诺尔玛:从杀婴到自我毁灭——人物行为背后的动因分析

纵观历史上的名家名作,以杀婴题材为主要内容的作品不在少数。杀婴这个充斥着道德败坏、违反人伦的残忍题材受到了诸多作家的关注。如古希腊时期的悲剧作家欧里庇得斯的作品《美狄亚》,其中的女主人公美狄亚为了报复伊阿宋对自己的背叛而毒死自己的孩子;美国剧作家奥尼尔的戏剧作品《榆树下的欲望》中爱碧为了证明自己对伊本的爱而杀死了自己的孩子;《亚当·比德》中的赫蒂未婚生子在绝望中将自己刚出生的孩子遗弃。可见杀婴题材在众多的文学、戏剧等作品中已是屡见不鲜。尽管杀婴呈现出血腥、残暴的画面,但杀婴之下的动机却极度复杂。通过对人物杀婴动机的分析在很大程度上可以促进我们对人物性格的理解与把握。

贝利尼歌剧《诺尔玛》赴刑场景“情理”分析

《诺尔玛》是贝利尼重要的歌剧作品,蕴含着深厚的浪漫主义思想感情及意蕴。本文主要从浪漫主义情感因素及人物性格的理性因素分析歌剧中赴刑场景的合理性。原脚本中波利昂会在最后一刻与诺尔玛一同赴刑,笔者认为这一场景过于理想化。从波利昂人物性格来看,他很难做出如此举动,但从浪漫主义情感角度分析该场景又有一定的合理性。针对该场景的不足之处,笔者结合图表方式呈现两种改进设想。

C端带Flag标签重组小鼠IL-33慢病毒载体的构建及鉴定

目的构建C端携带Flag标签蛋白的重组小鼠IL-33慢病毒表达载体,为进一步研究IL-33在肿瘤免疫中的作用提供实验基础。方法设计引物在小鼠IL-33基因的C端加入Flag标签,PCR法扩增带有标签的目的基因,再接入经酶切后的线性化pLVX-puro慢病毒载体。带标签的目的基因重组载体用两种限制性内切酶ApaI和XhoI酶切后,进行琼脂糖凝胶电泳鉴定,最后测定目的基因序列。结果成功构建重组小鼠IL-33慢病毒表达载体并将Flag标签成功插入到目的基因的C端。结论成功构建了重组慢病毒表达载体pLVX-mIL-33-Flag,为下一步在肿瘤中研究IL-33的作用和机制奠定了基础。

上调miR-203表达对肝星状细胞增殖及胶原合成的影响

目的:观察上调mi R-203表达对肝星状细胞增殖活性及胶原合成的影响.方法:利用Lipofectamine?2000将miR-203模拟物(mimics)转染大鼠肝星状细胞(HSC-T6),培养48 h后,收集细胞提取总蛋白和总RNA,分别行Western blot和RT-qP CR,检测α平滑肌肌动蛋白(α-smooth muscle actin,α-SMA)、Ⅰ型胶原和Ⅲ型胶原表达;MTT(噻唑蓝)法检测细胞增殖活性.结果:与阴性对照组相比,mi R-203 mimics组α-SMA蛋白和mRNA表达分别下降75%和80%(均P<0.01);Ⅰ型胶原蛋白表达下降56%(P<0.01),mRNA表达下降48%(P<0.05);Ⅲ型胶原蛋白与mRNA表达分别下降45%和60%(P<0.05);HSC-T6细胞增殖活性下降20%±5%(P<0.01).结论:上调mi R-203表达能显著抑制肝星状细胞增殖及胶原合成.

FBXO22在急性髓系白血病中的表达分析

目的:检测急性髓系白血病(AML)病人骨髓细胞FBXO22基因表达水平,分析其与病人临床指征的相关性。方法:收集AML病人92例,其中初发组41例,完全缓解(CR)组28例,部分缓解(PR)组23例,另选取肾性贫血、缺铁性贫血病人30例作为对照组。实时荧光定量PCR法测定并比较各组病人骨髓细胞中FBXO22 mRNA相对表达量。分析初发组病人FBXO22 mRNA相对表达量与病人性别、年龄、血常规参数、临床分型的相关性。结果:各组病人FBXO22 mRNA表达水平间差异有统计学意义(P<0.01),其中PR组和初发组均低于对照组和CR组(P<0.05),而对照组和CR组、PR组和初发组间差异均无统计学意义(P>0.05)。初发组病人中,不同血小板计数病人的FBXO22 mRNA表达水平差异有统计学意义(P<0.05)。相关分析显示,初发组病人血小板计数与FBXO22 mRNA相对表达水平呈明显正相关关系(r=0.492,P<0.01)。结论:AML病人骨髓细胞FBXO22表达降低,且与血小板计数呈正相关关系。

TransAS-UNet:融合Swin Transformer和UNet的乳腺癌区域分割

目的乳腺癌在女性中是致病严重且发病率较高的疾病,早期乳腺癌症检测是全世界需要解决的重要难题。如今乳腺癌的诊断方法有临床检查、影像学检查和组织病理学检查。在影像学检查中常用的方式是X光、CT(computed tomography)、磁共振等,其中乳房X光片已用于检测早期癌症,然而从本地乳房X线照片中手动分割肿块是一项非常耗时且容易出错的任务。因此,需要一个集成的计算机辅助诊断(computer aided diagnosis,CAD)系统来帮助放射科医生进行自动和精确的乳房肿块识别。方法基于深度学习图像分割框架,对比了不同图像分割模型,同时在UNet结构上采用了Swin架构来代替分割任务中的下采样和上采样过程,实现局部和全局特征的交互。利用Transformer来获取更多的全局信息和不同层次特征来取代短连接,实现多尺度特征融合,从而精准分割。在分割模型阶段也采用了Multi-Attention ResNet分类网络对癌症区域的等级识别,更好地对乳腺癌进行诊断医疗。结果本文模型在乳腺癌X光数据集INbreast上实现肿块的准确分割,IoU(intersection over union)值达到95.58%,Dice系数为93.45%,与其他的分割模型相比提高了4%~6%,将得到的二值化分割图像进行四分类,Accuracy值达到95.24%。结论本文提出的TransAS-UNet图像分割方法具有良好的性能和临床意义,该方法优于对比的二维图像医学分割方法。