原发性膜性肾病 ( primary membranous nephro- pathy , PMN ) 是全球成人肾病综合征常见的病因 , 也是中国原发性肾小球疾病中发病率第二 、 增长 最快的疾病 [ 1 ] 。大多数 PMN 患者有典型的临床表 现 , 包括大量蛋白尿 、 低蛋白血症 、 水肿和高脂血 症等。近 30% 的 PMN 患者能够获得自发缓解 , 但 中危和高危患者 , 即大量蛋白尿 、 肾功能不稳定的 患者 , 缓解的可能性较低 [ 2 ] 。 既往研究表明 , 线粒体功能障碍在急性肾损伤 ( acute kidney injury , AKI ) 和慢性肾脏病 ( chronic kidney diseases , CKD ) 的发病机制和肾脏修复中发 挥关键作用 [ 3 - 4 ] 。线粒体功能与线粒体 DNA ( mito- chondrial DNA , mtDNA ) 的完整性密切相关 , 当线 粒体受损时 , mtDNA 会从线粒体基质释放到细胞 质或细胞外 , 进而激活氧化应激反应 , 并作为炎症 介质激活自然免疫炎症反应 [ 5 ] 。目前多项研究表 明 , 尿 mtDNA 是各种肾脏疾病中线粒体损伤的替 代标志物 [ 6 ] 。我们之前的研究表明 , mtDNA 在尿液 和肾脏组织中容易被检测到 , 其拷贝数与糖尿病肾 脏疾病的肾功能下降和肾脏病理结构改变有关 [ 7 ] 。 另一项研究指出 , 尿液中 mtDNA 与肾功能下降速 度有关 , 并能预测非糖尿病肾脏疾病患者血肌酐翻 倍或需要进行透析治疗的风险 [ 8 ] 。然而 , 尿 mtD- NA 在 PMN 患者中的改变及其对预后的预测作用 仍不明确。本研究旨在探讨尿 mtDNA 与 PMN 患
摘要:我们介绍了一种基于拓扑原理设计膨胀(负泊松比)结构的新方法,并通过研究基于二维 (2D) 纺织编织图案的新型膨胀材料来证明该方法。设计膨胀材料的传统方法通常涉及确定单个可变形材料块(一个晶胞),其形状会导致膨胀行为。因此,在 2D(或 3D)域中对这样的晶胞进行图案化会产生更大的结构,该结构会表现出整体膨胀行为。这种方法自然依赖于一些先前的直觉和经验,即哪些晶胞可能是膨胀的。其次,调整所得结构的属性通常仅限于特定类型晶胞几何形状的参数变化。因此,目前已知的大多数膨胀结构属于少数几类晶胞几何形状,这些几何形状是根据指定的拓扑(即网格结构)明确定义的。在这项工作中,我们展示了一类新的膨胀结构,虽然具有周期性,但可以隐式生成,即无需参考特定的晶胞设计。该方法利用基于编织的拓扑参数(
⑤ 不受著作权限制 ⇩ 著作权侵权的构成要件 = 1) 著作权性 + 2) 依赖性 + 3) 相似性 + 4) 法定使用 - 5) 著作权限制
本博士论文须遵守 Recognition-NoCommercial 4.0 许可证。知识共享西班牙。本博士论文已获得致谢 - 非商业 4.0 许可证的许可。知识共享西班牙文。本博士论文已获得 Creative Commons Attribution-NonCommercial 4.0 许可。西班牙许可证。
识别和储层相的表征是划定用于碳氢化合物勘探的储层的碳氢化合物区域的主要因素。地球物理日志是在钻孔附近测量的储层相的物理参数,在储层相的解释中起着至关重要的作用。本研究涉及使用地球物理原木上的机器学习(ML)技术在坎贝盆地中岩石BEL的岩性的识别。机器学习的监督技术,例如支持向量机(SVM),ARTI B CIAL神经网络(ANN)和K-Nearest邻居(KNN),用作非线性地球体物理原木岩性学的识别的非线性分类。使用网格搜索交叉验证(CV)方法优化了ML模型的超参数,如ConfusionMatrix评估,auctreceiver操作特性曲线(AUC),精度,召回和F1分数对促进性的促进症状效果。ML模型使用了两个井的地球物理参数,其中有四个已知的杰出岩性(class-a,class-b,class-c和class-c和class-c和class-c和class-c和class-class-c和class-class-class-c和class-class-class)。分别从混淆矩阵中分别为KNN,SVM和ANN的每个岩性的优化和训练的模型,分别以85.4%,87.0和88.9%的形式显示了对真实值的总体正确预测。因此,每个模型从评估参数中的准确性表明,对不同ML模型的组合分析选择优化的ML模型,以更好地实现和验证,以更好地实现和建模岩性。除此之外,接收器手术特征(ROC)还表明,每种岩性的曲线下的整体面积大于90%,其他评估参数(例如精度,回忆和F1得分)的准确性大于84%,除了SVM和ANN类C类D类和Ans类D类案例外。
条件。“我们利用极端情况来展示风险,”大坝安全项目经理 Matt Stewart 说。“为绝对最坏的情况做好准备是一种积极主动的方法,同时也确保我们为那些不太重要的情况做好准备。”我们在演习期间测试 EAP。其中很大一部分是风险沟通。在演习过程中,我们通过与参与者的公开讨论来确定缺失的部分或可以改进的地方。”演习结束后,工程兵团的 EAP 连同行动后评估一起发送给所有参与者,以收集反馈和评论。然后,工程兵团更新他们的 EAP 并将副本重新分发给特定大坝的所有利益相关者。“我们的想法是,每个参与的团体都会更新他们的 EAP 或同等文件,并将其提供给工程兵团,”Stewart 说。“演习传达了风险,但每个社区都有责任制定自己的疏散和准备计划,并确定哪些关键基础设施会受到影响。”
摘要 重力引起的意识丧失 (G-LOC) 是战斗机飞行员面临的主要威胁,可能会导致致命事故。高 +Gz(头到脚方向)加速度力会诱发脑出血,导致周边视力丧失、中央视力丧失(昏厥)和 G-LOC。我们尝试建立一个公式,使用脑氧合血红蛋白 (oxyHb) 值、身高、体重和身体质量指数 (BMI) 来预测 G-LOC。我们分析了 2008 年至 2012 年间测量的 249 名人体离心机受训者的脑氧合血红蛋白值。受训者暴露于两种离心机模式。一种是 4G–15s、5G–10s、6G–8s 和 7G–8s,不穿抗荷服(间隔 60 秒,发作率为 1G/s)。另一组为 8G-15s,起始速率为 6G/s,穿着抗荷服。我们使用近红外光谱仪 (NIRS)(NIRO-150G,日本静冈县滨松光子学株式会社,滨松)测量了受训者的脑氧合血红蛋白值。分析了以下参数。A)基线值为 +Gz 暴露前 30 秒的平均值。B)+Gz 暴露期间氧合血红蛋白的最大值。C)+Gz 暴露期间氧合血红蛋白的最小值。D)氧合血红蛋白从最大值到最小值的变化率(变化率)。使用逻辑回归分析进行统计分析,以建立预测 G-LOC 的公式。受训者的年龄为 24.1 ±1.7(S.D.)(范围,22 ~ 30)