登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《上海应物所研究人员应邀在Nature Photonics发表观点文章》

  • 来源专题：中国科学院文献情报先进能源知识资源中心 |领域情报网
  • 编译者： yangrui
  • 发布时间：2016-11-09

  • 近日，中国科学院上海应用物理研究所自由电子激光部邓海啸研究员和冯超副研究员受邀在Nature Photonics杂志News and Views（新闻与观点）栏目以“X-raylasers: Multicolour emission”(X射线激光：多色脉冲) 为题发表观点文章(Nature Photonics 2016, 10, 695-696)，回顾和展望了多色自由电子激光的发展动态及其在超快时间分辨光谱学方面的应用前景，同时对利用电子束团的切片操控产生双色、三色自由电子激光脉冲进行了介绍和评论，并探讨了该项技术在超大带宽自由电子激光等其他方面应用的可行性。 基于多色超快激光的时间分辨光谱学，例如超快泵浦—探测和四波混频等技术已被广泛应用于探究物理、化学和生物学中一系列的快速动力学过程，帮助科学家深入理解物质变化的基本规律。然而，常规激光波长覆盖范围有限，很难达到200nm以下，这使得常规...

85浏览量
原文链接
相关报告

  • 《金属所研究人员应Science期刊邀请，发表利用机器学习进行材料筛选研究的述评文章》
    • 来源专题：中国科学院文献情报制造与材料知识资源中心—领域情报网
    • 编译者：冯瑞华
    • 发布时间：2022-10-17
    • 根据应用环境需求，定制合金材料的成分及工艺，突破“试错法”高成本、低效率的材料设计瓶颈，是材料科学家的终极梦想。近20年来，合金成分由单主元传统合金发展到多主元高熵合金，极大拓展了合金的成分空间。 如何从近乎无限的成分空间中高效筛选出具有特定性能的合金成分，是材料研究者所面临的巨大挑战。近年来，机器学习在材料的成分筛选和性能优化中的应用发展迅速。中国科学院金属研究所胡青苗研究员和杨锐研究员应Science期刊邀请，发表了题为《对更好合金的无尽寻索》的述评文章，对利用机器学习进行材料筛选的研究现状进行了评论和展望。该述评文章于10月6日在线发表(Vol. 378, Issue 6615, pp. 26-27. )。 机器学习方法一般利用人工神经网络，对现有成分-性能数据进行训练，快速获得成分–性能关系，进而筛选出具有目标性能的成分。机器学习的效率和精度依赖于用于训练的成分–性能数据集。 相对于近乎无限的成分空间，已有的成分–性能数据往往相当稀少。因此，对机器学习算法进行适当优化和策略设计尤为重要。目前，机器学习方法在因瓦高熵合金、铁电材料、压电材料等的成分筛选中都有了较为成功的应用范例。 特别是德国马普学会钢铁研究所Dierk Raabe课题组在最近一期Science上发表的研究工作，结合机器学习、第一性原理及热力学计算和实验验证，高效地从百万种可能成分组合中筛选出17种Fe-Co-Cr-Ni及Fe-Co-Cr-Ni-Cu因瓦高熵合金。   述评文章指出，机器学习方法目前大多应用于功能材料的筛选。原因是这类材料的目标性能主要决定于材料成分，对显微组织并不敏感。然而，结构材料的力学性能如强度、韧塑性等不仅受成分影响，且具有高度的显微组织敏感性，而显微组织又决定于合金成分及制备工艺，这使得结构材料力学性能的影响因素错综复杂。 另一方面，实际应用中，往往同时对结构材料的多种性能有一定要求。这些因素大大增加了机器学习在结构材料设计中应用的难度。 文章最后总结，随着机器学习算法的发展、实验数据的积累以及对成分–工艺–组织–性能关系机理理解的深化，有望实现面向指定性能需求的定制化材料成分及工艺优化设计。
    73浏览量
    原文链接

  • 《微生物所应邀在Trends杂志发表计算机酶设计重要综述》
    • 来源专题：生物安全知识资源中心—领域情报网
    • 编译者：hujm
    • 发布时间：2022-05-10
    • 生命历经40多亿年的演化至今，由酶催化的生化反应构筑了生命活动的核心基础。自然进化历程极其缓慢，新功能产生需要百万年时间，无法满足现代生物技术发展的需求。酶的人工设计是拓宽其应用的必经之路，亦是人工合成生命的重要底层技术。近日，中国科学院微生物研究所吴边团队应 Trends in Chemistry杂志邀请，发表了题为“Computational enzyme redesign: large jumps in function”的特邀综述，系统介绍了计算酶学的发展历程、科学意义以及未来趋势。 近年来，基于蛋白质本身的物理化学原理，学界发展出以Rosetta Design为代表的一系列计算策略，研究人员可以按需快速创造具有新功能的酶制剂，甚至从头创造人工酶实现自然界无法催化的生物化学反应，如催化Kemp 消除反应 (Kemp elimination reaction)、羟醛缩合反应 (Retro-aldol reaction)、狄尔斯-阿尔德反应 (Diels-Alder reaction)等。尽管从头设计技术展现了激动人心的应用前景，目前该技术还存在设计成功率不高、酶催化活性较低等科技挑战，寥寥数个成功实现的从头设计人工酶案例让整个领域陷入了对未来发展方向的沉思。 相比之下，借助于天然酶骨架的新功能重设计技术逐步走入人们视野，例如Siegel 等利用新酶重设计技术创建催化甲醛聚合的甲醛聚合酶Formolase，并成功将该酶应用于生物代谢途径，创造了以二氧化碳为原料合成羟基丙酮的人工合成途径。2018年，吴边团队针对微生物体系中极为稀缺、底物特异性极高的氢胺化酶进行功能重塑，在世界上首次通过完全的计算指导，获得了工业级微生物工程菌株，取得了计算驱动生物制造在工业化应用层面的率先突破（Nat. Chem. Biol. 2018, 14(7): 664-670）。随后，该团队进一步重构了完整的酶活性中心，打破了生物体系内氢胺化反应非天然底物无法兼容的瓶颈，成功创造出超广谱微生物氢胺化反应路径，为合成生物学所需的新型底层生命砌块创造了平台制备体系（Nat. Catal. 2021, 4: 364–373）。该篇综述归纳了利用重设计技术获得酶功能重塑的成功案例，这些高效人工酶的成功设计充分证明了新酶重设计策略具有巨大的发展潜力。 随后，作者探讨了大数据和人工智能的发展为酶设计带来的新契机。伴随人工智能发展的浪潮以及测序数据的积累，一大批数据驱动型的蛋白质计算设计方法不断涌现，设计出腺相关病毒衣壳蛋白、蛋白质传感器、蛋白质逻辑门、跨膜蛋白和结合新冠病毒的小蛋白等案例。同时，AlphaFold横空出世，对于有天然稳定结构的蛋白质结构预测问题基本得到了解决。在AlphaFold掀起的浪潮下，发展数据驱动的“黑箱模型”已成为大势所趋。然而，相对于蛋白质结构，酶的催化机制更为复杂，且数据表征方法不统一，缺乏大规模的专业性数据集。需要专业的机构通过大量人力、时间的投入，搜索、处理、建立高精度标注数据，实现“黑箱模型”的高质量训练，作者期待未来通过高精度数据获得的训练模型可进一步进行知识发现来把“黑箱”变成“白箱”。 在综述文章最后，作者对基于蛋白质本身物理化学原理的计算设计方法以及数据驱动的计算方法进行详细总结，并对这些策略目前的局限性和未来发展方向进行了讨论和展望。近年来“计算机蛋白质设计”技术蓬勃兴起，拓宽了人们对蛋白质结构与功能组织层次的认知，并为生物大数据时代下合成生物学注入新动能。该篇综述立足于全新的视角对目前计算设计人工酶领域的前沿技术进行梳理总结与科学展望，为计算设计与生物产业的互作融合提供支持。 中国科学院微生物研究所吴边研究组的崔颖璐副研究员为该综述的第一作者，吴边研究员为通讯作者。该综述的撰写获得了国家重点研发计划合成生物学专项（2018YFA0901600）、国家自然科学基金相关人才计划项目（31870055）、国家自然科学基金面上项目（31822002、32170033）中国科学院战略生物资源服务网络计划生物资源衍生库（KFJ-BRP-009、KFJ-BRP-017-58）、中国科学院网络安全和信息化专项应用示范项目（CAS-WX2021PY-0101）以及中国科学院青年创新促进会的资助。
    130浏览量
    原文链接