摘要：沉香来源于瑞香科沉香属植物的多个树种带香脂的心材,野生沉香已经日渐稀少,现多为人工栽培并诱导结香。沉...沉香来源于瑞香科沉香属植物的多个树种带香脂的心材,野生沉香已经日渐稀少,现多为人工栽培并诱导结香。沉香中具有一些特殊的芳香物质,能够作用于中枢神经系统,镇静安神,故而既可应用于医药,又可作为一种名贵的香料。沉香是时间和化学作用的产物,优质的沉香更是需要时间的沉淀,被称为“奇楠”,是人们“孜孜以求”的上品。白木香Aquilaria sinensis(Lour.)Gilg是2015年版《中国药典》中规定的唯一品种,主要分布于我国南部地区,自然状态下难以结香,一般采用火烧、钻洞等方式诱导加速结香。而厚叶沉香Aquilaria crassna Pierre ex Lecomte是我国进口沉香品种中较大量的一种,主要为野生资源,分布于老挝、泰国、缅甸、越南、柬埔寨等地,其在自然环境下较白木香更容易结香,随着市场上对沉香的需求量不断增加,厚叶沉香以其优质的香脂闻名而迅速占领市场,故从上世纪90年代末,我国南部沿海地区对厚叶沉香进行了引种并逐渐发展形成了大规模的种植基地。目前在我国广东、福建、浙江等沿海地区引种面积达10000多亩。然而,在引种A.crassna的过程中出现诸如种源不清、种植基地苗木管理混乱,产香质量参差不齐等一系列的问题,优质沉香的供应得不到保证。为了有效控制厚叶沉香的产香数量及质量,探索其发挥药效的物质基础,为厚叶沉香在国内的推广种植提供依据,对目前广东省的沉香种植技术成果进行验证并归纳总结,以建立一套适用于厚叶沉香的规范化生产标准,具有重要意义。目的:研究引种厚叶沉香在广东省的生长特性及厚叶沉香A.crassna的生物学特征以正本清源;对种植技术进行整理归纳,形成规范化栽培技术规程(SOP),以基地现有的厚叶沉香为对象,对幼苗多个指标进行测量和统计分析整理出其种苗质量分级参考标准;通过现代化学分析手段,对厚叶沉香的化学组成进行初步的研究,与白木香所产沉香的有效成分组成进行对比,探索其药用物质基础。方法:1.查阅大量国内外文献及与本研究相关的资料,总结前人研究成果与存在的问题,针对厚叶沉香种植管理方面研究不足及薄弱环节提出本论文的研究内容与目标。2.对汕头鹏华科技有限公司的15年以上的厚叶沉香树和沉香育苗基地进行了定点观察,厚叶沉香的生长表现、物候期观察,并运用性状、显微鉴别及薄层色谱法(TLC)对厚叶沉香植物及香脂进行鉴别。3.对种植基地实地调查并采访,了解种植中的关键技术并形成文字。运用主成分分析法对厚叶沉香种苗质量进行分级。4.参考2015年版《中国药典》及相关文献研究,利用高效液相色谱法(HPLC)、气相色谱/质谱联用法(GC-MS)对收集到的13批厚叶沉香香脂样品进行化学成分的分析,并横向比较。结果:1.2016年汕头地区厚叶沉香花开放期(月.日)5.10-6.10,果期6.20-9.15,果实成熟期8.10-8.20。在性状特征上厚叶沉香每朵花序上的小花数为4-7朵,总花梗上有1片苞片,小花花梗长8.0~9.6mm,果实圆润而短。显微结构中,叶的栅栏组织厚55~82μm,偶见草酸钙柱晶镶嵌其中,茎粉末中仅含有单细胞非腺毛,纤维上具三角形及圆形纤维纹孔。2.形成了厚叶沉香规范化种植技术规程(SOP)。对2016厚叶沉香基地四月龄和一年生苗木分级结果:四月龄苗木:Ⅰ级苗:H≥12.83cm,D≥0.26cm;Ⅱ级:12.83cm﹥H≥11.22cm,0.26cm﹥D≥0.21cm;Ⅲ级苗:H﹤11.22cm,D﹤0.21cm。一年生苗木:Ⅰ级:H≥71.45cm,D≥1.06cm;Ⅱ级:71.45cm﹥H≥61.73cm,1.06cm﹥D≥0.81cm;H﹤61.73cm,D﹤0.81cm。3.厚叶沉香中总灰分含量在1.30%~4.54%之间,酸不溶性灰分含量在0.14%~1.16之间;醇溶性浸出物含量范围为3.31%~10.36%;醚溶性浸出物含量范围为0.95%~3.40%;沉香四醇含量范围在0.20%~3.71%,得到13批厚叶沉香的HPLC指纹共有模式图,GC-MS总离子流图共鉴定了43个化学成分,大部分为倍半萜类成分。结论:1.厚叶沉香植物物候期、生长期及性状、显微、香脂的薄层色谱等特征可以用来方便地区分厚叶沉香与其他沉香属植物。2.沉香的生产是个复杂的过程,种植是其中的关键技术之一,将引种厚叶沉香基地行之有效的种植技术进行整理总结,形成SOP,可以对生产沉香的源头进行统一的标准化管理。一年生厚叶沉香的分级标准可为厚叶沉香专业化、规模化和规范化生产和开发利用提供一定的参考依据。一年生Ⅰ级苗木一般可以用来定植。3.厚叶沉香中的化学物质含量具有不稳定性。在厚叶沉香中,倍半萜类成分含量的积累多于色酮类成分。更多还原显示全部
摘要：研究背景:当今世界,医学影像技术和计算机领域不断进步,这些进展促使我们易于从图像中高通量提取定量特征,...研究背景:当今世界,医学影像技术和计算机领域不断进步,这些进展促使我们易于从图像中高通量提取定量特征,从而使得图像转换为可采数据,并随后对这些数据进行分析,这导致了放射组学的产生。据SEER数据库统计,肾细胞癌(RCC)占所有癌症的3.8%,2018年在美国估计有65340例新发病例。在临床实践中,肾结石积水合并RCC时,一方面肾癌常常与肾脏结石的症状重叠,如非特异性的临床表现腰痛和血尿等,另一方面由于肾脏外形、结石、炎症等的改变,CT难以识别,从而导致对RCC的漏诊,对患者治疗方案的选择产生差异。所以我们使用影像组学的方法来分析,建立有效的模型来辨别上述患者,提高肾结石积水合并RCC的诊断率。研究方法:经过筛选,我们回顾性分析了所有诊断为肾结石合并肾积水并在行单纯性肾切除之前行CT检查的患者,共66例,其中非RCC35例,RCC31例,随机将患者按7:3比例分配至训练集和验证集两组,其中训练集中有46名患者,验证集中有20名患者。手工分割每个患者肾脏CT图像,从每个患者患肾肾脏区域提取18个非纹理特征和344个纹理特征。我们将fisher,Mutinffs,fsv,L0,inffs,laplacian与forward selection结合进行特征选择,将最佳特征集用于训练LIBSVM分类器建立预测模型,最后在独立的验证集中评估预测模型的预测价值。我们使用4个指标对模型进行评价,分别是接收器工作特性曲线下的面积(Area under the receiver-operating characteristic curve,AUC),准确性,敏感性,特异性。上述整个过程重复五次,模型在训练集和测试集上的预测价值的评估指标取5次重复实验的平均值。研究结果:为了去除原始特征集中不相关和冗余的特征,本文采用特征排序联合正向选择的方法进行特征选择。我们将fisher,Mutinffs,fsv,LO,inffs,laplacian与forward selection结合进行检验。实验比较了每种方法的训练方法。从分类器的预测性能来看,基于Inf的正向选择算法的分类器分类性能最好,模型AUC、准确率和特异性均在80%以上。在验证集中,预测模型的接收器工作特性曲线下的面积(Area under the receiver-operating characteristic curve,AUC)为0.907,准确性为0.825,敏感性为0.704,特异性为0.933。在测试集中,预测模型的接收器工作特性曲线下的面积(Area under the receiver-operating characteristic urve,AUC)为 1,准确性为0.933,敏感性为0.887,特异性为0.947本文采用高通量成像方法提取大量图像特征。经过特征选择,建立LIBSVM分类模型,对肾结石引起的肾积水和肾肿瘤进行鉴别。实验结果表明,该模型在训练集和测试集上都是良好的。基于实验方法的非侵入性,该模型有望成为肾结石致肾积水及肾肿瘤患者术前治疗选择及预后判断的辅助诊断工具。更多还原显示全部
