目的:探讨紫花前胡素在动脉粥样硬化疾病中的抗炎作用及其安全性,并验证其对巨噬细胞炎症反应的调节作用。方法:构建高脂饮食喂养的载脂蛋白E基因敲除(apolipoprotein E deficient, ApoE-/-)雄性小鼠动脉粥样硬化模型,通过氧化型低密度...目的:探讨紫花前胡素在动脉粥样硬化疾病中的抗炎作用及其安全性,并验证其对巨噬细胞炎症反应的调节作用。方法:构建高脂饮食喂养的载脂蛋白E基因敲除(apolipoprotein E deficient, ApoE-/-)雄性小鼠动脉粥样硬化模型,通过氧化型低密度脂蛋白(oxidized low-density lipoprotein, oxLDL)刺激RAW 264.7巨噬细胞以诱导泡沫细胞形成。采用油红O(oil red O, ORO)染色评估主动脉斑块面积减少比例。通过蛋白质印迹检测核因子κB(nuclear factorκB, NF-κB)的磷酸化水平,采用炎症因子阵列分析血清及细胞上清中炎症因子水平,并通过苏木精-伊红(hematoxylin-eosin, HE)染色评估紫花前胡素的全身毒性。结果:紫花前胡素显著减少主动脉斑块面积,在oxLDL刺激的巨噬细胞中,其可抑制NF-κB的过度活化,下调促炎因子[如白介素(interleukin, IL)-2和干扰素(interferon, IFN)-γ]的表达,同时上调抗炎因子(如IL-4和IL-10)的水平。此外,在ApoE-/-小鼠模型中,紫花前胡素同样显著降低了血清中促炎因子水平,提高抗炎因子水平。HE染色结果显示,紫花前胡素未对主要器官造成明显的病理损伤。结论:紫花前胡素通过调控巨噬细胞炎症反应发挥显著的抗炎作用,并减轻动脉粥样硬化病变,安全性较高,有望成为治疗动脉粥样硬化的潜在药物。展开更多
针对超临界锅炉运行中氧化膜动态生长特性难以实时监测导致的机组运行效能劣化问题,本文提出一种高效融合深度学习与生长机理的氧化膜厚度预测模型(VMD-NPDCLO-BiLSTM-SAMME),利用变分模态分解(variational mode decomposition,VMD)将...针对超临界锅炉运行中氧化膜动态生长特性难以实时监测导致的机组运行效能劣化问题,本文提出一种高效融合深度学习与生长机理的氧化膜厚度预测模型(VMD-NPDCLO-BiLSTM-SAMME),利用变分模态分解(variational mode decomposition,VMD)将原始序列分解为若干相对平稳的子序列,采用混沌-莱维神经种群动态优化(neural population dynamics with chaotic-levy optimization,NPDCLO)算法,构建具有最优超参数配置的双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)模型,并使用多类指数损失函数渐进添加模型(stagewise additive modeling using a multi-class exponential loss function,SAMME)将多个NPDCLO-BiLSTM弱分类器组合,构建VMD-NPDCLO-BiLSTM-SAMME强分类器模型对氧化膜生成机理模型中的高温过热器壁温与烟温进行预测,最终利用预测结果融合机理模型以实现氧化膜厚度的实时精确估计。仿真实验结果表明:本文提出的模型与现有的BiLSTM-SAMME模型相比,壁温的平均绝对误差与均方根误差分别降低32.52%、32.26%,烟温的平均绝对误差与均方根误差分别降低47.38%、55.27%;氧化膜厚度预测模型的平均误差为7.42%,验证了模型的有效性及工程适用性。展开更多
文摘针对超临界锅炉运行中氧化膜动态生长特性难以实时监测导致的机组运行效能劣化问题,本文提出一种高效融合深度学习与生长机理的氧化膜厚度预测模型(VMD-NPDCLO-BiLSTM-SAMME),利用变分模态分解(variational mode decomposition,VMD)将原始序列分解为若干相对平稳的子序列,采用混沌-莱维神经种群动态优化(neural population dynamics with chaotic-levy optimization,NPDCLO)算法,构建具有最优超参数配置的双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)模型,并使用多类指数损失函数渐进添加模型(stagewise additive modeling using a multi-class exponential loss function,SAMME)将多个NPDCLO-BiLSTM弱分类器组合,构建VMD-NPDCLO-BiLSTM-SAMME强分类器模型对氧化膜生成机理模型中的高温过热器壁温与烟温进行预测,最终利用预测结果融合机理模型以实现氧化膜厚度的实时精确估计。仿真实验结果表明:本文提出的模型与现有的BiLSTM-SAMME模型相比,壁温的平均绝对误差与均方根误差分别降低32.52%、32.26%,烟温的平均绝对误差与均方根误差分别降低47.38%、55.27%;氧化膜厚度预测模型的平均误差为7.42%,验证了模型的有效性及工程适用性。
