糖基化在植物天然产物的结构多样化中起着重要作用,鉴定高效的糖基转移酶是合成糖苷产物的关键步骤。该研究从短管兔耳草中克隆得到一条新的糖基转移酶基因UGT74DU1,借助伴侣蛋白质粒pGro7在大肠杆菌中实现可溶性高表达,并通过体外酶促...糖基化在植物天然产物的结构多样化中起着重要作用,鉴定高效的糖基转移酶是合成糖苷产物的关键步骤。该研究从短管兔耳草中克隆得到一条新的糖基转移酶基因UGT74DU1,借助伴侣蛋白质粒pGro7在大肠杆菌中实现可溶性高表达,并通过体外酶促反应验证了其功能。UGT74DU1全长1413 bp,编码470个氨基酸,蛋白质分子质量约为52.6 kDa,理论等电点为5.53。氨基酸序列比对及系统发育分析显示,UGT74DU1与CrUGT74AN3亲缘关系最近,序列相似度仅46.86%。通过LC-MS分析及核磁共振(nuclear magnetic resonance,NMR)结构鉴定发现UGT74DU1可以优先识别槲皮素、山奈酚、芦丁、异槲皮苷等黄酮类化合物C-7-OH,反应生成黄酮-7-O-葡萄糖苷,进一步识别C-4′-OH生成黄酮-4′,7-O-双葡萄糖苷;同时也可以催化苯乙醇苷类化合物毛蕊花糖苷羟基肉桂酰基的C-3″-OH糖基化,生成毛蕊花糖苷-3″-O-β-葡萄糖苷,具有一定的底物宽泛性。展开更多
目的现有数据浓缩后门攻击方法将含有触发器的中毒样本和干净样本浓缩为小的数据集,中毒数据中真实数据的强信号掩盖触发器的弱信号,并且未考虑将非目标类浓缩数据与中毒数据特征分离,非目标类浓缩数据残留触发器特征。因此,提出分离触...目的现有数据浓缩后门攻击方法将含有触发器的中毒样本和干净样本浓缩为小的数据集,中毒数据中真实数据的强信号掩盖触发器的弱信号,并且未考虑将非目标类浓缩数据与中毒数据特征分离,非目标类浓缩数据残留触发器特征。因此,提出分离触发器和多重对比的数据浓缩后门攻击。方法首先将触发器与真实数据进行分离。分离的触发器作为样本与真实数据并行嵌入浓缩数据,减少真实数据对触发器的干扰。然后,对分离的触发器进行优化,将触发器接近目标类真实数据的特征,提高触发器的嵌入效果,同时对触发器进行了分区放大预处理来增加触发器像素的数量,使其在优化过程获取大量的梯度用于指导学习。在数据浓缩阶段,通过多重对比将目标类浓缩数据与触发器特征投影在同一空间,将非目标类浓缩数据与触发器特征分离,进一步提高后门攻击的成功率。结果为了验证所提出方法的有效性,将所提出方法在FashionMNIST(Fashion Modified National Institute of Standards and Technology database)、CIFAR10(Canadian Institute for Advances Research’s ten categories dataset)、STL10(Stanford letter-10)、SVHN(street view house numbers)与其他4种方法进行对比实验。所提出的方法在5个数据集和6个不同的模型上均达到100%的攻击成功率,同时未降低干净样本在模型上的准确率。结论所提出的方法通过解决现有方法存在的问题,实现了性能的显著提高。本文方法具体代码见:https://github.com/tfuy/STMC。展开更多
文摘糖基化在植物天然产物的结构多样化中起着重要作用,鉴定高效的糖基转移酶是合成糖苷产物的关键步骤。该研究从短管兔耳草中克隆得到一条新的糖基转移酶基因UGT74DU1,借助伴侣蛋白质粒pGro7在大肠杆菌中实现可溶性高表达,并通过体外酶促反应验证了其功能。UGT74DU1全长1413 bp,编码470个氨基酸,蛋白质分子质量约为52.6 kDa,理论等电点为5.53。氨基酸序列比对及系统发育分析显示,UGT74DU1与CrUGT74AN3亲缘关系最近,序列相似度仅46.86%。通过LC-MS分析及核磁共振(nuclear magnetic resonance,NMR)结构鉴定发现UGT74DU1可以优先识别槲皮素、山奈酚、芦丁、异槲皮苷等黄酮类化合物C-7-OH,反应生成黄酮-7-O-葡萄糖苷,进一步识别C-4′-OH生成黄酮-4′,7-O-双葡萄糖苷;同时也可以催化苯乙醇苷类化合物毛蕊花糖苷羟基肉桂酰基的C-3″-OH糖基化,生成毛蕊花糖苷-3″-O-β-葡萄糖苷,具有一定的底物宽泛性。
文摘目的现有数据浓缩后门攻击方法将含有触发器的中毒样本和干净样本浓缩为小的数据集,中毒数据中真实数据的强信号掩盖触发器的弱信号,并且未考虑将非目标类浓缩数据与中毒数据特征分离,非目标类浓缩数据残留触发器特征。因此,提出分离触发器和多重对比的数据浓缩后门攻击。方法首先将触发器与真实数据进行分离。分离的触发器作为样本与真实数据并行嵌入浓缩数据,减少真实数据对触发器的干扰。然后,对分离的触发器进行优化,将触发器接近目标类真实数据的特征,提高触发器的嵌入效果,同时对触发器进行了分区放大预处理来增加触发器像素的数量,使其在优化过程获取大量的梯度用于指导学习。在数据浓缩阶段,通过多重对比将目标类浓缩数据与触发器特征投影在同一空间,将非目标类浓缩数据与触发器特征分离,进一步提高后门攻击的成功率。结果为了验证所提出方法的有效性,将所提出方法在FashionMNIST(Fashion Modified National Institute of Standards and Technology database)、CIFAR10(Canadian Institute for Advances Research’s ten categories dataset)、STL10(Stanford letter-10)、SVHN(street view house numbers)与其他4种方法进行对比实验。所提出的方法在5个数据集和6个不同的模型上均达到100%的攻击成功率,同时未降低干净样本在模型上的准确率。结论所提出的方法通过解决现有方法存在的问题,实现了性能的显著提高。本文方法具体代码见:https://github.com/tfuy/STMC。
