本发明提供一种抗蛋白吸附毛细管电泳共价键合涂层柱的制备方法。利用聚苯乙烯磺酸钠和感光聚合物重氮树脂的静电自组装和光固化交联反应在石英毛细管柱的内壁上构筑共价键合抗蛋白吸附涂层。所制备的毛细管电泳涂层柱具有良好的抗蛋白吸附性能，与未涂层的石英毛细管裸柱相比，对蛋白质的分离性能提高1倍以上。本方法所用工艺流程简单，生产效率高，生产成本低，重复性好，无毒环保，易于大规模生产，制得的共价键合毛细管电泳涂层柱具有优良的化学稳定性和抗蛋白吸附性能，适用于对蛋白质、糖蛋白、肽链、激素、酶等生物的样品的电泳分离检测和纯化。毛细管电泳涂层柱、产品附加值高。

本发明属于医药技术领域，具体涉及(一)从藤黄科金丝桃属植物元宝草的地上部分提取分离得到的具有抗肿瘤细胞活性和抗艾滋病毒活性的新化合物的活性及结构。(二)抗肿瘤活性良好的化合物 16-20 的分离纯化制备方法和相关活性，结构式如式 1 所示。(三)具有抗艾滋病毒活性的化合物 1 和 2 的分离纯化制备方法和相关活性，结构式如式1 所示。本发明为开发新的抗肿瘤和抗艾滋病毒药物提供了备选化合物，对藤黄科植物的开发利用具有非常重要的意义。

本发明公开了一种考虑局部轴向压力的沥青混合料水平抗剪性能试验装置及方法，装置包括：沥青混合料圆柱体试件、圆形钢垫块、钢套筒、半圆环形压头、凹形底座、螺栓和剪式千斤顶；方法具体为采用万能材料试验机，通过半圆环形压头对作用有轴向局部荷载的沥青混合料圆柱体试件进行匀速加载，由试件变形测定装置LVDT及数据采集系统自动绘制和记录试件的荷载?变形曲线，根据读取

肿瘤是威胁人类健康的重要疾病之一。化疗是治疗肿瘤或减缓肿瘤生长的一种有效的常规方法。但是多数传统的抗肿瘤药物选择性差、毒副作用强，以及肿瘤的多药耐药等原因严重影响了临床疗效（Accounts Chem. Res., 2007, 41, 98）。提高选择性成为发展抗肿瘤药物需要解决的关键问题。因此现在迫切需要发展一类广谱、高选择性、具有新的作用靶点和作用机制的药物。 抗菌肽（antimicrobial peptide）一般是由少于 50 个氨基酸构成的双亲性阳离子多

在有机合成上，药物导向的有机合成，特别是快速、有效地合成高光学纯度的具有药物或生物活性的有机分子一直是一种挑战性的工作。因此，尽管在药物为导向的手性合成领域有很大的创新要求，但是到目前为止，有效的合成方法的发展及最终应用于新型药物的发现仍然是稀少的。神经炎症治疗有关的抗炎解热药物目前在临床上是一种重要而且昂贵的药物，对它的有效使用已经作为一种治疗策略去治疗伴有神经炎症的脑部疾病。例如：阿兹海默氏症(P.Eikelenboom，E.van Exel，J.J.Hoozemans，R.Veerhuis，A

本发明公开了一种促进滨海盐碱地水稻种子快速萌发及抗盐能力的方法。首先用质量分数10～15％的过氧化氢水溶液浸泡水稻种子20～30分钟，然后水稻种子用水浸泡8～10小时，再用2～5mmol/L?NaCl水溶液对水浸后的水稻种子浸种15～30分钟，然后用含有20～45mmol/L脯氨酸、0.5～2mmol/L磺基水杨酸的水溶液浸泡水稻种子1～2小时，再用70-200mg/L的赤霉素水溶液浸泡水稻种子1～2小时，然后将浸种后的水稻种子进行萌发，萌发后的水稻种子播种到滨海盐碱地的大田中。本发明通过水稻种子盐激处理后，再使用脯氨酸与磺基水杨酸配制的混合液以及赤霉素浸种后快速提高了水稻种子的萌发及抗盐能力，解决了滨海盐碱地水稻直播种子出苗率低的瓶颈问题，具有重要的实际应用价值。

本发明公开了一种具有抗氧化和抗炎功效的重组海洋蛋白及其制备方法与应用。该发明通过合成生物学技术，成功构建了由多重海洋生物蛋白组成的重组海洋蛋白，其包含众多活性功能氨基酸，具有显著的抗氧化和抗炎功效。所述重组海洋蛋白的制备方法为，使用同源重组法将所述重组海洋蛋白的编码基因与载体连接，构建重组表达载体，导入枯草芽孢杆菌中，构建重组枯草芽孢杆菌，将其接种至发酵培养基中发酵，即得。本发明的重组海洋蛋白具有显著优异的抗炎和抗氧化效果，还为抗氧化和抗炎领域提供了新的解决方案，具有广阔的应用前景。

对CF3自由基引发非活性烯烃和远程的胺β-C-H键的官能化的研究进展。该研究在国际上首次实现了有机膦催化的CF3自由基串联反应：烯烃的官能化和酰胺类衍生物的β-Csp3-H键官能化，分别得到双三氟甲基化的烯酰胺和三取代的5-(三氟甲基)噁唑。该反应具有较高区域选择性、化学选择性和立体选择性；利用该方法可以一锅法制备三取代的5-(三氟甲基)噁唑，具有方法简单、步骤少等优点。此法不仅弥补了传统方法中使用金属催化剂催化时导向基团必不可少的不足，而且为自由基有机反应提供了一种新的思路。

本成果以专利形式体现（专利号 200910248615.5 ），桦褐孔菌的代谢产物紫杉醇具有抗癌功效，本专利所提出的的提取三萜类物质方法，更好的简化了提取步骤和工艺，有利于实现该物质的提取，在生物医药行业将有广泛应用。

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN