课程文献中心 更多>>

关键词： 核素识别   1D-CNN   2D-CNN   核脉冲峰值时间序列   深度学习  

摘要： 核素识别是应对突发核事故、放射性物质非法交易等事件发生的保障手段之一。传统核素识别方法大量依靠专家知识,过程复杂,难以实现快速判别。随着计算能力的提升与智能算法的发展,神经网络被越来越多地应用于核素识别领域,显著提高了识别速度和精度。目前,用于研究核素识别的数据集是能谱,能谱由核脉冲峰值统计而成,测量时间越长,统计涨落越小,因此能谱的统计特性使现有模型无法从根本上提高识别速度。本文提出摒弃能谱而基于脉冲峰值时间序列的核素识别方法,研究基于脉冲峰值时间序列的卷积神经网络(Convolutional Neural Network,CNN)核素识别模型,自动提取固定长度脉冲峰值时间序列特征,以实现快速核素识别。实验过程中,使用Na I(Tl)探测器收集单一、混合核素共7种样本的序列集,同时测试了实验室环境天然本底脉冲峰值时间序列样本作为实验样本。在测试过程中,探测器分别在距离放射源5cm:5cm:40cm处(一共8个探源距离)收集脉冲峰值时间序列样本。在截取不同长度的数据集时,对于长度较长的脉冲峰值时间序列,使用了重叠法避免样本不足的情况。数据被送入模型之前,序列集进行了最大最小值归一化,通过定义最大最小值避免批次不同归一化区间不一致的情况。为了避免单次实验偏差以及样本划分不均匀情况发生,在每个探测距离收集每一种核素1000个样本,并使用了10阶分层交叉验证一次划分每个探测距离的数据样本,保证样本均匀划分。使用Tensor Flow框架建立了一维卷积神经网络(One-Dimensional Convolutional Neural Network,1D-CNN)与二维卷积神经网络(Two-Dimensional Convolutional Neural Network,2D-CNN)模型,并分别探讨了1D-CNN与2D-CNN模型识别单一核素样本和混合核素样本的能力。实验结果表明,1D-CNN识别单一核素样本的精度为100%,识别混合核素时,以序列长度为800为例,测试结果的最大值:88.62%,最小值:79.31%,平均值:84.49%;识别8种核素的样本集时,以序列长度900为例,测试结果的最大值:85.03%,最小值:74.08%,平均值:81.08%。2D-CNN模型识别单一核素的能力达到100%,识别混合核素的能力高于1D-CNN模型,交叉验证精度最小值:85.88%,最大值:90.82%,平均值:88.68%,且交叉验证时2D-CNN的测试精度波动小。对于8种样本的混合核素,2D-CNN的测试结果最小值为82.88%,最大值为87.13%,平均值为85.66%。表明:1D-CNN与2D-CNN模型识别复杂放射性核素序列集的能力均低于单一核素。两种方法识别放射性核素的时间与探测器当前计数率与序列长度有关,以序列长度900为例,在距离源40cm处,识别Eu-Na:1951.92ms;Cs:766.61ms;Co:774.70ms;Cs-Co,468.16 ms;Co-Eu-Na,772.39 ms;Cs-Eu-Na,700.99 ms;Cs-Co-Eu-Na,456.34 ms。对比CNN、BPNN和SVM方法,基于脉冲峰值时间序列的1D-CNN与2D-CNN方法的识别性能更优。但对于固定长度的高活度核素与低活度核素相混合的脉冲峰值时间序列,由于低活度核素的特征脉冲点较少,难以识别。为此,本文提出了基于脉冲峰值时间序列的天然本底扣除方法,该方法有效剔除了天然本底噪声脉冲,并在此基础上显著提高了识别Eu-Na的能力,且交叉验证结果更稳定。综上所述,针对传统基于能谱的核素识别方法无法进一步提高速度,本文提出了基于脉冲峰值时间序列卷积神经网络的核素识别方法,分别建立了1D-CNN和2D-CNN模型,并通过单一核素、多混合核素的识别验证了模型的有效性。该方法的提出和验证为快速核素识别提供了参考和新的技术手段。

关键词： 网格细胞   HOG算法   脉冲神经网络   人脸识别   表情识别  

摘要： 人脸识别技术的发展从20世纪70年代开始兴起,是计算机视觉领域迄今为止最热门的研究课题之一。随着互联网技术的发展和大数据的积累,基于人的脸部特征信息的身份识别、表情识别在金融、安防、智能控制等领域有着十分广泛的应用。众所周知,大脑视觉皮层具有最强的视觉模式识别功能,其网络模型与目前主流的人工神经网络在神经元模型、网络结构、学习方法等方面有巨大差异。针对基于深度学习的卷积神经网络依赖大数据样本且功耗高的问题,本文借鉴已知的大脑视觉皮层图像处理机制,分别构建了面向少样本、高精度的人脸图像身份识别和表情识别两个计算模型,为脑网络模型在图像识别领域的应用提供依据,具有十分重要的理论及应用研究价值。具体研究内容如下:第一,本文提出了基于HOG算法和网格细胞记忆的识别模型,在单样本训练下提高了模型的识别精度,并进一步减少模型的重置次数和眼扫次数,提高了模型的识别效率。该算法克服了人脸识别中常见的样本缺乏、表情变化、遮挡、缩放等问题,通过网格细胞创建面部特征的认知地图,并利用视觉驱动眼扫积累身份证据。该算法首次实现了单样本训练下的高精度人脸识别,并对遮挡、缩放场景具有良好的鲁棒性。第二,本文借鉴脑网络中的脉冲放电模式和编码方式,将不同表情关键区域的图像转化为基于脉冲的动态序列,实现了图像时间维度上的扩充。在兼顾计算精度和计算时效性的同时,构建了一种基于脉冲神经网络的边缘特征提取方法。利用回声状态网络对SNN网络的输出值进行预测,并结合HOG算法和Eigenface算法进一步提升识别精度。相对卷积神经网络,该模型在较少的训练数据下表情识别精度有了大幅提升。

关键词： 脉冲卷积神经网络   注意力   数据驱动   任务驱动   全局视野  

摘要： 随着卷积结构在脉冲神经网络中的引入,网络对局部特征的提取能力显著增强,脉冲卷积神经网络(Spiking Convolution Neural Network,SCNN)因此成为在神经形态视觉任务中的研究热点。但由于卷积核的局部视野特性与多核卷积带来的通道维度加入,SCNN想要对分布复杂化的脉冲事件做出全局且精准的重要性判断还具有一定的挑战。针对上述问题,本文研究一种多注意力SCNN学习模型,包含由数据驱动的预注意力,以提供全局重要性感知能力;由任务驱动的多维度注意力,以缓解维度复杂化带来的学习压力。具体内容如下:(1)基于数据预处理的SCNN预注意力模型。该模型通过对输入到网络的脉冲数据进行预处理以获取预注意力。首先将获取脉冲事件流重要性的BOE方法改进后用于脉冲图片数据,通过计算脉冲在各样本内被激活的普遍性和在所有样本间被激活的特殊性,从全局视角综合衡量脉冲在空间位置上的不同重要性以获取到预注意力矩阵,然后将该矩阵作用于SCNN的各卷积层,进而解决由卷积局部视野所引起的全局重要性判断能力缺乏的问题。(2)基于任务学习的SCNN多维度注意力模型。该模型通过为SCNN添加注意力模块,帮助网络在任务学习时获取到多维度注意力。首先对脉冲神经网络的时间维度注意力TA-SNN方法加以优化并扩展至其他维度,然后设计多维度注意力模块并加入SCNN中,使网络通过任务学习获取并融合通道、时间与局部二维空间维度的注意力,形成适应SCNN的多维度注意力模型,缓解通道维度参与下的任务学习复杂化问题。(3)基于多注意力的SCNN学习模型。该模型将由数据驱动与任务驱动获得的注意力进行有机结合,从局部与全局、时间与空间各个方面设计注意力融合策略,形成多注意力SCNN学习模型,帮助神经元对散落在复杂维度内的脉冲事件做出全局且精准的重要性判断。最后,本文将上述研究成果应用在多个神经形态视觉任务中,实现了识别精度、收敛速度等方面的显著提升,这验证了本文方法的有效性和高效性。此外,本文通过大量实验深入分析了实现整体性能提升的内在原因。

关键词： 脉冲神经网络   SNN模拟   PyNN   前端设计  

摘要： 在脉冲神经网络模拟的研究领域,因当前的脉冲神经网络模拟器种类繁多,导致很多情况下模拟器之间很难进行模型迁移,使得模型无法跨平台验证,而PyNN作为至今已被广泛接受的SNN模拟器前端输入接口可以为提供统一的脉冲神经网络描述方式。由于每个模拟器在处理脉冲神经网络描述的方式、模拟器的网络拓扑、脉冲神经网络数据映射的方式不一致,多数新型模拟器很难直接使用PyNN作为其前端接口,所以一般会使用py Neuroml模块作为PyNN的解释器为模拟器提供统一的网络描述,该模块的主要功能是输出脉冲神经网络可视化NML文件,不具备模拟仿真的功能。使用py Neuroml模块作为生成网络的解释器存在以下问题:第一,py Neuroml模块的网络连接实现过程效率差,内存占用量大。在输出网络时,使得模拟器所需的网络参数需要通过解析NML文件,该过程效率极差;第二,py Neuroml模块无法直接对模拟器的功能进行调用,需要根据模拟器特性定义前端流程和数据映射方式。为解决以上问题,文本展开以下研究:(1)本文首先对脉冲神经网络连接结构的实现方式进行优化研究,通过对连接矩阵的稀疏化处理,定义了两种面向不同输出方式的网络连接矩阵。经过实验证明,使用本文定义的连接矩阵较使用PyNN原本的连接矩阵生成脉冲神经网络可以缩短一个数量级的生成时间,降低约3倍的内存占用量。提高了网络生成效率后,本文其次定义了获取Population及Projection参数接口,通过把参数信息以列表方式存储,避免了通过解析NML的方法获取模拟器所需的网络参数,提高了网络输出的效率。(2)最后本文对类脑计算机的前端设计进行研究。首先,在本文定义的连接矩阵的基础上,提出了对脉冲神经网络实现过程中的Projection、Connection两个层次的并行算法,提高了整体的模拟器前端网络描述的效率。最后,根据类脑计算机的拓扑及数据表格式,设计了一种数据的映射方法,包括数据转换及部署。综上,设计了高效的类脑计算机前端。经过实验证明,本文提出的并行算法可以在内存理想的情况下,可以缩短一个数量级的;本文设计的类脑计算机前端在经过模拟仿真后,模型准确性得到验证。解决上述问题后,实现了类脑计算机与PyNN的对接,为类脑模拟器设计出了高效的前端设计,同时也为其他无法直接连接PyNN的模拟器提供了参考。

关键词： 概率类脑计算   忆阻器   阈值开关忆阻器   随机神经元   随机突触  

摘要： 随着数据量的爆炸式增长及神经网络深度的不断增加,传统芯片越来越难以满足深度学习系统对算力的需求。类脑计算通过设计高效的人工突触与人工神经元直接构建硬件神经网络,从而克服传统计算机冯·诺依曼架构中存储与计算分离的瓶颈问题。然而,目前类脑计算研究主要集中在传统的确定性计算领域,缺乏对于神经网络输出结果不确定性的量化评估。通过在神经元或突触中引入随机性,概率类脑计算能够依据贝叶斯定理准确量化神经网络预测结果的不确定性。忆阻器在阻变过程中体现出本征的随机性,并具有低功耗、高速度、高集成度、存算一体等优点,非常契合概率类脑计算对器件的需求。 本文主要针对忆阻神经网络输出结果的不确定性量化问题,通过制备不同电学特性的阈值开关忆阻器（Threshold Switching Memristor,TSM）,并利用TSM器件本征的随机性构建随机神经元与随机突触,实现概率神经网络及贝叶斯推断,系统开展概率类脑计算的研究。主要的研究成果如下: 首先基于Ge Tex、Cu S/Ge Se、VOx三种功能层材料设计并制备了双向阈值开关、导电桥阈值开关、金属绝缘体转变三种不同类型的TSM器件,通过基本电学性能测试研究了三种器件的开关特性与可靠性。 其次从概率脉冲神经网络（Spiking Neural Network,SNN）中神经元随机激发的特性出发,设计了基于TSM器件阈值电压随机性的随机神经元电路。所制备的三种TSM器件中Ti W/Cu S/Ge Se/Pt导电桥阈值开关忆阻器的阈值电压Vth分布的变化幅度达到0.34 V,标准差达到0.076 V,并且Vth的变化与循环次数不相关,最符合随机神经元的要求,因此选择了Ti W/Cu S/Ge Se/Pt器件来制备随机神经元。通过物理建模证明了器件电导调制的过程中由温度导致的热噪声是随机阈值开关行为的物理根源,并实际搭建了满足概率SNN中激发概率与膜电位关系的随机神经元电路。 然后聚焦于利用随机神经元的动态激发特性来量化神经网络的不确定性,针对乳腺癌诊断任务,设计并仿真了基于Ti W/Cu S/Ge Se/Pt随机神经元的概率SNN,达到了97.0%的高诊断准确率,并得到了肿瘤数据的分类概率。使用预测熵量化了网络预测结果的不确定性,并通过对预测熵设定0.2的阈值,完全避免了恶性肿瘤被诊断为良性肿瘤的严重错误。 接下来从使用Dropconnect的贝叶斯神经网络中突触随机有效/失效的特性出发,设计了基于TSM器件开启延时随机性的随机突触电路。通过在1T1R单元中晶体管的栅极串联TSM器件,使得忆阻神经网络具备突触随机有效/失效的功能。基于高开关速度与高可靠性的需求选择了W/Ge Tex/W器件制备随机突触,并在亚阈值脉冲操作条件下获得了充足的器件开启随机性。通过电路仿真验证了基于W/Ge Tex/W器件的1T1R单元的随机失效特性,并实际搭建了满足Dropconnect功能要求的随机突触单元。 最后聚焦于利用突触的随机有效/失效特性来量化神经网络的不确定性,针对新冠肺炎诊断任务,设计并仿真了具有特征提取与贝叶斯分类两个部分的神经网络。设计了基于TSM器件的1T2R单元来准确映射随机突触的正负权重,代入Ti N/Li Al Ox/Pt非易失忆阻器与W/Ge Tex/W双向阈值开关忆阻器的实际参数,忆阻贝叶斯神经网络达到了95%以上的诊断准确率。使用预测熵量化了网络预测结果的不确定性,以预测熵0.3为阈值,将突触失效概率为0.46的网络的分类准确率提升到了99.02%,验证了忆阻贝叶斯神经网络不确定性量化能力的有效性。 本文主要对TSM器件的内在随机性及其在类脑概率计算中的应用做出了探索性研究,遵循自顶而下的研究思路,从顶层应用出发,厘清具备概率计算能力的神经网络对于随机神经元、突触的功能要求,设计了相应的单元结构与硬件方案,实现了概率神经网络并解决了医疗诊断任务中的不确定性量化问题。

关键词： 脉冲神经网络   片上网络   LIF神经元   时分复用  

摘要： 近些年来,人工神经网络(Artificial Neural Network,ANN)已经广泛应用于图像识别、语音识别等人工智能应用中。但是随着ANN计算复杂度的提升,传统的人工智能处理器能耗也越来越大。相比ANN,受生物大脑启发的脉冲神经网络(Spike Neural Network,SNN)更接近生物大脑的信息处理机制,神经元只有在接收到输入脉冲时才会进行计算,当达到阈值才会产生输出,这种稀疏特性使得基于SNN的加速器有望替代传统的ANN处理器从而实现更高的能效比。然而,现有的SNN加速器设计在计算机制、硬件利用、数据传输机制等方面仍存在一些问题,导致其性能、能耗和硬件效率有限。基于上述原因,本文提出了一种适用于嵌入式视觉智能设备中的SNN加速器架构,以高能效、低成本为主要目标,分别对SNN加速器内的关键模块:神经元、神经核、片上网络(Network on Chip,No C)三个方面进行设计优化及功能验证。为了提高能效比和减少硬件开销,提出了多种优化技术,包括采用事件驱动的泄漏积分点火(Leaky Integrate-and-Fire,LIF)神经元模型、时分复用的神经核架构、流水化状态更新、简化的地址事件表达(Address Event Representation,AER)脉冲数据包、共享时间戳的数据微片以及低开销可扩展的No C等技术。主要研究内容如下:(1)通过对比几种常见的神经元模型,选择了简单的LIF模型作为本设计的神经元模型,并且在算法层面上对LIF数学模型进行优化,使其更适合数字电路实现,采用事件驱动方式以提高SNN加速器计算效率、减少存储资源的消耗;(2)以LIF神经元为基础,提出了神经核系统架构,完成了神经核内包括控制模块、神经元状态参数存储模块、突触存储模块、以及神经核与片上网络之间的接口模块的设计,在神经核的设计中采用时分复用技术将1个物理神经元复用为256个逻辑神经元,并采用流水化技术来更新神经元膜电势,以提高神经元数据处理效率,此外还对神经核内部处理的AER数据包格式以及接口传输的数据微片格式进行了设计优化,规定了数据传输时序,保证了神经核的可扩展性;(3)提出了一种低开销的基于SNN的片上网络架构,针对SNN的计算特点,我们从No C的整体拓扑结构、路由器节点的电路设计、包交换技术的选择等方面都进行了优化处理,所设计的架构可以使所有神经元并行工作,并通过No C进行通信。最后,依据所设计的SNN加速器架构,我们提出一种合理高效的网络部署策略,将一个四层的前馈神经网络部署在SNN加速器上。所设计的SNN加速器中的关键模块包括神经元、神经核、片上网络均通过VCS进行功能仿真,验证了其功能的正确性,并且使用DC和PTPX工具对各模块的资源开销和功耗进行分析,神经核模块面积仅为0.2 mm,工作频率可达100 MHz,对单个AER脉冲数据包的处理速度优于国外同类型加速器ODIN;基于2×2 2D mesh的No C搭建的SNN加速器可支持4096个神经元和百万个突触,综合得到的面积为3mm,时钟频率达100 MHz,功耗低至46 m W,最终实现了高能效、低开销的SNN加速器关键模块的设计。

关键词： AGV/AMR   仿生定位   网格细胞   位置细胞   连续吸引子网络   经历地图   视觉定位  

摘要： 随着生产制造业的快速发展,仓储及物流行业面临更高的自动化与智能化需求。自动导引运输车(Automated Guided Vehicle,AGV)在各种复杂的工业场景下能够出色的完成各类任务,极大的提高了劳动生产率。随着机器人相关学科在自主性与智能化领域的发展,具有自定位导航能力的工业自主移动机器人(Autonomous Mobile Robot,AMR)得到了人们的广泛关注。为了提高AGV/AMR在复杂多变环境下定位的鲁棒性和自适应性,本文借鉴自然界中的动物在未知环境中的空间认知能力,探究类脑定位方法在工业AGV/AMR上的应用。针对目前AGV/AMR路径整合过程中存在的严重漂移问题,探究了基于多尺度网格细胞的路径整合模型在机器人定位中的应用。通过对现有网格细胞模型的改进,实现了编码冗余性和模块之间的独立性,能够对错误网格细胞模块的活动信息进行有效的校正,输出更精确的移动机器人位姿。通过实验环节验证了该模型在工业AGV/AMR路径整合及空间位置表征方面的有效性。为降低输入信息噪声对AGV/AMR自主定位的影响,本文参考现有的多传感器融合定位算法,探究了融合自运动信息和视觉线索的多模态位置细胞模型在机器人定位中的应用。该模型解决了由于视觉模糊性和路径整合所带来的误差积累问题。在此基础上,引入经历地图,通过回环检测和图松弛技术,优化轨迹的累计误差,使工业AGV/AMR能够构建出具有环境一致性的空间认知地图。基于上述工作,为进一步提高工业AGV/AMR视觉定位的鲁棒性,本文对轻量级视觉处理算法进行了改进,引入基于调频模型的图像显著性检测方法,模拟人类视神经的视觉信息处理过程。最终构建了一套完整的类脑定位框架,并通过实验验证了其的有效性。本文面向工业AGV/AMR探索类脑定位方法的实际应用,不仅实现了从机器人角度探索动物的定位导航机理,具有一定的生物可还原性和可解释性,也在一定程度上解决了传统基于数学概率的定位算法所带来的传感器昂贵及算法复杂的问题,具备稳定性、强环境适应性等优势,满足了工业场景下AGV/AMR鲁棒的定位需求。

关键词： 煤系地层   地质勘探   槽波信号   脉冲神经网络  

摘要： 随着我国的煤炭开采手段逐渐机械化，煤矿勘探产业发展迅速，但与此同时，也宣告我国浅层煤炭资源储量逐渐告罄。地下深层煤矿包含的异常地质小构造使得采掘难度增大，甚至已经威胁到工人的生命财产安全。因此准确预测开采面方地质条件，提前做好布局和应对措施，保障煤炭安全高效开采，是目前煤矿采掘需要突破的主要问题。　　本文根据以上问题，做了如下几点工作:　　(1)本课题使用COMSOL软件构建出采空区、冲刷带、陷落柱、小断层四种地质构造模型，选择使用透射法来接收槽波透射波信号，收集到了大量且详细的数据集。在分析所收集到的各种不同的数据集标准化以及特征提取的方法时，本课题选择采用z-score方法对于收集到的槽波回波数据集进行标准化，使用主成分分析(PCA)法对于己统计出的数据来进行特征提取操作。对于进行过预处理的数据进行划分，以数据集的80％作为训练集，其余数据均作为测试集。　　(2)本课题经过分析后选择了泄露积分发射脉冲神经元模型，简化了STDP学习规则函数，利用Java搭建起来了基于STDP学习规则的脉冲神经网络模型，构建了两层完全连接的前馈脉冲神经网络。本文在脉冲神经网络中设计了Neuron类和Network类，分别实现了神经元类Neuron和网络类Network的设计，并研究了Neuron类成员和Network类成员的实现方法。　　实验结果表明本文采用的基于STDP学习规则的脉冲神经网络可以准确分类识别四种煤层小构造的槽波信号，在数据集相同的情况下将本文模型与其他分类模型进行对比，证明了本文所提出的煤系地层小构造分类模型的优越性，验证了本文算法模型的有效性和可靠性。

关键词： 深空探测   脉冲神经网络   图像分割   地形分类   可穿越性评估  

摘要： 深空探测是当今航天领域的重点发展方向,对岩石星体的着陆探测更是探测任务的重点内容。为保障巡视器在星体表面的安全作业,对巡视器的障碍检测能力提出了更高的要求。飞速发展的人工智能促进了深空探测技术的进步,而脉冲神经网络具有低能耗的优势,符合深空探测任务的背景,可以进一步提高巡视器在星体表面的障碍检测能力。由于地月距离较近,世界各航天大国均将月球作为深空探测任务的首选,获取到的月球数据样本不断增多,因此本文选择月球环境作为场景,针对深空巡视器在月表的几何障碍和非几何障碍检测问题利用脉冲神经网络技术,作出以下研究:1、针对巡视器在月球表面作业中的几何障碍检测问题,本文以月表的岩石作为几何障碍对象,提出一种基于脉冲神经网络的月表岩石图像分割算法。首先针对岩石图像中存在的类不平衡问题提出Lovasz S＿CE损失函数;接着提出一种基于脉冲神经网络的岩石图像分割算法Spiking-Unet,该算法将Unet模型脉冲化并利用参数归一化和参数映射将其转换为脉冲神经网络模型;最后在公开数据集Artificial Lunar Landscape上开展实验并与Unet等模型进行对比,实验结果显示在精度相近的情况下,Flops数减少约两个数量级,能耗降低约600倍。2、针对巡视器在月球表面作业中的非几何障碍检测问题,本文以月表可能造成巡视器运动危险的地形特征为非几何障碍,提出一种基于脉冲神经网络的地形分类算法用于识别危险地形。首先收集“嫦娥三号”和“嫦娥四号”采集的真实月表地形图像并进行数据增强,构建月表地形数据集;然后提出一种基于脉冲神经网络的地形分类算法S-Res Net18,并针对月表图像分辨率较低的问题,使用AAR图像编码技术对地形图像进行频率编码;最后在本文构建的月表地形数据集上开展实验,实验结果表明对地形的识别准确率能达到98.054%,与Res Net18进行对比精度接近的同时降低能耗约700倍。3、针对巡视器在月球表面作业过程中的地形穿越安全问题,本文结合几何障碍和非几何障碍检测结果对月表地形进行基于模糊逻辑规则的可穿越性评估。首先使用针对几何障碍检测提出的岩石图像分割模型对地形的粗糙度进行评估,其次利用针对非几何障碍检测提出的地形分类模型对地形的硬度进行评估,最后综合两项的评估结果对巡视器相机捕捉到的地形图像进行可穿越性评估。

关键词： 脑类器官   胎盘类器官   微流控芯片   干细胞发育学  

摘要： 胎盘是连接母体与胎儿的重要器官，其功能直接影响胎儿脑的正常发育。目前对于脑以及胎盘相关疾病研究大都来源于动物模型以及二维(Two dimensional，2D)细胞模型，亟待建立近生理的人源性体外三维(Three dimensional，3D)模型。这对研究孕期疾病及不良结局具有重要意义。本论文将干细胞发育原理与工程学方法相结合，利用人诱导多能干细胞，构建体外仿生脑以及胎盘滋养层3D组织模型创新体系，并探究环境暴露对脑类器官发育的影响，揭示流体对胎盘滋养层组织发育的影响。分述如下:　　一、将干细胞自组装原理与微阵列芯片相结合，构建人诱导多能干细胞（Human induced pluripotent stem cells，hiPSC）衍生的脑类器官，探究生命早期丙戊酸(Valproic acid，VPA)暴露对脑发育的影响。结果表明所产生的脑类器官可以重现生命早期体内大脑的发育过程以及关键特征，包括神经分化、前脑的形成以及皮层结构形成。脑类器官经一定浓度VPA处理后，出现神经发生异常（SOX2/NESTIN上调表达）、神经元分化损伤、前脑分布（FOXG1上调表达）及皮层结构（TBR1下调表达）的异常。转录组学分析显示，VPA暴露导致神经发育以及突触信号通路的异常，且VPA处理的脑类器官的转录组数据与临床自闭症病人的转录组高度关联。揭示生命早期VPA暴露可能会增加类自闭症样的神经发育异常的风险。　　二、外泌体在介导肿瘤信号转导中起着非常重要的作用。孕期肿瘤可能会影响胎儿脑发育。本研究利用脑类器官芯片模型研究乳腺癌来源的外泌体对大脑早期神经发育的影响。结果显示，脑类器官经肿瘤来源的外泌体处理5天和10天后，表现出干细胞相关标记物(OCT4)以及前脑标记物(PAX6)的基因与蛋白水平表达增强。转录组分析显示，乳腺癌来源的外泌体使得脑类器官中肿瘤相关的信号通路以及神经发生相关的信号通路被激活，揭示乳腺癌来源外泌体有可能影响脑类器官的神经发育，为解析外泌体介导母体与胎儿之间作用具有重要指导意义。　　三、利用干细胞自组装原理，建立3D胎盘滋养层样组织模型新体系，研究了从人多能干细胞（Human pluripotent stem cells，hPSC）产生滋养层组织的可能性。结果显示，hPSC可以有效地自组织成囊胚腔样结构，产生不同滋养层亚型，包括滋养层细胞(Cytotrophoblasts，CTB)、合胞体滋养层细胞（Syncytiotrophoblasts，STB）和绒毛膜外滋养层细胞(Extravillous trophoblasts，EVT)。所形成的3D组织具有胎盘绒毛状结构并分泌人类胎盘特异性激素，可进一步用于研究人类早期胎盘发育以及妊娠疾病。　　四、胎盘微环境涉及物理化学因素，本工作利用大尺度的微流控芯片体系探究机械流体对胎盘滋养层组织发育的影响。结果显示，在动态流体条件下(1mL/min)，滋养层组织中CTB、STB和EVT的特异性标记基因与蛋白表达增强。转录组学分析显示，流体改变了滋养层组织中细胞成分、生物学功能和分子功能信号通路，激活了流体剪切应力和Ca2+信号传导途径促进hiPSC分化为滋养细胞组织。揭示机械流体对体外滋养层组织分化的促进作用，为理解流体在滋养层组织发育的机制提供了新的见解。