science:揭示肺关键部分如何在细胞水平上形成

费城儿童医院的研究揭示了肺泡形成及其对新生儿呼吸至关重要的细胞水平机制。通过研究肺泡1型细胞的作用,科学家们发现了肺组织发育的关键信号传导路径。

费城,2021年3月12日-费城儿童医院(CHOP)的研究人员已经确定了肺泡形成并允许新生儿呼吸空气时在细胞水平发生的情况。了解此过程可以使研究人员更好地了解如何开发治疗方法,并在受伤的情况下潜在地再生该关键组织。这些发现今天在《科学》杂志上在线发表。

肺在胚胎期和出生后阶段均发育,在此期间,肺组织的形成和多种细胞类型起着特定的作用。在从胚胎到新生的过渡过程中,肺的肺泡区域将改善其交换气体的主要功能,其中包括消除二氧化碳的关键过程。

尽管在肺部形成过程中涉及了这些关键步骤,但对细胞和基因组水平发生的情况知之甚少。肺泡不仅至关重要,而且还可能遭受由诸如流感病毒和引起COVID-19的SARS-CoV2病毒等病原体引起的损害。知道出生时哪些细胞参与健康的肺组织的形成可能为有助于再生肺部关键部分的疗法提供基础。

研究人员第一作者Jarod A. Zepp博士说:“广泛的形态学改变正确地塑造了肺泡的生态位,但是在进行这项研究之前,研究界不确定细胞信号传导的程度如何促进其适当的结构。”曾任CHOP肺与睡眠医学系主任,宾夕法尼亚大学Perelman医学院助理教授。“最近的技术进步使我们能够评估驱动肺部关键部位生成的细胞内通讯。”

该研究小组使用了一种多峰方法研究了驱动肺泡形成的细胞间关系。他们发现形成肺泡组织外层的肺泡1型(AT1)上皮细胞代表了协调细胞发育的信号枢纽,尤其是在向呼吸过渡的过程中。他们还追踪了AT1细胞的谱系,并表明它们与成纤维细胞对齐,成纤维细胞是参与组织重塑的一种特殊细胞类型。最后,研究人员还证明,形成这些成肌纤维细胞和肺泡需要AT1限制性配体或分泌的结合分子。

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值