背景:非编码RNA作为一类不编码蛋白质的RNA分子,在细胞调控中发挥关键作用。同时,间充质干细胞具有多向分化潜能,对组织修复和再生至关重要。近年来,研究者们对非编码RNA在调控间充质干细胞功能中的作用展开了深入探讨。目的:通过文献...背景:非编码RNA作为一类不编码蛋白质的RNA分子,在细胞调控中发挥关键作用。同时,间充质干细胞具有多向分化潜能,对组织修复和再生至关重要。近年来,研究者们对非编码RNA在调控间充质干细胞功能中的作用展开了深入探讨。目的:通过文献计量学分析方法系统地了解非编码RNA与间充质干细胞相关研究的发展趋势与关键领域。方法:从Web of Science核心合集1990年至今的科学引文索引扩展获取非编码RNA与间充质干细胞相关研究的文献数据,运用VOSviewer和Cite Space计量学软件对年份、国家或地区、研究机构、被引文献和关键词进行发文量、聚类、被引频次、突增性和中介中心性进行分析,揭示该研究领域的知识基础及前沿热点。结果与结论:(1)最终纳入5348篇文献,发表在1997-2021年,相关文献呈现明显的增长趋势,尽管在2022年略有减少,其发文量仍保持较高水平,中国在该领域的研究中占据主导地位,其中上海交通大学为最活跃的机构。(2)对被引文献分析发现,高突增性、高中介中心性、高被引的文献主要与微小RNA、细胞外囊泡和骨代谢等内容相关,这些文献构成了非编码RNA与间充质干细胞研究领域的重要知识基础。(3)对关键词进行突增性分析发现,至今保持高突增性的关键词包括外泌体、环状RNA、细胞外囊泡和损伤。(4)对关键词进行聚类演变分析,发文量仍保持增长趋势的关键词聚类包括:肿瘤微环境、骨关节炎、氧化应激和细胞外囊泡,这些关键词反映了目前以及未来该领域的研究热点。(5)文章结果不仅展示了非编码RNA与间充质干细胞研究领域的研究态势,更重要的是有望为研究人员提供潜在的方向和启示。展开更多
针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使...针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。展开更多
文摘背景:非编码RNA作为一类不编码蛋白质的RNA分子,在细胞调控中发挥关键作用。同时,间充质干细胞具有多向分化潜能,对组织修复和再生至关重要。近年来,研究者们对非编码RNA在调控间充质干细胞功能中的作用展开了深入探讨。目的:通过文献计量学分析方法系统地了解非编码RNA与间充质干细胞相关研究的发展趋势与关键领域。方法:从Web of Science核心合集1990年至今的科学引文索引扩展获取非编码RNA与间充质干细胞相关研究的文献数据,运用VOSviewer和Cite Space计量学软件对年份、国家或地区、研究机构、被引文献和关键词进行发文量、聚类、被引频次、突增性和中介中心性进行分析,揭示该研究领域的知识基础及前沿热点。结果与结论:(1)最终纳入5348篇文献,发表在1997-2021年,相关文献呈现明显的增长趋势,尽管在2022年略有减少,其发文量仍保持较高水平,中国在该领域的研究中占据主导地位,其中上海交通大学为最活跃的机构。(2)对被引文献分析发现,高突增性、高中介中心性、高被引的文献主要与微小RNA、细胞外囊泡和骨代谢等内容相关,这些文献构成了非编码RNA与间充质干细胞研究领域的重要知识基础。(3)对关键词进行突增性分析发现,至今保持高突增性的关键词包括外泌体、环状RNA、细胞外囊泡和损伤。(4)对关键词进行聚类演变分析,发文量仍保持增长趋势的关键词聚类包括:肿瘤微环境、骨关节炎、氧化应激和细胞外囊泡,这些关键词反映了目前以及未来该领域的研究热点。(5)文章结果不仅展示了非编码RNA与间充质干细胞研究领域的研究态势,更重要的是有望为研究人员提供潜在的方向和启示。
文摘针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。
