白质3D结构的探索。/ppbr//pp style="text-indent: 2em "然而，这一领域面临的重大挑战是理论上，氨基酸链可能形成的蛋白质构象的数目是个非常庞大的天文数字。有学者估计，一个典型的蛋白质理论上可以形成10的300次方（1后面加300个0）个可能构象。然而在自然界，蛋白质能够自发地在几毫秒内，迅速折叠成其中一个构象。用什么样的计算方法，才能从10的300次方的可能构象中找到那个正确的构象？/ppbr//pp style="text-indent: 2em "strongAlphaFold：生物界的“AlphaGo”/strong/ppbr//pp style="text-indent: 2em "DeepMind的研究人员把折叠好的蛋白质设想成一幅具有3D结构的“空间图画”（spatial graph），而氨基酸则是这副“空间图画”中节点和线条。基于神经网络系统，他们设计了AlphaFold系统来解析这一空间图画的结构。它使用了进化相关的氨基酸序列，多序列对比（multiple sequence alignment, MSA）以及对氨基酸对（amino acid pairs）的评估来优化“空间图画“的描绘。/pp style="text-align: center text-indent: 2em "img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/202012/uepic/7ffebf8d-21e2-421e-bff5-adf328b90caf.jpg" title="微信图片_20201201221204.png" alt="微信图片_20201201221204.png"//pp style="text-align: center text-indent: 2em "▲AlphaFold的神经网络模型构架（图片来源：DeepMind Blog）/ppbr//pp style="text-indent: 2em "研究人员使用蛋白质数据库中接近17万个不同的蛋白质结构，以及包含未知结构的蛋白序列数据库对AlphaFold进行训练。通过不断地迭代，AlphaFold系统学习到了基于氨基酸序列，精确预测蛋白结构的能力。/ppbr//pp style="text-indent: 2em "与实验结果相差无几的蛋白质结构预测/ppbr//pp style="text-indent: 2em "国际蛋白质结构预测竞赛（CASP）是由马里兰大学的John Moult教授和加州大学戴维斯分校的Krzysztof Fidelis教授联合创建的国际性比赛，旨在评估、促进和确认最佳的蛋白质结构预测手段。CASP选择已经通过实验手段解析，但是尚未公布的蛋白质结构作为目标，让世界各地的研究团队运用自己的计算手段预测它们的结构。一个独立的团队会评估预测结构与通过实验手段解析的蛋白结构之间的差异。/ppbr//pp style="text-indent: 2em "2018年，DeepMind开发的第一代AlphaFold首次参加CASP并且拔得头筹。而今年，新一代的AlphaFold在CASP中的表现更为惊艳。CASP使用称为GDT的评分系统来评估预测蛋白结构的精确性。这个评分从0到100，如果评分达到90分以上，可以认为预测的结构与实验手段获得的结构相当。/pp style="text-align: center text-indent: 2em "img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/202012/uepic/87def9e4-8753-401b-9fa9-3ada59e01d7b.jpg" title="微信图片_20201201221209.png" alt="微信图片_20201201221209.png"//pp style="text-align: center text-indent: 2em "strong▲2006-2020年CASP比赛中最佳蛋白折叠预测系统的评分表现（图片来源：DeepMind Blog）/strong/ppbr//pp style="text-indent: 2em "在今年的CASP中，AlphaFold系统对所有蛋白靶点3D结构预测的中位GDT评分为92.4分。即便是针对最难解析的蛋白靶点，AlphaFold的中位GDT评分也达到了87.0分。在接受检验的近100个蛋白靶点中，AlphaFold对三分之二的蛋白靶点给出的预测结构与实验手段获得的结构相差无几。CASP创始人Moult教授表示，在有些情况下，已经无法区分两者之间的区别是由于AlphaFold的预测出现错误，还是实验手段产生的假象。/pp style="text-align: center"br//pp style="text-indent: 2em "img src="https://img1.17img.cn/17img/images/202012/uepic/14003fd2-fbf1-4fc4-b34a-087e4fa5f63d.jpg" title="微信图片_20201201221209.png" alt="微信图片_20201201221209.png" style="max-width: 100% max-height: 100% "//pp style="text-align: center text-indent: 2em "▲AlphaFold根据氨基酸序列预测的蛋白结构与实验手段解析的结果几乎完全重合（绿色，实验结果；蓝色，计算预测结果；图片来源：DeepMind Blog）/ppbr//pp style="text-indent: 2em "strong对真实世界的影响/strong/ppbr//pp style="text-indent: 2em "在今年早些时候，DeepMind已经利用这一系统预测了多种新冠病毒蛋白的结构。后续的实验显示，strongAlphaFold预测的新冠病毒Orf3a蛋白结构与冷冻电镜解析的结构非常相似。/strong/ppbr//pp style="text-indent: 2em "虽然，AlphaFold不见得会取代冷冻电子显微镜等其它实验手段，但是DeepMind的研究人员表示，这一令人兴奋的结果表明，生物学家们可以使用计算结构预测作为科学研究的核心工具之一。这一手段对于特定类型的蛋白来说可能尤为便利，例如膜蛋白一直非常难于结晶，因此很难用实验手段获得它们的结构。/ppbr//pp style="text-indent: 2em "而对于从事计算和机器学习研究的DeepMind团队来说，AlphaFold的表现证明了AI在辅助基础科学发现方面惊人的潜力。该团队在公司发布的博文中表示，他们相信，AI将成为人类拓展科学知识前沿最有力的工具之一！/ppbr//p

p　strong　2017年全球基因测序仪市场规模/strong/pp　　随着测序成本的显著降低和生物信息分析能力的显著上升，美国等西方发达国家已在这一领域做出前瞻式布局：鼓励高端测序仪的研发和商业化、建立配套的生物信息计算平台、推进基因组领域的科学研发和临床转化。/pp　　近几年来基因测序仪市场飞速发展，从2007年的4.7亿美元增长到2016年的28.5亿美元，年均复合增长率达到25%，初步预计2017年市场规模约为33亿美元左右。/pp style="text-align: center "　　图表1：2007-2017年全球基因测序仪市场规模(单位：亿美元，%)/pcenterimg alt="" src="http://e.thsi.cn/img/b86747411da1ba50" height="354" width="512"//centerp　strong　2017年全球基因测序仪竞争格局/strong/pp　　基因测序仪的核心是基因测序技术，第二代基因检测技术是现今最稳定，应用最广的基因测序技术，NGS仪器市场被国外几个龙头所垄断，Illumina作为全球最大的基因测序仪制造商，占到全球84%的市场，2016年Illumina一共发布了两款新产品，分别是下一代(NGS)靶向测序系统 MiniSeq，和新一代肿瘤测序解决方案TruSightTumor170。/pp style="text-align: center "　　图表2：全球基因测序仪竞争格局(单位：%)/pcenterimg alt="" src="http://e.thsi.cn/img/291edaa5003ae8c3" height="372" width="406"//centerp　　具体到测序仪型号，Illumina的HiSeq 2000 是目前市场上最主流的测序仪，占据了绝对的优势。/pp style="text-align: center "　　图表3：全球第二代测序仪(按仪器型号)市场格局(单位：%)/pcenterimg alt="" src="http://e.thsi.cn/img/f869514306749dd6" height="382" width="477"//centerp　　综观第二代测序技术的发展历史可以发现，测序仪的开发模式主要是自主研发和外延并购两种。在发展初期，技术不成熟，企业多以自主研发为主 市场发展成熟后企业间并购逐渐增加，如2006年Illumina收购Solexa、2007年Roche收购454 Life Sciences、2010年 Life Technologies 收购Ion Torrent 等。/pp　　正是由于这种发展模式，第二代测序技术发展初期出现多强争霸的局面，而发展到一定程度以后，随着优秀产品的不断壮大以及重大并购事件的发生，行业集中度不断增加，形成了强者恒强的局面，短期内Illumina 等公司的行业垄断地位难以被打破，其它公司也难以进入测序仪市场参与竞争。/pp style="text-align: center "　　图表4：全球测序仪领先企业并购历程/pcenterimg alt="" src="http://e.thsi.cn/img/1d810cd043fc5f7e" height="221" width="341"//centerp　strong　中国基因测序仪研发上市模式/strong/pp　　反观国内，由于全球市场长期被国外几家大的测序仪生产商所垄断，并且采取与国内领军者合作的模式进入中国市场，使得国内企业很难进入这一领域，比如 Illumina为了防止任何一家下游企业壮大，通过与多家公司(比如贝瑞和康、安诺优达等)合作的策略垄断市场，从而掌握绝对的话语权，同时又通过下游企业的代理和市场推广来培养市场。/pp　　因此，我国的测序企业要想进入测序仪市场，突围的模式不外乎以下几种：一是并购国外的测序仪生产企业，在其核心技术的基础上进行改造升级，推出自主品牌的测序仪，比如华大基因(300676)并购Complete Genomics后相继推出了BGISEQ-100、BGISEQ-1000、BGISEQ-500几款仪器 二是采用自主研发模式，通常适用于那些财大气粗的公司，比如华因康基因、紫鑫药业(002118)、瀚海基因等。然而，无论是并购还是自主研发的测序仪，与市场上主流的测序仪相比还是存在诸如性能差、成本高等弊端。/pp　　因此，与国外知名测序仪生产企业合作，在其测序仪原型的基础上加以改造，形成具有特殊用途的自主品牌的测序仪是突围的最佳模式，比如达安基因(002030)、贝瑞和康、博奥生物等。/pp style="text-align: center "　　图表5：国内测序仪研发模式与上市情况/pcenterimg alt="" src="http://e.thsi.cn/img/dbf4533714d0b6cd" height="353" width="510"//centerp　strong　2022年全球基因测序仪前景预测/strong/pp　　根据前瞻产业研究院的总结，未来上游测序仪的发展，预计会有如下特征：/pp　　1、根据Frost& Sullivan调查说明，测序成本、测序质量、读取长度、通量大小等依然是选购测序仪最主要的考虑因素。其次，Illumina的核心技术“桥式PCR产生DNA簇”以及“可逆末端终止反应”受到专利保护，中短期内依旧由国外测序仪巨头垄断，其形成的技术壁垒较长时间内难以被打破，国产测序仪的发展还需时日。/pp　　2、测序仪市场增长放缓，Markets& Markets预测，虽然测序仪复合增长率为15.4%，但是由于测序服务以及测序数据分析更加快速的发展，测序仪增长率仍低于整个基因测序市场的增长率。/pp　　3、随着三代测序技术的发展，如果其能提高测序准确率及测序通量，未来测序仪市场中三代测序仪的需求还是值得期待。/pp　　保守估计，到2022年，全球基因测序仪市场规模将达到106亿美元。/pp style="text-align: center "　　图表6：2016-2022年全球基因测序仪前景预测(单位：亿美元)/pcenterimg alt="20180503-ae5dfac6ff2bdc5d" src="http://u.thsi.cn/fileupload/data/Input/2018/cc8a30fdf928928712cddf7ee0733bd1.jpg" height="319" width="499"//center

Meta（前身为 Facebook，总部位于加利福尼亚州门洛帕克）的研究人员使用人工智能 (AI) 来预测来自细菌、病毒和其他尚未表征的微生物的约 6 亿种蛋白质的结构。负责人Alexander Rives说：“这些是我们最不了解的神秘蛋白质结构。我认为它们为深入了解生物学提供了潜力。”该团队使用“大型语言模型”生成了预测工具——人工智能AI，这是可以从几个字母或单词预测文本的工具的基础。通常，语言模型是在大量文本上进行训练的。为了将它们应用于蛋白质，Rives 和他的同事将它们输入已知蛋白质的序列，这些蛋白质可以由 20 种不同氨基酸组成的链表达，每一种都用一个字母表示。然后，该网络学会了“自动完成”蛋白质，其中一部分氨基酸被遮蔽。蛋白质“自动完成”Rives 说，“这种培训使网络对蛋白质序列有了直观的了解，这些蛋白质序列保存了有关其形状的信息。第二步，受到 DeepMind 开创性的蛋白质结构 AI AlphaFold 的启发，将这些见解与有关已知蛋白质结构和序列之间关系的信息结合起来，从蛋白质序列中生成预测结构。Meta 的网络，称为 ESMFold，不如 AlphaFold 准确，但它在预测结构方面快了大约 60 倍，这意味着我们可以将结构预测扩展到更大的数据库。”做一个测试案例，研究人员决定将他们的模型应用于来自环境（包括土壤、海水、人类肠道、皮肤和其他微生物栖息地）的批量测序“宏基因组”DNA 数据库。其中绝大多数编码潜在蛋白质的 DNA 条目来自从未被培养过且科学未知的生物体。Meta 团队总共预测了超过 6.17 亿种蛋白质的结构。这项工作只用了 2 周时间（AlphaFold 可能需要几分钟才能生成一个预测）。Rives 说：“任何人都可以免费使用这些预测，就像模型底层的代码一样。”AlphaFold 和 AI 蛋白质折叠革命的下一步是什么在这 6.17 亿个预测中，该模型认为超过三分之一是高质量的，因此研究人员可以确信整体蛋白质形状是正确的，并且在某些情况下可以辨别更精细的原子级细节。数以百万计的结构是全新的，与通过实验确定的蛋白质结构数据库或已知生物体预测的 AlphaFold 数据库中的内容不同。首尔国立大学的计算生物学家 Martin Steinegger 说：“AlphaFold 数据库的很大一部分是由彼此几乎相同的结构组成的，而“宏基因组”数据库应该涵盖了以前看不见的蛋白质宇宙的很大一部分，即现在有一个很大的机会来解开更多的谜底。”Sergey Ovchinnikov教授对 ESMFold 做出的数以亿计的预测感到疑惑：有些可能缺乏明确的结构，至少是孤立的，而另一些可能是非编码 DNA，被误认为是蛋白质编码材料。似乎我们对仍有一半以上的蛋白质空间一无所知。更精简、更简单、更便宜德国慕尼黑工业大学的计算生物学家 Burkhard Rost 对 Meta 模型的速度和准确性印象深刻。但他质疑在预测宏基因组数据库中的蛋白质时，它是否真的比 AlphaFold 的精确度更具优势。基于语言模型的预测方法，他的团队开发了一种更适合快速确定突变如何改变蛋白质结构的方法，显然AlphaFold 无法做到这一点。据称，DeepMind 目前没有将宏基因组结构预测纳入其数据库的计划，但并未排除未来发布的可能性。Steinegger 和他的合作者已经使用了一个 AlphaFold 版本来预测大约 3000 万个宏基因组蛋白的结构。他们希望通过寻找新形式的基因组复制酶来发现新型 RNA 病毒。他认为我们很快就会对这些宏基因组结构的分析产生爆炸式的兴趣。参考资料：https://doi.org/10.1038/d41586-022-03539-1

拉伸性能与疲劳性能是金属材料工程应用的关键指标，建立二者之间定量关系，实现金属材料不同力学性能之间关系的定量预测是金属结构材料领域重要研究目标之一。由于目前相关理论不够完善，基于微观变形与损伤机制的拉伸性能与疲劳性能定量预测模型并未建立起来。因此，虽有大量实验数据表明金属材料拉伸强度与塑性之间存在明确的倒置关系，拉伸强度与疲劳强度之间存在特定的关系，但至今仍缺乏定量模型来描述上述定量关系。因此，建立金属材料拉伸性能与疲劳性能定量预测具有重要科学意义。金属研究所张哲峰团队长期坚持材料疲劳与断裂基础理论研究，团队成员张振军项目研究员前期在缺陷与金属材料加工硬化关系方面进行了系统性研究，包括四类典型缺陷：1）零维缺陷：发现过饱和空位可提升合金的加工硬化能力；2）一维缺陷：在位错主导塑性形变的合金中实现了加工硬化能力回升；3）二维缺陷：在FeMnCAl系TWIP钢中实现随孪晶密度增加应变速率敏感性由负到正的转变；4）三维缺陷：在TWIP钢等强加工硬化材料中建立了微孔致颈缩判据。近来，在加工硬化微观机制研究基础上，张振军项目研究员提出了新的位错湮灭模型，并通过考虑初始组织状态与合金成分对加工硬化的影响，建立了单相金属材料普适性硬化模型-指数硬化（ESH：Exponential Strain-Hardening）模型，并据此首次推导出单相金属材料拉伸应力(σ)-应变(ε)定量关系：其中硬化指数n为位错湮灭距离(ye)的表达式反映合金成分的影响。η为初始缺陷对屈服强度(σy)非位错性贡献的比例，反映微观组织的影响；ΘⅡ为第二阶段硬化率，对同一金属合金体系为常数。该ESH模型得到了6种合金成分、100余种不同微观组织状态单相铜铝合金的实验验证，如图1所示。该ESH模型阐明了单相金属材料形变过程中一些重要规律：1）用一个参数(n)统一了五阶段加工硬化规律；2）揭示了极限强度、临界强度、真抗拉强度与成分及变形机制之间关系；3）首次推导出"屈服强度-抗拉强度-均匀延伸率"之间定量关系（公式(2-4)，图2a-2c）；4）定量揭示了拉伸强度-塑性同步提升的两个基本原则，即成分优化（提升位错滑移平面性）与组织优化（降低初始高能缺陷），在铜合金、镍基合金、TWIP钢、高氮钢、316L不锈钢等单相合金中均得到了系统性实验验证；5）实现了单相铜铝合金拉伸强度、塑性及拉伸应力-应变曲线的定量预测，如图2d-2f所示：　上述研究成果最近以2篇论文连载方式发表在Acta Mater 231 (2022) 117866和231 (2022) 117877上。基于该ESH模型，博士生曲展在张振军项目研究员的指导下，进一步揭示了三类变形铝合金（2xxx、6xxx、7xxx）拉伸强度和塑性随时效时间变化的共性转变规律与机制，建立了三类铝合金加工硬化指数与时效过程中析出相性质及几何特征之间的定量关系，提出了变形铝合金时效过程对加工硬化能力提升的析出相控制原理（J Mater Sci Technol 122 (2022) 54-67）。为了建立金属结构材料拉伸性能与疲劳性能之间定量关系，该团队成员刘睿博士在对铜铝单相合金拉伸性能与高周疲劳强度系统性研究的基础上，从疲劳损伤过程弹性变形与应变局部化两方面入手，通过引入合金成分、微观组织与宏观缺陷参数，建立了金属结构材料高周疲劳强度预测模型：其中参数C代表合金成分（或弹性模量）对疲劳强度的影响，强度σy和σb为微观组织对疲劳强度的影响，参数ω反映了宏观缺陷对疲劳强度的影响，如图3(a)所示；该高周疲劳强度预测模型得到了钢铁材料、铝合金、铜合金、钛合金、镁合金等20余种典型工程结构材料系统性疲劳实验验证，如图3(b)所示。该研究成果也以2篇论文连载方式发表在J Mater Sci Technol 70 (2021) 233-249和70 (2021) 250-267上。在疲劳裂纹扩展预测模型方面，最近李鹤飞博士在团队成员张鹏研究员的指导下，针对高强钢强度-韧性匹配关系，通过断裂力学理论分析，建立了以静态力学性能预测其疲劳裂纹扩展速率模型：其中σb为拉伸强度，KIC为断裂韧性，E为弹性模量，R为应力比，α为扩展速率常数。同时，为了指导关键构件材料强度-韧性优化提高疲劳裂纹扩展阻力，建立了高强度金属材料等效疲劳裂纹扩展速率模型（如图4(a)所示）。通过选择高强度金属材料强度-韧性之间匹配关系，可快速预测和降低其疲劳裂纹扩展寿命（如图4(b)所示），进而可以指导关键构件材料抗疲劳损伤容限设计。上述关于疲劳裂纹扩展速率预测模型在多种高强铝合金、钛合金及高强钢材料中得到了验证。该研究成果发表在J Mater Sci Technol 100 (2022) 46-50上。将上述金属材料拉伸性能和疲劳性能定量预测模型联合起来，可以实现通过测试金属结构材料少数组织状态的拉伸性能快速预测和优化其疲劳性能的功能，为金属结构材料疲劳性能预测与优化软件研发奠定理论基础，也为金属结构材料及工程构件抗疲劳设计与制造提供理论支撑。上述研究工作得到了国家自然科学基金重大项目（51790482）、重点项目（51331007、52130002）、面上项目（51771208、51871223）项目、中国科学院王宽诚率先人才计划"卢嘉锡国际合作团队"（GJTD-2020-09）、"青年促进会"项目（2018182、2021192）及辽宁省"兴辽计划"创新团队项目（XLYC1808027）的资助。相关成果列表及链接：1. Zhang ZJ*, Qu Z, Xu L, Liu R, Zhang P, Zhang ZF*, Langdon TG. A general physics-based hardening law for single phase metals. Acta Mater 231 (2022) 117877https://www.sciencedirect.com/science/article/pii/S1359645422002531#sec00202. Zhang ZJ*, Qu Z, Xu L, Liu R, Zhang P, Zhang ZF*, Langdon TG. Relationship between strength and uniform elongation of metals based on an exponential hardening law. Acta Mater 231 (2022) 117866.https://www.sciencedirect.com/science/article/pii/S135964542200252X3. Qu Z, Zhang ZJ*, Yan JX, Gong BS, Lu SL, Zhang ZF*, Langdon TG. Examining the effect of the aging state on strength and plasticity of wrought aluminum alloys. J Mater Sci Technol 122 (2022) 54-67.https://www.sciencedirect.com/science/article/pii/S1005030222001967?via%3Dihub4. Liu R, Zhang P*, Zhang ZJ, Wang B, Zhang ZF*. A practical model for efficient anti-fatigue design and selection of metallic materials: I. Model building and fatigue strength prediction. J Mater Sci Technol 70 (2021) 233-249.https://www.sciencedirect.com/science/article/pii/S1005030220307441?via%3Dihub5. Liu R, Zhang P*, Zhang ZJ, Wang B, Zhang ZF*. A practical model for efficient anti-fatigue design and selection of metallic materials: II. Parameter analysis and fatigue strength improvement. J Mater Sci Technol 70 (2021) 250-267.https://www.sciencedirect.com/science/article/pii/S100503022030743X?via%3Dihub6. Li HF, Zhang P*, Wang B, Zhang ZF*. Predictive fatigue crack growth law of high-strength steels. J Mater Sci Technol 100 (2022) 46-50.https://www.sciencedirect.com/science/article/abs/pii/S1005030221005053?via%3Dihub7. 张振军、张哲峰、张鹏、王强；一种金属材料拉伸性能的预测方法, 2021-7-6, ZL201711234799.0，发明。已授权8. 张哲峰、刘睿、张鹏、张振军、田艳中、王斌、庞建超；一种金属材料疲劳强度的预测方法，2021-8-10，ZL201711235841.0，发明。已授权9. 张鹏、李鹤飞、段启强、张哲峰；一种预测高强钢疲劳裂纹扩展性能的方法，2021-3-26，ZL201910030260.6，发明。已授权图1 ESH模型的建立与实验验证：(a-b) 模型推导过程；(c-d) 强度与塑性验证图2 ESH模型的应用：(a)建立"屈服强度-抗拉强度-均匀延伸率"之间定量关系；(b)实现拉伸性能及拉伸应力-应变曲线定量预测图3 高周疲劳强度预测模型的建立与验证：(a) 模型建立过程；(b,c) 系统性实验验证图4 (a)等疲劳裂纹扩展速率模型图 (b)工程材料强度-韧性与疲劳裂纹扩展速率关系

“沉睡三千年，一醒惊天下。”3月20日，在成都举行的“考古中国”重大项目工作进展会上，考古工作者宣布在三星堆遗址新发现了6座三星堆文化“祭祀坑”，并出土了巨型黄金面具、巨型青铜器等重要文物500余件，引起强烈震动，并持续霸屏网络热搜榜。那么这些出土文物有哪些寓意、象征和文化内涵呢？这还需要等待专家分析检测文物的材料和属性，以及结合更多的资料内容才能掀开古蜀文明的神秘面纱。图1 三星堆出土金面具（图片来源：新华网）图2 考古人员作业现场（图片来源：新华网）值得一提的是，这次三星堆遗址考古发掘和保护研究还有一大亮点，就是充分运用现代科技手段，实现考古发掘、科技考古与文物保护全过程紧密结合。在现代科技手段中，拉曼光谱作为一种无损、非破坏的分析技术，已被广泛应用在考古文物的材料鉴定和研究领域中。非常巧合的是，三星堆博物馆年初刚刚采购一台HORIBA的XploRA Plus 拉曼光谱仪，对于这批来自千年前的古代使者，如果使用了XploRA Plus 拉曼光谱仪，我们将会了解到哪些信息呢？让我们以这次三星堆出土的部分文物为例，大胆预测一下吧！预测一：丝绸——碳化机理有望揭示这次考古让人兴奋的是，在三星堆遗址祭祀坑终于发现了丝绸。而此前，在气候湿润的四川发现丝绸，似乎是遥不可及的难题。同时，埋藏地底的丝绸历经几千年，有的非常脆弱，有的甚至直接朽化，形貌很难保存，也就难以鉴别，本次丝织品痕迹也是在灰烬中被发现。如今拉曼技术却可以帮助我们做出一系列定性检测。对于最新出土的丝绸，拉曼可以帮助我们揭示古代丝织品的碳化机理，碳化程度的不同对于丝织品外观上的颜色有直接影响。而碳化过程中出现的非晶态碳质、碳化过程中蚕丝蛋白分子结构上酰胺键的变化等信息，都有助于我们了解碳化丝织品的微观上的特征，对古代丝织品的碳化机理和丝织品保护提供依据。除此之外，拉曼在古代丝织品文物的染料鉴定与分析方面也表现不凡，染料成分鉴定可以帮助我们了解其年代和工艺，为保护和修缮提供依据。 图3 三星堆发掘出的不规则碎块——丝绸的痕迹（图片来源：微博@新华视点）预测二：青铜器——制造工艺或可揭秘说起三星堆，就不得不说说青铜器。因为此前三星堆出土过大型青铜立人、青铜神树、青铜神像，轰动了国内外。另外，青铜器让人瞩目还因为青铜器时代有很多特征，开启了后来的历史。拉曼光谱在青铜器测试方面可说大有作为。譬如它在青铜器表面腐蚀物的锈蚀过程与机理的研究方面可以提供重要信息。拉曼测试可以获取腐蚀物的化学组成，这可以帮助我们了解青铜器制造工艺，例如在青铜冶炼中加入元素Pb提升流动性用于制成更精细的纹饰，青铜器表面出现PbO, PbCO3和PbCl2等腐蚀物。此外，拉曼还可以分辨有害锈蚀成分，推测青铜器的腐蚀原因，从而揭示不同地域环境影响下不同的腐蚀机理。这些信息对于文物的修复和保护极具意义。图4 此次出土的大型青铜器（图片来源：新京报网）番外：还原古风貌——XploRA Plus 优势多进入21世纪以来，拉曼光谱仪器的功能越发强大多样化，四川省文物考古研究院采购的LabRam Soleil和三星堆博物馆这次采购的XploRA PLUS全自动拉曼光谱仪，就非常具有代表性，尤其在考古领域中，优势突出：1. 针孔共焦，三维空间滤波它们的一大亮点体现在共焦针孔。共焦针孔在提升空间分辨率和抑制杂散光方面发挥着显著的作用。具体来讲，位于焦点处的信号恰好汇聚在共聚焦针孔处，全部通过共聚焦针孔，位于焦点之外的信号汇聚在共聚焦针孔以外，只有极少部分可以通过共聚焦孔。这样不仅提升了空间分辨率，适用于不均匀样品的微区分析，还能有效抑制周边物质的荧光干扰，一般文物如青铜器、象牙、丝织物等大都经历过漫长的土壤和水的侵蚀期，埋藏的环境十分复杂，会有一定的荧光背景，这正是它们的用武之地。2. 高度自动化操作, 功能强大的软件它们是一款高度自动化的拉曼光谱仪，激发波长和光栅均可一键切换，快速适应不同种类样品测试条件。功能强大的软件LabSpec 6, 提供完整的分析、测试功能，包括适用粗糙样品测试的新型EasyNav技术、数据采集、处理、分析和显示。LabStore中拥有丰富的可选应用，将软硬件智能化融合。图3 左：HORIBA拉曼光谱仪 XploRA Plus；右：LabRAM Soleil™ 高分辨超灵敏智能拉曼成像仪“蚕丛及鱼凫，开国何茫然。”古蜀国的文化起源一直披着神秘的面纱，此次考古新发现意义重大，一件件文物的亮相也逐渐揭开中华文明历史轴线。相信考古人员和现代仪器的合力，一定能够破解古蜀文明之迷。当然，希望拉曼光谱仪也可以在这次研究中助一臂之力，让炎黄子孙能够更好地了解古蜀文化，传承文明光辉。神秘的“堆堆”，拉曼光谱来了！

近日，首都医科大学附属北京妇产医院曹正临床质谱团队在JCR Q1区内科权威期刊《Annals of Medicine》在线发表题为“Delivery prediction by quantitative analysis of four steroid metabolites with liquid chromatography tandem mass spectrometry in asymptomatic pregnant women”的研究论文，第一作者为2020级检验专业研究生孟兰兰，该研究通过应用液相色谱串联质谱（LC-MS/MS）平台建立了四种类固醇代谢物（E3-16-Gluc、17-OHP、THDOC、A-3,17-Diol）的方法学并进行了一系列的方法验证，证实E3-16-Gluc 和 17-OHP 的类固醇代谢物组对于预测没有任何临产临床迹象的单胎妊娠妇女（简称无症状孕妇）一周内的分娩具有极大价值。早产机制尚不明确标志物发现推动早产预测根据世界卫生组织统计，全球每年出生的早产儿有1500多万，我国的早产儿出生率约为10%，早产是造成围产儿及5岁以下儿童死亡的最主要原因。但目前早产发病机制尚不明确，作为早产临床诊疗中的重要环节，此前临床亦无可靠的短期早产预测标志物。分娩预测对评估预产期、提供充分产前护理建议，以及早产和过期妊娠干预诊疗都具有重要意义。而随着三胎政策的落地，高龄、高危以及有妊娠并发症或合并症者孕妇比例逐渐增高，早产预测的临床意义和必要性也进一步提高。首都医科大学附属北京妇产医院曹正、翟燕红临床质谱团队，联合产科刘晓巍团队以及美国康纳尔大学医学院赵贞团队，利用自建LC-MS/MS方法，对招募的585名30孕周（GW）及以上无症状单胎自然分娩孕妇进行血浆中的四种类固醇代谢物的定量检测，评估其在分娩预测中的临床价值，在采集血浆后 7 天内分娩为阳性组，在采样后 7天内未分娩的为阴性组。实验结果表明，THDOC和A-3,17-Diol的浓度在阳性组和阴性组之间没有显著差异。相比之下，阳性组的血浆E3-16-Gluc 和 17-OHP水平显着高于阴性组，具有统计学差异。根据ROC分析确定的临界值，E3-16-Gluc和17-OHP组合测量的阴性预测值(NPV)高达95.7%。本论文对E3-16-Gluc 和 17-OHP 的类固醇代谢物在相对较短的窗口（即7天）内准确排除自然分娩能力的发现，对推动开发简单而准确的早产诊断检测手段有着重大意义，能够为无症状孕妇住院与门诊监测以及门诊强度的临床决策提供重要参考。主要作者介绍 曹正，主任技师，副教授，硕士生导师，首都医科大学附属北京妇产医院临床质谱检验中心主任、检验科副主任。博士毕业于美国马里兰大学帕克分校，随后进入美国休斯敦卫理公会医院进行检验住院医师培训，并取得美国临床化学医师执照。主要社会任职：首都医科大学临床检验诊断学系青年委员会副主任委员，北京市临床检验中心临床质谱规范化应用专家委员会副主任委员，北京内分泌代谢病学会检验医学专业委员会副主任委员等。