生态修复工程条件下污染河流水质模拟和应用

生态工程是改善河流水质的重要手段,利用数学模型可以有效模拟水环境治理和预测生态修复工程效益.本文根据实际河流资料,应用WASP水质模型进行建模和验证,模拟和评估了河流的主要化学参数,进而研究了人工湿地和曝气复氧对河流水质的生态改善作用.结果表明: WASP水质模拟结果与实测水质数据拟合良好,可以对不同生态修复情景方案进行预测分析.合理减排、人工湿地、曝气复氧均可以降低河流水体中的污染物浓度、有效改善水质.在人工湿地系统中增加曝气复氧装置,将进一步提升河流水体的生态修复效率.以吉林省伊通河曝气条件下的人工湿地工程为例,分析了其生态修复效率.结果表明: 夏季的污染物去除效果最好,可能的原因为夏季气温较高,水体中的微生物活性较强.本研究对于污染河流环境的生态修复工程设计和运行具有指导意义.     

基于TransformerMGI的microRNA靶向基因预测

生物小分子microRNA可以对基因表达进行正向或负向调控,研究microRNA与基因之间的关系对于机体稳态的维持和疾病治疗都有着重要意义。利用深度学习方法对microRNA和基因靶向关系进行预测,提出了TransformerMGI模型。在特征工程阶段,针对生物序列潜在信息难以准确地提取这一问题,TransformerMGI模型分别采用了基于图卷积神经网络的GP-GCN方法和DNA2Vec模型对microRNA和基因数据的潜在信息进行提取,得到了二者的表征嵌入矩阵,在模型方面,TransformerMGI模型引入了幂归一化来改进经典的深度学习模型。利用microRNA和基因数据经过特征提取后得到两个表征矩阵,这两个矩阵分别被放入TransformerMGI模型中,通过TransformerMGI模型内部的Attention机制对二者自身和相互的特征信息进行了聚合和关联运算,最终预测出microRNA调控基因的概率。采用ROC曲线下面积和准确召回率曲线作为模型性能评价指标,将TransformerMGI与其他现有模型进行了比较评估。实验结果表明,TransformerMGI模型的AUC和AUPRC评分均可达0.91以上,优于现有的其他模型。TransformerMGI模型能在不考虑生物学原理和基因组背景的前提下,仅依赖microRNA和基因的碱基序列信息,实现microRNA靶向基因的预测,从而为后续的microRNA靶向基因预测研究提供了可借鉴的深度学习方法。