高效脱氟剂NY-Z02深度处理含氟矿井涌水

文章采用高效脱氟剂NY-Z02对广西某矿井涌水进行了深度除氟处理工艺研究。小试结果表明,常温下,调节废水p H=6~7,NY-Z02用量0.5‰,反应时间15 min,然后采用PAM进行絮凝、沉淀后的处理出水中氟浓度由6.2 mg/L降低至0.54 mg/L。中试结果表明,在其他条件不变的情况下,NY-Z02用量降低至0.4‰时,即可将矿井涌水中氟浓度降低至0.58 mg/L,满足排放要求,此时吨水处理的药剂成本仅为0.69元。

一种混合深度神经网络的赖氨酸乙酰化位点预测方法

赖氨酸乙酰化(Lysine acetylation,Kace)普遍存在于人体代谢酶中,与多种代谢疾病密切相关,因此准确识别该位点对于代谢疾病治疗的研究具有重要意义.现有的Kace位点预测方法大多采用蛋白质序列层面的信息作为输入,蛋白质结构特性考虑不全面;特征提取时未关注氨基酸残基间顺序相关性,信息丢失严重,降低了预测准确度.提出一种新的Kace位点预测深度学习CL-Kace模型.CL-Kace引入蛋白质结构特性,并与蛋白质原始序列、氨基酸理化属性共同构建位点特征空间,采用卷积神经网络(Convolutional Neural Network,CNN)提取特征;引入双向长短期记忆(Bidirectional Long Short-Term Memory,BiLSTM)网络捕获残基间的顺序依赖关系,以提高网络的抽象能力,识别潜在的Kace位点.实验结果表明,CL-Kace模型优于现有的Kace位点预测器,能够有效地预测潜在的位点.

基于堆叠自动编码器的miRNA-疾病关联预测方法

作为一类小的非编码RNA,miRNA的异常调控与人类疾病的发生和发展密切相关,研究miRNA与疾病的关联对于了解人类疾病致病机制具有重要意义。机器学习方法被广泛应用于miRNA-疾病关联预测,然而现有方法仅仅考虑了miRNA与疾病相似性网络信息,忽略了相似性网络的拓扑结构。因此,文中提出基于堆叠自动编码器的miRNA-疾病关联预测模型SAEMDA,该模型采用重启随机游走获取miRNA与疾病相似性网络的拓扑结构特征,用堆叠自动编码器提取miRNA与疾病的抽象低维特征,将得到的低维特征输入深度神经网络进行miRNA-疾病关联预测。SAEMDA模型在5折交叉验证中取得了较好的结果,并在结肠癌和肺癌两个案例中进行了验证。在结肠癌的案例中,此模型预测的前50个miRNA-疾病关联中的45个miRNA在数据库中得到了验证;在肺癌的案例中,排名前50的miRNA均在数据库中得到了验证。