《PNAS:“铁雪”模型的生物能量学为木卫二提供生命养料》

  • 来源专题:中国科学院文献情报系统—海洋科技情报网
  • 编译者: liguiju
  • 发布时间:2024-07-14
  • 木卫二(Europa)的冰壳下存在一个的液态水海洋,使得其成为太阳系中潜在的宜居星球之一。由于表面环境恶劣且相对缺乏阳光,卫木二冰海生物将不得不利用氧化还原梯度在地下获得能量。氧化还原梯度的主要来源为生活在木卫二和其他冰海世界海洋提供光解氧化剂,如活性氧(ROS)的冰壳,和还原剂(铁(II),S(II),甲烷,H2)。然而,维持生命的重要障碍是:海洋混合结合氧化还原物种的程度未知,以及ROS破坏生物分子。

    为了克服冰冻海洋世界中的生命障碍,来自Akron大学的研究者提出了一个“铁雪”模型,该模型假设由表面冰层产生的活性氧(ROS)氧化溶解的Fe(II),形成Fe(III)(氢氧化物)沉淀物,这些沉淀物作为“铁雪”沉降到海底。铁雪为厌氧微生物提供了一个呼吸基质,并通过在冰水界面中和ROS来限制对生物分子有害的活性氧暴露。

    在大多数生物地球化学模型中,铁参与代谢氧化还原过程在很大程度上被忽视了。文章提出的模型克服了冰冻海洋世界中生命的重要概念障碍,扩大了潜在的代谢多样性,从而提高了总初级生产力、可居住环境生态位的多样性和体积,并最终提高了生物特征检测的概率。(李亚清 编译)

  • 原文来源:https://www.pnas.org/doi/10.1073/pnas.2316452121
相关报告
  • 《TREM1 破坏衰老和阿尔茨海默病小鼠模型中的髓系生物能量学和认知功能》

    • 来源专题:重大疾病防治
    • 编译者:蒋君
    • 发布时间:2024-04-24
    • 人类遗传学表明,晚发性阿尔茨海默病的发展与髓系反应有缺陷有关。外周和脑髓代谢下降,引发适应不良的免疫反应,是衰老的一个特征。TREM1(一种促炎因子)在神经退行性疾病中的作用尚不清楚。在这里,我们表明Trem1缺乏可以防止小鼠骨髓代谢,炎症和海马记忆功能的年龄依赖性变化。Trem1 缺乏症可挽救与年龄相关的 5-磷酸核糖下降。在体外,Trem1缺陷的小胶质细胞对淀粉样蛋白β42低聚物诱导的生物能量变化,提示淀粉样蛋白β42低聚物刺激通过 TREM1 破坏稳态小胶质细胞代谢和免疫功能。在 5XFAD 小鼠模型中,Trem1 单倍体功能不全可防止空间记忆丧失,保留稳态小胶质细胞形态,并减少神经炎营养不良和疾病相关小胶质细胞转录组特征的变化。在老化的APP中瑞小鼠,Trem1缺陷可防止海马记忆力下降,同时恢复突触线粒体功能和脑葡萄糖摄取。在死后阿尔茨海默病脑中,TREM1 与淀粉样斑块周围的 Iba1 细胞共定位,其表达与阿尔茨海默病临床和神经病理学严重程度相关。我们的结果表明,TREM1 促进衰老和淀粉样蛋白病理学背景下的认知能力下降。
  • 《人工智能大模型“拿捏”电池寿命》

    • 来源专题:能源情报网监测服务平台
    • 编译者:郭楷模
    • 发布时间:2024-09-25
    • 从清晨唤醒我们的闹钟,到随身携带的手机,再到电动汽车、无人机等新兴产品,无一不依赖于电池提供的稳定电力。 然而,随着电池使用时间的增长,其容量会逐渐衰减,造成供电时间缩短,影响设备的正常功能。如果能及时检测电池寿命,用户就能在电池性能明显下降前采取相应措施,从而避免因电池问题导致的设备故障或数据丢失,延长电池整体使用寿命。 近日,中国科学院大连化学物理研究所(以下简称大连化物所)研究员陈忠伟、副研究员毛治宇团队,联合西安交通大学教授冯江涛,在电池健康管理领域取得新进展。他们开发了一种新型的深度学习模型,有效解决了传统方法对大量充电测试数据的依赖问题,为电池实时寿命预估提供了新思路,实现了锂电池寿命的端到端评估。同时,该模型作为团队开发的第一代电池数字大脑PBSRD Digit核心模型的重要组成部分,为电池智能管理提供了解决方案。相关成果发表于《电气电子工程师学会交通电气化学报》。 难以预测的电池寿命 电池的循环寿命是指电池在规定的充放电条件下,经历多次完全充放电循环后,容量或性能下降到初始值的某一规定百分比所能经历的充放电次数。通常以电池容量衰减到初始值的80%作为循环寿命的“终点”。 假如一部手机的电池循环寿命是500次,这就意味着,如果每天把手机电量完全用完再充满,那么大约500天后,你就会感觉手机电量没有以前那么耐用了,因为电池的循环寿命到了。 由于电池容量退化是一个受多种因素影响的动态过程,包括充放电循环次数、充放电深度、环境温度、电池老化等,这些因素相互作用,使得电池寿命预测变得尤为复杂。 此前,电池寿命预测都在实验室内进行。比如让电池加速循环,在高温45℃下高倍率运行,以此推断它在实际应用场景中的使用寿命。但是,不同的应用场景和运行条件会对锂电池寿命产生显著影响,以致无法实现对电池的精准预测。 目前,很多团队正积极投身于人工智能领域的探索。“遗憾的是,当前的人工智能技术及其学习深度,以及有限的人力资源,不能完全满足对电池寿命进行精确检测的需求。”毛治宇说,“基于这一现状,我们萌生了一个设想——设计一个能够直接且高效检测电池寿命的创新模型。这一模型致力于突破现有技术的局限,为电池健康管理提供更为可靠和智能的解决方案。” 人工智能模型让电池“透视” 2017年,毛治宇在加拿大滑铁卢大学读博士,陈忠伟是他的导师。当时,人工智能刚刚起步,他们想尝试一下,用它能否解决电池寿命检测这一难题。 “实际上,电池包括正极、负极、隔膜、电极液等,是一个复杂的电化学系统。但是,那时候的模型还停留在简单的神经网络学习,人工智能检测刚刚开始,我们就用自己的电池尝试测试,并纳入此前未被考虑到的电池老化问题,最终检测出来的电池寿命与实际寿命相比,精度有了很大提高。”毛治宇回忆当初第一次尝试时说。 这次初步尝试开启了毛治宇在人工智能应用于电池智能管理方向的科研之路。后来,二人先后归国工作,毛治宇又加入了陈忠伟的团队。 陈忠伟团队有一个方向是智能电池,包括人工智能应用于科学、人工智能应用于工程,毛治宇想在这里圆梦。而目前科技领域已有多个人工智能的计算模型,他们“借风使船”结合多个模型,实现了优势互补。 “我们利用了Vision Transformer结构,它可以进行并行计算,同时处理多个任务。”论文第一作者、在大连化物所从事博士后研究的刘云鹏介绍,“还有一个空间流加时间流的双流框架,可提取多维时间尺度信息,同时借助高效自注意力机制减少计算复杂度。我们根据不同的优势将这两种算法进行了结合。” 这项研究提出了一种基于少量充电周期数据的深度学习模型,该模型通过带有双流框架的Vision Transformer结构和高效自注意力机制,捕捉并融合多时间尺度隐藏特征,实现对电池当前循环寿命和剩余使用寿命的准确预测。 该模型在仅使用15个充电周期数据的情况下,能够将上述两种预测误差分别控制在5.40%和4.64%以内。并且,在面对训练数据集内未出现的充电策略时,仍能保持较低的预测误差,证明了其zero-shot泛化能力。 打造“电池数字大脑” 同时,该电池寿命预测模型是第一代电池数字大脑PBSRD Digit的重要组成部分。通过将模型整合到该系统中,进一步提高了系统的准确性。目前,该电池数字大脑系统作为大规模工商业储能和电动汽车的能量管理核心,可部署于云端服务器和客户端嵌入式设备。 “现在新能源特别是储能是热点话题,很多厂家都想开发全生命周期的电池智能管理系统。我们希望建设一个完整的电池数字大脑,能够更好地管理电池,像大脑一样控制电池的各个方面,让电池效率更高、寿命更长。这是我们未来的一个智能化发展方向。”毛治宇介绍说。 事实上,陈忠伟、毛治宇、刘云鹏正好是一个团队内的“师徒三代”。经过多年发展,团队在电化学、电催化、人工智能方面都有着深厚的积累。他们的目标是打造从基础研究到关键技术开发再到产业应用示范的全链条模式,以应用为导向真正走向产业化,乃至对整个领域产生影响。 150余人的团队中,会聚了超过50位经验丰富的工程师。他们具有不同的技术背景,不乏在大数据架构与算法领域深耕多年的专家,擅长将前沿的算法研究转化为高效、稳定的系统架构,确保技术成果能够顺利落地。 正是这种“研究+开发”深度融合的模式,使得团队能够跨越传统界限,促进不同领域知识与技术的交叉融合。工程师们不仅能独立承担项目研发的重任,还能与科研人员紧密合作,将最新研究成果迅速转化为产品功能,从而加速技术创新与产业升级的步伐。 通过这种高效的协作机制,团队不仅在电池寿命检测等特定领域取得突破,还能灵活应对各种复杂挑战,推动多个项目并行发展,最终实现多元化、全方位的技术创新目标。 “未来,我们计划利用模型提炼等技术进一步优化模型,以提高资源利用率,打造真正的数字大脑。”陈忠伟说。 相关论文信息: https://doi.org/10.1109/TTE.2024.3434553