目的探讨柴朴汤对哮喘小鼠支气管上皮细胞高迁移率族蛋白B1(HMGB1)、Toll样受体4(TLR4)、核因子-κB(NF-κB)及下游炎症介质单核细胞趋化蛋白-1(MCP-1)、白细胞介素-6(IL-6)的影响。方法将小鼠支气管上皮细胞分为对照组(Con组,空白血清...目的探讨柴朴汤对哮喘小鼠支气管上皮细胞高迁移率族蛋白B1(HMGB1)、Toll样受体4(TLR4)、核因子-κB(NF-κB)及下游炎症介质单核细胞趋化蛋白-1(MCP-1)、白细胞介素-6(IL-6)的影响。方法将小鼠支气管上皮细胞分为对照组(Con组,空白血清培养)、Model组(哮喘小鼠血清培养)和Chaipu组(柴朴汤药血清培养)。采用qRT-PCR和Western blotting检测小鼠支气管上皮细胞中HMGB1、TLR4、NF-κB、MCP-1、IL-6的mRNA及蛋白表达情况,ELISA法测定细胞培养液中MCP-1和IL-6的水平。结果与Con组相比,Model组小鼠支气管上皮细胞HMGB1、TLR4、NF-κB、MCP-1、IL-6表达均明显升高(P<0.05);Model组细胞培养液中MCP-1、IL-6也显著升高(P<0.05)。与Model组相比,Chaipu组小鼠支气管上皮细胞HMGB1、TLR4、MCP-1、IL-6 mRNA和蛋白表达降低,NF-κB m RNA表达亦降低(P<0.05);Chaipu组细胞培养液中MCP-1、IL-6也显著降低(P<0.05)。结论柴朴汤可下调哮喘血清诱导的炎症因子的表达,可能与其抑制HMGB1/TLR4/NF-κB炎症通路有关。展开更多
针对胶囊网络(CapsNet)在处理含有背景噪声信息的复杂图像时分类效果不佳且计算开销大的问题,提出一种基于注意力机制和权值共享的改进胶囊网络模型——共享转换矩阵胶囊网络(STM-CapsNet)。该模型主要包括以下改进:1)在特征提取层中引...针对胶囊网络(CapsNet)在处理含有背景噪声信息的复杂图像时分类效果不佳且计算开销大的问题,提出一种基于注意力机制和权值共享的改进胶囊网络模型——共享转换矩阵胶囊网络(STM-CapsNet)。该模型主要包括以下改进:1)在特征提取层中引入注意力模块,使低层胶囊能够聚焦于与分类任务相关的实体特征;2)将空间位置接近的低层胶囊分为若干组,每组内的低层胶囊通过共享转换矩阵映射到高层胶囊,降低计算开销,提高模型鲁棒性;3)在间隔损失与重构损失的基础上加入L2正则化项,防止模型过拟合。在CIFAR10、SVHN(Street View House Number)、FashionMNIST复杂图像数据集上的实验结果表明,各改进均能有效提升模型性能;当迭代次数为3,共享转换矩阵数为5时,STM-CapsNet模型的平均准确率分别为85.26%、93.17%、94.96%,平均参数量为8.29 MB,比基线模型的综合性能更优。展开更多
文摘目的探讨柴朴汤对哮喘小鼠支气管上皮细胞高迁移率族蛋白B1(HMGB1)、Toll样受体4(TLR4)、核因子-κB(NF-κB)及下游炎症介质单核细胞趋化蛋白-1(MCP-1)、白细胞介素-6(IL-6)的影响。方法将小鼠支气管上皮细胞分为对照组(Con组,空白血清培养)、Model组(哮喘小鼠血清培养)和Chaipu组(柴朴汤药血清培养)。采用qRT-PCR和Western blotting检测小鼠支气管上皮细胞中HMGB1、TLR4、NF-κB、MCP-1、IL-6的mRNA及蛋白表达情况,ELISA法测定细胞培养液中MCP-1和IL-6的水平。结果与Con组相比,Model组小鼠支气管上皮细胞HMGB1、TLR4、NF-κB、MCP-1、IL-6表达均明显升高(P<0.05);Model组细胞培养液中MCP-1、IL-6也显著升高(P<0.05)。与Model组相比,Chaipu组小鼠支气管上皮细胞HMGB1、TLR4、MCP-1、IL-6 mRNA和蛋白表达降低,NF-κB m RNA表达亦降低(P<0.05);Chaipu组细胞培养液中MCP-1、IL-6也显著降低(P<0.05)。结论柴朴汤可下调哮喘血清诱导的炎症因子的表达,可能与其抑制HMGB1/TLR4/NF-κB炎症通路有关。
文摘针对胶囊网络(CapsNet)在处理含有背景噪声信息的复杂图像时分类效果不佳且计算开销大的问题,提出一种基于注意力机制和权值共享的改进胶囊网络模型——共享转换矩阵胶囊网络(STM-CapsNet)。该模型主要包括以下改进:1)在特征提取层中引入注意力模块,使低层胶囊能够聚焦于与分类任务相关的实体特征;2)将空间位置接近的低层胶囊分为若干组,每组内的低层胶囊通过共享转换矩阵映射到高层胶囊,降低计算开销,提高模型鲁棒性;3)在间隔损失与重构损失的基础上加入L2正则化项,防止模型过拟合。在CIFAR10、SVHN(Street View House Number)、FashionMNIST复杂图像数据集上的实验结果表明,各改进均能有效提升模型性能;当迭代次数为3,共享转换矩阵数为5时,STM-CapsNet模型的平均准确率分别为85.26%、93.17%、94.96%,平均参数量为8.29 MB,比基线模型的综合性能更优。