神经元范文10篇

摘要：Lonworks技术的核心是神经元芯片，文中详细描述了神经元芯片TMPN3150应用模式中的一种——并行口I/O模式，给出了基于该并行口I/O模式开发Lonworks协议与RS-232标准转换的互连适配器的设计方案。

关键词：Lonworks；神经元芯片；并行口I/O模式；TMPN3150

1引言

1993年美国Echelon公司发明了Lonworks技术，该技术提供了一个开放性很强且无专利权的底层通讯网络——局部操作网络（LON）。该通信协议采用Lontalk协议，网络上的节点采用神经元芯片。神经元芯片（Neuron芯片）是Lonworks技术的核心，它含有Lontalk协议的固态软件（简称为固件），因而能进行可靠地通讯。为了实现Neuron芯片与I／O设备之间的通信，Neuron芯片的11个引脚可定义为34种I／O对象，其中包括并行I／O对象、串行I／O对象、直接I／O对象、定时／计数器输入对象等。用户可根据实际应用的需要在应用程序中定义不同的I／O对象，然后调用ioin或ioout等函数来实现对I／O对象的数据读写操作，即实现Neuron芯片与I／O设备之间的通信。文中介绍了神经元芯片的一种I／O应用模式，即并行I／O模式（ParallelI／OMode）。该神经元芯片采用日本东芝公司的TMPN3150芯片。

RS－232标准是一种常见的电气和通讯接口标准，而Lonworks现场总线在网络通讯方面具有突出的优点（如网络物理层支持多种通信介质，支持多种网络拓扑结构等），它以其突出的统一性、开放性及互操作性受到各行各业的重视，并且作为现场总线中的佼佼者在国内各个领域的测控系统中广泛流行。因此，将现场设备的RS－232信号转换为包含LonTalk协议的信息来实现与其它LON节点以及LON网络管理设备之间的通讯，具有拓宽LON应用范围的意义。笔者基于神经元芯片的并行I／O应用模式设计了一个适配器，从而实现了RS－232通信网络与Lonworks现场总线的集成。

图1基于TMPN3150的RS-232网络与Lonworks现场总线的适配器硬件框图

摘要：小波神经元网络比多层前馈神经网络具有更多自由度和更好的适应性。为更好地反映气象因素对负荷的影响及提高负荷猜测的精度，文章选用Morlet小波构建小波神经元网络，采用误差反传学习算法来练习网络，采用自学习隶属度分析聚类的新方法选择练习样本。并应用武汉电网近年的负荷数据和气象资料进行了建模和猜测，猜测结果表明所建立的小波神经元网络猜测模型具有较好的收敛性，采用自学习隶属度分析聚类方法选择练习样本能改善猜测精度。摘要：小波神经元网络；隶属度；短期负荷猜测；电力系统SHORT-TERMLOADFORECASTINGBASEDONWAVELETNEURALNETWORKABSTRACT摘要：Waveletneuralnetwork(WNN)possessesmoredegreeoffreedomandbetteradaptivitythanmulti-layerFPneuralnetwork.Tobetterreflecttheinfluenceofclimatefactorsonloadandimprovetheprecisionofloadforecasting,theMorletwaveletischosentoestablishawaveletneuronnetwork,thebackpropagatealgorithmisadoptedtotraintheWNNnetwork,anewmethodofanalyzingclusteringbyself-studymembershipisusedtotrainthesamples.TheloaddataandclimaticdataofWuhanpowernetworkinrecentyearsareappliedinmodelingandloadforecasting.TheforecastingresultsshowthattheestablishedWNNmodelpossessesbetterconvergenceandtheforecastingprecisioncanbeimprovedbychoosingtrainingsampleswithanalyzingclusteringbyself-studymembership.KEYWORDS摘要：Waveletneuralnetwork；Membership；Short-termloadforecasting；Powersystem1引言短期负荷猜测是负荷猜测的重要组成部分，是电力系统运行调度中的重要内容。国内外已提出了多种短期负荷猜测方法，如多元回归、ARMA模型、人工神经元网络方法等。可归类为摘要：①利用负荷的自身发展规律，如ARMA模型[1等；②负荷发展规律和气象因素相结合，如ANN(ArtificialNeuralNetwork)方法[2；③其他方法，如小波分解法[3-5、模糊聚类法[6及混沌算法[7。人工神经网络以其强大的多元性映射能力能够准确捕捉并学习负荷值和天气之间的非线性关系，使考虑气象因素的电力系统短期负荷猜测成为可能。近年来它一直受到密切关注，且已成为解决电力负荷猜测新问题的有效计算工具。小波在分析非固定信号和构造非线性函数模型方面具有卓越性能，因此结合了小波基函数的小波神经元网络(WNN)比一般神经网络具有更多的优越性。为更好地反映气象因素对负荷的影响及提高负荷猜测的精度，本文构建了一种小波神经元网络负荷猜测模型，以Morlet小波取代Sigmoid函数，采用误差反传学习算法来练习网络，采用自学习隶属度分析聚类方法来选择练习样本。2小波及小波变换基本小波或母小波定义为满足相容性条件(如式(1)所示)的平方可积函数φ(t)∈L2(R)(L2(R)为二尺度空间)式中a、b为实数，且a≠0，称φab(t)为由母小波(t)生成的依靠于参数a、b的连续小波，也称为小波基。设反映负荷变化规律趋向的函数为f(t)∈L2(R)，定义其小波变换wf(a,b)为3小波神经元网络3.1基本原理小波神经元网络是基于小波分析的具有神经元网络思想的模型，即采用非线性小波基取代常用的非线性Sigmoid函数，通过线性叠加所选取的非线性小波基来拟合负荷历史数据序列。负荷曲线y(t)可采用小波基φab(t)进行如下拟合摘要：式中为负荷曲线y(t)的猜测值序列；Wk、bk、ak分别为第k个权重系数和第k个小波基的平移因子和伸缩因子；n为小波基个数。在小波神经元网络中，小波神经元负责对输入信号进行预处理，再将其传递到多层感知器。采用神经元网络学习算法练习网络，在迭代过程中调整网络的各个参数和小波系数，使输出误差最小化。3.2网络结构图1为4层小波神经元网络，图中输入层有I个神经元，xi为其第i个输入量；小波变换层有J个神经元，、vj分别为其第j个输入量和输出量隐层有K个神经元，yk为其第k个输出量；输出层有1个神经元，输出结果为Om，代表猜测日第m个猜测点的负荷值式中Ψs,t,j为小波变换函数；Wij、Wjk和Wk分别为输入层和小波层、小波层和隐层、隐层和输出层之间的连接权值。考虑到Morlet小波的简明表达方式，选择Morlet小波作为网络隐含层的变换基函数式中xz=(x-tj)/sj，sj为小波神经元j的放缩系数，tj为小波神经元j的平移系数。神经元学习算法用于修正sj和tj以及网络输出线性组合的权值Wij、Wjk和Wk，通过最小化误差能量函数优化这些网络参数。简化式(7)、(8)，取g(x)=x，小波神经元网络的输出Om可表示为式中D为练习样本数目；为第d个样本的第m个期望输出值。3.3小波神经元网络的误差反传学习算法为使误差Em最小，采用梯度下降法学习函数作为小波神经元网络的学习法则。该学习过程和普通神经元网络的算法相同。根据式(5)-(7)和式(8)，可得到Em的负梯度值，由此推出和该WNN每个参数有关的局部误差函数。如由局部误差函数值构造出梯度矢量，该WNN参数即可用梯度下降法更新确定。对于式(11)的Em，对于第d个样由于小波基函数对放缩系数和平移系数非凡敏感，因此小波基节点数应足够大，以确保神经元网络的稳定性。此外，本文模型的网络参数初值选取如表1所示。4小波神经元网络猜测模型的建立4.1采用改进隶属度分析聚类法选择练习样本为避免气象突变、日期、星期类型的不同导致负荷模式的不同，从而显著增加神经元网络的练习时间并影响猜测精度，需从历史数据中选取和猜测日的特征量最为接近的历史日的数据作为练习样本，聚类分析是选择样本的有效手段。在短期负荷猜测的数据聚类中主要考虑的聚类特征指标有摘要：最高温度、最低温度、平均温度、风力、可见度、湿度、天气类型、舒适度指数以及日期、星期等。这些因素对负荷变化的影响程度不同，其中最高温度、最低温度的变化对负荷变化的影响最大，且各因素的取值范围和正常变化范围也不同。本文采用自学习加权隶属度函数来进行模糊聚类分析。假设有K个负荷日，特征量的个数为M，第k个负荷日的第j个特征量表示为ykj，将其作如下归一化处理各特征量的隶属度函数表达式为式中μkj为第k个负荷日的第j个特征变量的隶属度值；gj为猜测日(即聚类中心)的第j个特征变量；设置阈值λ来确定练习样本，λ越大符合选择条件的练习样本数越少。采用监督式学习来决定权值wj。定义目标函数为式中nL为学习的样本数目；yi＝Li/L0；L1为历史日i的负荷总量；L0为目标日的负荷总量；ti为历史日i和目标日的相似度值，即隶属度值。采用梯度下降法来调整权值使式(22)达到最小值。4.2WNN的构建和练习本文构建的WNN网络有55个输入神经元(如表2所示)，112个小波层神经元，30个隐含层神经元，1个输出神经元。需指出的是，隐含层神经元最适宜的数目取决于误差检验，WNN网络通过未参加练习的某一阶段的历史数据来检验误差。练习中取近60天的历史数据运用上述基于隶属度分析的聚类方法来选取小波神经元网络的练习样本(10个)和检验样本(5个)。通过误差检验来确定隐含层神经元的数目。5算例基于本文的模型原理和建模步骤，采用C语言编写出小波神经元网络负荷猜测程序。利用湖北省武汉市1999年5月-12月的历史气象和负荷数据进行猜测摘要：①WNN网络和BP网络的性能比较(10个样本批量练习，单点输出条件下)见表3；②采用本文模型对武汉市电网负荷进行猜测，将其猜测结果和使用普通BP神经元网络的结果进行比较。表4为采用小波神经元网络方法对1999年5月21日-1999年5月27日的负荷进行猜测的平均相对误差和普通BP网络的比较，结果表明本文猜测算法稳定实用，能够改善猜测精度。6结论本文探索了小波神经元网络用于解决短期负荷猜测的能力。探究表明恰当地选择练习样本和合理地选择网络结构是影响WNN网络猜测精度的主要因素。小波神经元网络具有比BP网络更快的收敛速度，改进隶属度聚类方法的应用可改善负荷大波动日的猜测精度。参考文献[1施泉生(ShiQuansheng)．短期负荷预告模型库的探究及应用(Astudyandapplyonmodelsystemofshort-termloadforecasting)[J．系统工程理论和实践(SystemEngineeringTheoryandPractice)，1996，16(7)摘要：99-104．[2ParkDC，El-SharkawiMA，MarksRJIIetal．Electricloadforecastingusinganartificialneuralnetwork[J．IEEETransactionsonPowerSystems，1991，6(2)摘要：442-449．[3邰能灵，侯志俭，李涛，等(TaiNengling，HouZhijian，LiTaoetal)．基于小波分析的电力系统短期负荷猜测方法(Newprinciplebasedonwavelettransformforpowersystemshort-termloadforecasting)[J．中国电机工程学报(ProceedingsoftheCSEE)，2003，23(1)摘要：45-50．[4冉启文，单永正，王骐，等(RanQiwen，ShanYongzheng，WangQietal)．电力系统短期负荷预告的小波-神经网络-PARIMA方法(Wavelet-neuralnetworks-PARIMAmethodforpowersystemshorttermloadforecasting)[J．中国电机工程学报(ProceedingsoftheCSEE)，2003，23(3)摘要：38-42．[5谢宏，陈志业，牛东晓(XieHong，ChenZhiye，NiuDongxiao)．基于小波分解和气象因素影响的电力系统日负荷猜测模型探究(Theresearchofdailyloadforecastingmodelbasedonwaveletdecomposingandclimaticinfluence)[J．中国电机工程学报(ProceedingsoftheCSEE)，2001，21(5)摘要：5-10．[6姜勇(JiangYong)．基于模糊聚类的神经网络短期负荷猜测方法(Short-termloadforecastingusinganeuralnetworkbasedonfuzzyclustering)[J．电网技术(PowerSystemTechnology)，2003，27(2)摘要：45-49．[7李天云，刘自发(LiTianyun，LiuZifa)．电力系统负荷的混沌特性及猜测(Thechaoticpropertyofpowerloadanditsforecasting)[J．中国电机工程学报(ProceedingsoftheCSEE)，2000，20(11)

摘要：目的观察铅、硒对原代培养的海马神经元生长及存活的影响，研究硒对铅的神经细胞生长抑制的拮抗作用。方法建立新生Wistar大鼠海马神经元原代无血清培养技术，通过PbCl2,Na2SeO3单独及联合作用，观察神经细胞的生长和存活情况。结果10-5mol/L铅明显抑制了原代培养的海马神经元突起生长，引起神经元存活率下降；单独硒(2×10-6mol/L)有明显促进海马神经元突起生长的作用，尤其在神经元突起生长早期；但对海马神经元存活率的影响不明显。铅和硒共同孵育时，培养早期硒能拮抗铅对神经元突起延伸的抑制，但随着培养时间延长，这种拮抗作用消失；从神经元存活率来看，在实验剂量下，未见硒能拮抗铅对神经元存活的抑制作用。结论铅具有抑制神经元生长和存活的毒性，本实验剂量下的硒在细胞培养早期有促进神经元突起生长和拮抗铅对神经元生长和存活的抑制作用。

【关键词】铅；硒；海马；神经元；神经突起

铅具有显著的神经发育毒性。毒理学实验和人群流行病学调查表明，铅能对神经系统造成不可逆性损害，严重损坏海马神经元，影响学习、记忆及行为发育〔1，2〕。硒有防止铅吸收和加速其排泄的作用，因此，硒有可能成为有效防治铅神经毒性的重要资源〔3〕。为了解硒拮抗铅神经毒性的效果和研究其拮抗作用机制，同时也为更多有效地利用硒，本试验对体外原代培养的Wistar乳鼠海马神经元进行低剂量PbCl2和Na2SeO3染毒，观察低水平铅、硒单独和联合作用对神经细胞生长和存活的影响。

1材料与方法

11材料

111试剂解剖液、种植培养液、无血清培养液［由98%Neurobasal培养基和2%B27(美国Gibco公司)无血清培养基添加剂和1%的青霉素、链霉素和005mol/L的谷氨酰胺(美国Sigma公司)组成］；胰酶、DNaseⅠ、左旋多聚赖氨酸和台盼兰(美国Sigma公司)；PbCl2(上海试四赫维化工有限公司)；Na2SeO3(天津化学试剂研究所)。神经元特异性烯醇化酶(NSE)抗体和神经丝蛋白(NF)抗体(北京中山生物技术有限公司)。

【关键词】氟西汀;细胞培养;海马神经元;大鼠

氟西汀是5-羟色胺（5-HT）再摄取抑制剂之一，是应用较广的抗抑郁药。氟西汀除有抗抑郁作用外，尚可治疗其他中枢神经系统疾病。有研究表明，氟西汀对海马的神经保护作用是其发挥抗抑郁效应的机制之一［1］。关于氟西汀对体外培养的海马神经元生长的影响未见报道，本研究初步探讨了氟西汀对原代培养的海马神经元生长的影响。

1材料与方法

1.1新生大鼠海马神经元的分离和培养

技术方法在参考文献［2］基础上加以改进。取出生24h内的新生SD大鼠（东南大学医学院动物实验中心提供），无菌分离出双侧海马，用显微剪剪碎，D-Hank''''s液清洗2或3次，将剪碎的海马组织转移至离心管中，加入等量0.25%的胰酶（美国Sigma公司），37℃消化30min，中间振摇1或2次，加入10%的DMEM/F12（美国Gibco公司）5ml，轻轻吹打15次，然后1000r·min-1离心5min，制成单细胞悬液，置于CO2培养箱（德国Heraeus公司产品）中，差速贴壁30min，去除成纤维细胞，吸取未贴壁的细胞，并用200目的不锈钢滤网过滤，收集过滤后的单细胞悬液于培养皿中，然后至离心管中，取一滴单细胞悬液进行计数，并用DMEM/F12将细胞密度调到1×106ml-1，然后接种于200μg·ml-1多聚赖氨酸（美国Sigma公司）包被的6孔培养板中，转移至培养箱内培养，4h后换为无血清培养基，即含2%B27的Neurobasl培养基（美国Gibco公司），以后每3天半量换液1次。使用培养6d的神经元进行染色鉴定。

1.2大鼠海马神经元的鉴定

【关键词】温度敏感性；膜片钳术；神经节,脊；神经元【Abstract】AIM:Tostudytheeffectsoftemperatureonmediumdiameterprimarysensoryneuronsinratdorsalrootganglion(DRG).METHODS:WholecellpatchclamprecordingwasperformedonmediumdiameterDRGneuronsfreshlyisolatedfromratsforobservingthefiringcharacteristicsbytemperaturegradientstimulation.RESULTS:AccordingtothefiringcharacteristicsoftheprimarysensorymediumneuronstothetemperaturechangesinratDRG,therewere2classesofcells:InclassⅠ,themediumneuronwastemperaturesensitiveneuron.Allornoneactionpotentialscouldbegeneratedandthenumberofspikesandthefrequencydecreasedwithincreaseofthetemperature,andviceversa.Thecoldsensitiveneuronwasvoltagedependent.InclassⅡ,themediumneuronwastemperatureinsensitiveneuron.Itonlyhadsingleactionpotentialwithincreaseordecreaseofthetemperature,andtheamplitudeofthesingleactionpotentialdecreasedwithincreaseofthetemperature.CONCLUSION:ThetwoclassesofratDRGmediumneuronshavedifferentthermosensitivity.【Keywords】thermosensitivity;patchclamptechniques;ganglia,spinal;neurons【摘要】目的：观察大鼠背根节(DRG)中型神经元的温度敏感性.方法：在新鲜分散的大鼠背根节中型神经元运用全细胞膜片钳技术，观察给予不同温度梯度刺激下引起细胞放电的特征.结果：根据大鼠背根节中型神经元在不同温度梯度刺激下的放电特征可将它们区分为两类温度敏感神经元.Ⅰ类神经元的温度敏感性与冷温度变化密切相关，随着温度的升高而引发的逐渐增强的膜电位超级化可引发频率由高到低的动作电位.随着温度的降低神经元又表现出频率由低到高的动作电位变化.动作电位的幅值一致，符合“全或无”定律.该类神经元具有电压依赖性.Ⅱ类神经元的兴奋性与温度变化的关系不明显，随着温度升高或降低，神经元只出现一个动作电位，其频率没有变化，仅仅表现在随温度升高，动作电位的幅值降低，温度降低后，其幅值又恢复.结论：大鼠DRG两类神经元在温度变化一致的情况下各具不同的冷温度敏感性.【关键词】温度敏感性；膜片钳术；神经节,脊；神经元0引言为了生存和适应自然界各种变化,温度感受是动物最基本的生物行为.动物通过特殊的温度感受器来感知冷和热.依据细胞所具有不同的冷热温度感受器，可简单将其温度敏感性分为三类.这种分类在神经系统具有一定的普遍性［1-2］.背根节(dorsalrootganglion,DRG)是外周感受信号传向中枢所经的第一站，节内细胞复杂多样，其中中、小型细胞传递的信息和冷热觉的关系密切.目前关于背根节小细胞和冷温度敏感性关系的研究报道较多［3-5］，但有关中型细胞和温度感受及传递关系的研究较少.本研究采用全细胞膜片钳方法初步探讨背根节上中型神经元的温度敏感性，旨在深入了解初级感觉神经元在温度感受与传递中的作用机制.1材料和方法1.1材料SD大鼠体质量50~60g，雌雄不拘，由第四军医大学实验动物中心提供；胰蛋白酶(Ⅰ型)，胶原酶(Ⅲ型)，MgATP均购自美国Sigma公司；Axon200A放大器，美国Axon公司；半导体温度计(7151型)，上海医用仪表厂.1.2方法急性分离DRG细胞后，进行全细胞膜片钳记录.实验在40个DRG细胞上进行记录，静息膜电位为：(-52.0±3.2)mV．1.2.1DRG细胞的制备SD大鼠在戊巴比妥钠(40mg/kg,ip)麻醉下，迅速取出胸腰段DRG，置于氧饱和的RPMI1640液中，仔细剪除多余的神经纤维后将神经节置于含酶的RPMI1640液中(胰蛋白酶及胶原酶均为0.5g/L)，37℃消化40min，加入胰酶抑制剂终止消化．将急性分散的中型DRG细胞置于培养皿中，用细胞外液灌流(1.5mL/min)，细胞贴壁lh后进行电生理记录．因为DRG细胞形态各异，细胞直径测量方法是先测量细胞的长径和短径，然后相加得到平均直径数值.依据细胞直径，DRG细胞可分为大型(d>40μm),中型(d=30-40μm),小型(d<30μm)分别对应于Aα，Aβ，Aδ及C纤维细胞［6］．1.2.2电压钳记录采用全细胞膜片钳实验记录．细胞电位钳制在-70mV，电极电阻约为：4～7MΩ，封接电阻达到1GΩ以上．电极内液配方(mmol/L)：140Kgluconate,2MgCl2,1.1EGTA,10HEPES,2MgATP,用KOH将pH调为7.2左右.细胞外液配方(mmol/L)：150NaCl,5KCl,1MgCl2,3CaCl2,10Glucose,10HEPES.用NaOH将pH调为7.4左右.1.2.3电流钳制电压钳模式下启动，先用电压钳模式完成封接，后转向电流钳模式进行记录.封接电阻低于1GΩ的细胞放弃，静息电位低于-40mV，记录中电位衰减明显的细胞放弃.1.2.4温度刺激模式灌流液的温度保持在20℃，使用温度控制系统给予不同温度刺激，由半导体温度计即时检测温度变化.温度变化模式为梯度型变化，分别在20℃,28℃,36℃三个温度测量点上记录细胞的放电模式，8℃/min，在每个温度测量点上进行30s的记录，然后继续升温，升温速度为8℃/min.根据大鼠DRG中型神经元在不同温度梯度刺激下的放电特征及动作电位数目的变化可将它们区分为两类温度敏感神经元.2结果根据大鼠DRG中型神经元在不同温度梯度刺激下的放电特征及动作电位数目的变化可将它们区分为两类温度敏感神经元.给予500ms的相同去极化方波电流刺激(1000pA)，在三个依次升高的温度测量点上记录.发现12/40的细胞属于Ⅰ类，随温度逐渐升高，该类细胞产生的动作电位数目明显减少，放电频率依次明显降低，细胞的静息膜电位进行性超极化，给予斜波刺激，可见相同的放电变化(图1).另外，在同一细胞上，给予逐渐温度升高的刺激后，改变温度从36℃到20℃变化，细胞表现出相反的放电变化，证明Ⅰ类细胞具有冷温度敏感性.实验发现另外28个细胞属于Ⅱ类，即温度不敏感性.该类细胞对温度刺激的表现是放电个数及频率稳定，没有变化，仅仅单个放电的幅值发生随温度升高而逐渐降低的变化.给予斜波刺激，该类细胞没有反应(图2).观察Ⅰ类神经元在20℃测定点上的放电特征，其放电数目较多，在800pA去极化电流刺激下，动作电位呈很多的短促状放电，放电后有振荡，随着刺激强度的增加(1000pA)，放电数目明显增加，放电频率稳定，具有电压依赖性(图3).而在20℃的温度测量点上，给予Ⅱ类细胞800pA的去极化电流刺激，只产生一个动作电位，刺激强度的增加(1000pA)，放电数目和频率不发生变化，仅动作电位的幅值升高(图3).3讨论由于DRG中型细胞和温度感受和传递之间的密切关系，其对温度刺激的反应具有不同的放电特征.我们以给予不同温度变化刺激引起细胞放电的特征为依据,将DRG中型细胞分为两类温度敏感性神经元.其中Ⅱ类神经元在温度刺激下的放电特征和以往文献报道的温度不敏感性神经元类似［1-2］.本研究中记录到的Ⅰ类冷温度敏感性神经元，一是电压依赖性的，在同一温度测量点上，给予方波和斜波刺激，该细胞的放电数目及频率均增加.二是在三个依次升高的温度测量点上，细胞产生的动作电位数目明显减少，放电频率依次明显降低，给予斜波刺激，可见相同的放电变化，证明该类细胞具有明显的温度敏感性［6］.而在同一细胞上，给予逐渐温度升高的刺激后，反方向降温，细胞即明显表现出与温度变化呈反相关[1][2]的变化，这些特征与有关报道表现相似［7-8］，但其放电模式及变化还少见报道.我们观察到的DRG中型神经元的不同温度敏感性特别是Ⅰ类神经元冷温度敏感性和放电特征，为研究分析不同温度敏感性神经元在温度信息传递整合中的作用提供依据.因为DRG中各种神经元传导复杂的感觉信息，其中中型神经元与冷热温度的关系非常密切.在冷热温度信息的感受、传递和整合中，各种神经元的功能和机制不同，按上述分类后，可以从不同的角度研究温度觉形成和传递过程中DRG细胞的不同作用机制.【参考文献】［1］LiHQ,LiuBG,DobretsovM,etal.Thermosensitivityoflargeprimarysensoryneurons［J］.BrainRes,2002,926(1):18-26.［2］CraigAD,ChenK,BandyD,etal.Thermosensoryactivationofinsularcortex［J］.NatNeurosci,2000,3(2):184-190.［3］VianaF,ElviradeP,BelmonteC.Specificityofcoldthermotransductionisdeterminedbydifferentialionicchannelexpression［J］.NatNeurosci,2002,5(3):254-260.［4］ReidG,FlontaML.Coldcurrentinthermoreceptiveneurons［J］.Nature,2001,313(6):480.［5］CabanesC,VianaF,BelmonteC.Differentialthermosensitivityofsensoryneuronsintheguineapigtrigeminalganglion［J］.JNeurophysiol,2003,90(5):2219-2231.［6］ScroggsRS,FoxAP.Calciumcurrentvariationbetweenacutelyisolatedadultratdorsalrootganglionneuronsofdifferentsize［J］.JPhysiol,1992,445:639-658.［7］GordonR,AlexandruB,FlorentinaP.Acoldandmentholactivatedcurrentinratdorsalrootganglionneurons:propertiesandroleincoldtransduction［J］.JPhysiol,2002,545:595-614.［8］CarolinaR,CarlosB,FélixV.Coldsensitivityinaxotomizedfibersofexperimentalneuromasinmice［J］.Pain,2006,120:24-35

【关键词】氟西汀;细胞培养;海马神经元;大鼠

氟西汀是5-羟色胺（5-HT）再摄取抑制剂之一，是应用较广的抗抑郁药。氟西汀除有抗抑郁作用外，尚可治疗其他中枢神经系统疾病。有研究表明，氟西汀对海马的神经保护作用是其发挥抗抑郁效应的机制之一［1］。关于氟西汀对体外培养的海马神经元生长的影响未见报道，本研究初步探讨了氟西汀对原代培养的海马神经元生长的影响。

1材料与方法

1.1新生大鼠海马神经元的分离和培养

技术方法在参考文献［2］基础上加以改进。取出生24h内的新生SD大鼠（东南大学医学院动物实验中心提供），无菌分离出双侧海马，用显微剪剪碎，D-Hank''''s液清洗2或3次，将剪碎的海马组织转移至离心管中，加入等量0.25%的胰酶（美国Sigma公司），37℃消化30min，中间振摇1或2次，加入10%的DMEM/F12（美国Gibco公司）5ml，轻轻吹打15次，然后1000r·min-1离心5min，制成单细胞悬液，置于CO2培养箱（德国Heraeus公司产品）中，差速贴壁30min，去除成纤维细胞，吸取未贴壁的细胞，并用200目的不锈钢滤网过滤，收集过滤后的单细胞悬液于培养皿中，然后至离心管中，取一滴单细胞悬液进行计数，并用DMEM/F12将细胞密度调到1×106ml-1，然后接种于200μg·ml-1多聚赖氨酸（美国Sigma公司）包被的6孔培养板中，转移至培养箱内培养，4h后换为无血清培养基，即含2%B27的Neurobasl培养基（美国Gibco公司），以后每3天半量换液1次。使用培养6d的神经元进行染色鉴定。

1.2大鼠海马神经元的鉴定

【摘要目的摘要：探索脊神经根性撕脱伤后脊髓运动神经元中Eta1mRNA表达的意义.方法摘要：首先建立脊神经根性撕脱伤的动物模型，采用原位杂交和免疫组织化学方法检测损伤前后Eta1mRNA在脊髓运动神经元中表达的变化.结果摘要：损伤前Eta1在脊髓运动神经元中微量表达.损伤后3d，损伤侧脊髓运动神经元总数减少31.6%，但表达Eta1的运动神经元数量增加52.5%.结论摘要：脊神经根撕脱后Eta1在脊髓运动神经元内上调表达可能是对神经元本身的一种保护.

【Eta1；脊髓；脊神经根/损伤

0引言

Eta1是一种磷酸化糖蛋白［1］，在中枢神经系统的炎症［2,3］及创伤愈合过程中起到一定功能.然而，有关脊神经根性撕脱伤后Eta1mRNA在脊髓运动神经元中表达的变化及意义尚无相关报道.我们建立脊神经根撕脱的动物模型，探究脊神经根撕脱是否可以改变Eta1在大鼠脊髓运动神经元中的表达水平.

1材料和方法

1.1材料

【摘要】小鼠胚胎干细胞（embryonicstemcell,EScell）体外培养可以分化成为外胚层组织，并进一步分化为神经元和神经胶质细胞。这些细胞已用于中枢神经系统疾病的细胞替代治疗和治疗药物的研发。小鼠胚胎干细胞定向分化为神经细胞的方法主要有拟胚体介导的神经细胞分化、基质细胞诱导的神经细胞分化、默认模式介导的神经细胞分化、单层粘附培养诱导的神经细胞分化和遗传工程介导的神经细胞分化等。本文综述了这些分化方法。

【关键词】胚胎干细胞;神经细胞;分化

Progressindirecteddifferentiationofmouseembryonicstemcellsintoneuralcells

【Abstract】Mouseembryonicstemcellscangiverisetoectodermalderivativesincultureandcanbefurtherinducedintoneuronsandgliaforcell-replacementtherapiesinthecentralnervoussystemandforuseindrugdiscovery.Themethodsofdirecteddifferentiationofmouseembryonicstemcellsintoneuralcellsincludeneuraldifferentiationfromembryonicstemcellsviaembryoidbodies,stromalcellinducedneuraldifferentiation,defaultmodelmediatedneuraldifferentiation,adherentmonocultureinducedneuraldifferentiation,geneticengineeringmediatedneuraldifferentiationandsoon.Herewereviewthesemethodologies.

【Keywords】embryonicstemcell;neuralcell;differentiation

小鼠胚胎干细胞于1981年首次由Evans和Kaufman［1］成功分离建系，它们来源于胚泡的内细胞团（innercellmass,ICM），这些细胞具有稳定的二倍体核型，在体外可以分化为三个胚层的多种细胞。将小鼠胚胎干细胞重新植入胚泡可以参与形成胚胎。体外ES细胞维持未分化状态依赖于一些细胞因子的存在，如白血病抑制因子（leukemiainhibitoryfactor,LIF）［2］。撤去这种自我更新的刺激信号后，ES细胞很快分化为多种细胞。这些属性使ES细胞成为非常有用的发育生物学和功能基因组学研究的生物系统［3］。

【摘要】目的探讨金银花的解热作用及中枢电生理解热机制。方法复制IL1β性发热新西兰兔模型，观察金银花的解热作用，并应用微电极细胞外放电记录技术观察金银花对IL1β作用下POAH温度敏感神经元放电频率的影响。结果金银花对IL1β性发热有解热作用;金银花能增加IL1β作用下热敏神经元的放电频率，而减少IL1β作用下冷敏神经元的放电频率。结论逆转IL1β引起的温度敏感神经元放电频率的改变，可能是金银花起解热作用的机制之一。

【关键词】金银花IL1β解热室前区下丘脑前部

Abstract：ObjectiveTostudytheantipyreticeffectandthemechanismofJinyinhua(JYH).MethodsFevermodelsofrabbitswereestablishedbyintravenousinjectionofIL-1β.TheantipyreticactionofJYHwasobserved.ThefiringratesofthermosensitiveneuronsinthePOAHwererecordedbyextracellularmicroelectrodetechnology.Results①JYHobviouslyreducedbodytemperatureoffebrilerabbitsinducedbyIL1β(P<0.01).②Afteri.vinjectionofJYH，thefiringratesofwarm-sensitiveneuronsresponsedtoIL-1βincreasedfrom（3.2±1.6）imp/s(beforei.vinjectionofJYH)to（9.7±4.4）imp/s(P<0.01，n=13)．Incontrast，thefiringratesofcold-sensitiveneuronsdecreasedfrom(20.1±5.8)imp/s(beforei.vJYH)to(8.4±2.0)imp/s(P<0.01，n=10)．Conclusion①JYHhasobviousantipyreticeffectonIL1βinducedfeverinrabbits．②JYHcanreversethechangesoffiringratesofthermosensitiveneuronstreatedbyIL1βinPOAHandplaysanantipyeticeffectbyincreaseinheatlostanddecreaseinheatproduction．

Keywords：Jinyinhua；IL1β；Antipyretic；POAH

金银花是重要的清热解毒中药，以金银花为主的复方制剂解热作用的临床观察和药效学研究很多，但对金银花是通过何种途径起解热作用，其作用靶点和机制究竟如何，至今国内外少见报道。因此，本课题通过采用IL1β复制新西兰兔发热模型，在了解金银花解热作用的基础上，运用玻璃微电极细胞外放电记录技术来记录金银花对IL1β作用下下丘脑温度敏感神经元放电的影响，以阐明金银花的中枢解热电生理机制，为临床应用提供实验依据和理论指导。

1材料与方法

交通运输能力受许多因素影响，如发展水平、人口数量、自然条件等，而且还有季节性，如春运等，因此在建立预测模型的时候，在不影响精度的条件下，应该建立简单的模型，科学的对交通运输能力进行分析和预测，对促进运输资源优化配置，全面提高交通运输现代化水平，发挥各种运输方式的最大效率，促进交通运输业规范而高速的发展，加快交通现代化，具有十分重要的意义。[1]交通能力预测的方法很多，其中定量法常用的有移动平均法、指数平滑法、回归分析法，灰色预测方法和作为多种方法综合的组合预测方法。这些方法大都集中在对其因果关系回归模型的分析上，所建立的模型不能全面和本质的反映所预测动态数据的内在结构和复杂特性，与这些方法相比，神经网络有较强的映射能力、泛化能力、容错能力和很强的联想记忆能力，同时，也不需要建立函数模型，所以，用神经网络模型进行交通运输能力预测是一种有效的方法。[2]自1995年美国的Kak教授首次提出量子神经计算[3-4]的概念以来，量子神经网络(QuantumNeuralNetwork,QNN)受到了广泛关注.PurushothamanG等[5]提出了基于多层激励函数的量子神经网络模型,模型隐层神经元激励函数采用多个传统激励函数的叠加,通过对模糊数据集的特征空间进行多级划分,快速响应了其特征空间的结构.理论和实践表明,量子神经网络模型对具有不确定性非稳态数据具有良好的预测效果[6-7].因此,本文根据QNN对不确定性非稳态数据的较好预测效果的优点,建立道路交通运输能力预测模型,在对原始数据进行相空间重构基础上,采用态叠加的激励函数,对道路交通运输能力数据的特征空间进行多层梯级划分,并在训练过程中动态调整量子间隔,对算法的预测效果进行考察。

1道路交通运输能力预测模型的建立

1.1量子神经元

神经网络函数逼近的正确特性是因为神经网络从输入到输出形成了一个非线性映射和激励函数存在一些饱和区域,然而传统的神经网络是使用两级激励函数的神经元构成的,这种激励函数的输出仅有两个饱和区,但是神经元中也可以采用具有多层饱和级别的激励函数,此时这种神经元被叫做量子神经元.将两层激励函数神经元的思想推广到多层激励函数的神经元,其激励函数，如图1所示：

1.2基于量子神经网络的预测模型

由于导致道路交通运输能力的影响因素错综复杂,因此就直接采用时间t作为变量来综合地代替这些因素，构成道路交通运输能力时间序列,作为预测模型的输入.由于预测效果受嵌入维数影响较大,依据相空间重构理论,当时间序列嵌入维数太低,难以恢复系统的演化行为和揭示其动力系统的内蕴,达不到预测的精度要求且网络不稳定;维数太高则收敛太慢容易陷于局部最小经反复试验,选取嵌入维数为6,确定输入层节点数为6,输入层激励函数为线性函数g(g),输入向量为6年内各年交通运输能力的时间序列.由于每次预测都是通过6年的历史交通运输能力数据计算新一年的数据,因此选取输出层节点数为1,输出层激励函数为线性函数g(g).隐含层神经元节点数的选取没有明确的规定,采用经验公式与试算法相结合的方法来确定隐含层节点个数.经验公式选取:n(nm)a1其中1n表示隐含层节点数,n表示输入层节点数,m表示输出层节点数,a为[0,10]之间的常数.文中n=6,m=1,故隐含层神经元个数应该在3-13之间;再根据试算法来确定预测模型隐含层的确切节点数.这里隐含层节点数分别选择3、5、8和12,构成一个试验预测模型进行训练,并分别查看不同隐含层节点数对应的网络性能.通过比较不同隐含层节点数的训练误差曲线和不同隐含层节点数的误差得出当隐含层神经元个数为5(即n1=5)时,网络的收敛速度最快且误差较小.