细胞神经网络

细胞神经网络（精选12篇）

细胞神经网络 篇1

据每日科学网3月27日 (北京时间) 报道, 瑞典隆德大学的研究人员进行的实验表明, 其他细胞可以在大脑中通过重新编程直接转化为神经细胞, 这一成果标志着细胞疗法领域又迈出了重要一步。

细胞疗法的目标是要在体内形成新的细胞以治疗疾病。两年前, 隆德大学的研究人员就对人类皮肤细胞 (成纤维细胞) 进行重编程, 使其直接变身为可产生多巴胺的神经细胞, 从而绕过了干细胞这一中间阶段, 当时这在世界上尚属首次。现在, 该小组又证实, 皮肤细胞和支持细胞都有可能直接在大脑中重编程为神经细胞。

研究人员使用一种被设计过的基因, 可通过药物激活或使其失活。这种基因被插入两种类型的人类细胞中:成纤维细胞和神经胶质细胞, 后者是自然存在于大脑中的支持细胞。随后, 研究人员将细胞移植进大鼠的大脑, 并在大鼠的饮用水中加入药物将基因激活。结果发现, 这些细胞开始向神经细胞转化。

在另一项实验中, 研究人员向小鼠大脑内注入同样的基因后, 也成功将小鼠自身的神经胶质细胞重新编程成为神经细胞。“这一发现是首个表明其他细胞有可能在大脑内经过重编程而转化为神经细胞的重要证据。”研究小组负责人马林·帕尔马说。

他表示:“研究结果有望开辟一条途径, 为将来的细胞疗法植入物找到替代品, 从而扫除以前遭遇的研究障碍, 比如难以让大脑接受外来细胞, 以及易形成肿瘤的风险等。”在大脑中直接对细胞重编程的新技术开启了新的可能性, 为更有效地替换帕金森氏症等患者已经死亡的脑细胞创造了条件。

“我们正在对这项技术进行开发, 以便用它来创建新的神经细胞, 取代受损细胞的功能。能够在体内进行重新编程也就意味着可以设想, 未来我们可以直接在人类大脑中形成新的细胞, 而无需绕行细胞培养和移植这条弯路。”帕尔马说。

这项研究让人们展开想象:其他细胞可以重新编程直接转化为神经细胞, 那么是否也可以转化为肌肉细胞、肝细胞等其他细胞?既然细胞可以实现转化, 那么转化细胞能否形成组织, 继而组成器官?尽管想象难以在短时间内成为现实, 但积跬步以至千里, 我们相信对细胞这一生命基本单位的这类研究必将成为揭开生命奥秘、改造生命和征服疾病的关键。

《科技日报》

细胞神经网络 篇2

一类随机BAM细胞神经网络的指数稳定性

研究了一类随机BAM细胞神经网络的指数稳定性,利用Lyapunov函数理论、It?公式和线性矩阵不等式方法,建立了这种细胞神经网络均方指数稳定性判定的充分性条件.

作 者：缪春芳 MIAO Chun-fang 作者单位：绍兴文理学院,数学系,浙江,绍兴,31刊 名：大学数学 PKU英文刊名：COLLEGE MATHEMATICS年，卷(期)：25(2)分类号：O175.12关键词：随机BAM细胞神经网络 Lyapunov函数 It?公式 线性矩阵不等式 指数稳定

细胞神经网络 篇3

关键词 随机模糊神经网络；变时滞；全局渐近稳定性

Globally Asymptotic Stability of Stochastic Fuzzy Cellular

Neural Networks with Timevarying Delays

WANG Jingyi， PENG Guoqiang

（College of Mathematics & Econometrics， Hunan University， Changsha， Hunan 410082，China）

Abstract This paper aims at solving the problem of checking the stability of a class of stochastic fuzzy cellular neural networks with timevarying delays. By constructing suitable Lyapunov functional and applying linear matrix inequality（LMI） theory， some sufficient conditions were developed to guarantee its globally asymptotic stability of this kind of neural networks. Two main results were obtained： one considering the globally asymptotic stability of the model， the other regarding its globally asymptotic stability in the mean square.

Key words stochastic fuzzy neural networks； timevarying delays； globally asymptotic stability

中图分类号 O29 文献标识码 A

1 Introduction

It is well known that fuzzy cellular neural networks（FCNN） which integrates fuzzy logic into traditional cellular neural networks brought up by Chua and Yang in 1988 have become a useful tool in a lot of fields like signal processing， pattern recognition， associative memory and image processing[1-3]. Furthermore， time delays are frequently encountered in hardware implementation and they can destroy a stable network and cause oscillations， bifurcation and chaos. Thus， it is of great importance to study the stability of delayed fuzzy cellular neural networks. In actuality， a great deal of studies focusing on this issue have emerged in recent years[4-6].

However， a real system is usually affected by external perturbations and hence should be treated as random. In fact， the synaptic transmission is a noisy process caused by random fluctuations from the release of neurotransmitters and other probabilistic factors. Moreover， a neural network can be stabilized or destabilized by certain stochastic inputs[7]. Accordingly， the study for stability of stochastic FCNNs becomes urgent and consequently some results have been derived[8-11].

The main purpose of this paper is to study the globally asymptotic stability of a kind of stochastic fuzzy cellular neural networks with timevarying delays. We tried to derive our results by applying the linear matrix inequality（LMI） approach， which， to the authors’ best knowledge， has not been used on this kind of systems before. Our conditions for stability are expressed in terms of linear matrix inequalities which can be easily solved by some standard numerical packages.

nlc202309041802

Thus， the proof is completed.

Theorem 2 Under the same conditions of Theorem 1， system （1） is globally asymptotic stable in the mean square.

By the stability results in [7]， the neural network （1） is globally asymptotically stable in the mean square.

5 Conclusion

In this paper， the sufficient conditions have been derived for checking the globally asymptotic stability and the globally asymptotic stability in the mean square of a class of stochastic fuzzy cellular neural networks with timevarying delays by constructing suitable Lyapunov functional and applying LMI approach. Besides， a numerical example has been given to testify the effectiveness of our methods.

References

[1] S HAYKIN. Neural Networks： A Comprehensive Foundation[M].Commun. in Partial Diff Eqns， 1994：105-143.

[2] L O CHUA， L YANG. Cellular neural networks： applications[J].IEEE Trans. Circuits Systems， 1988，35（10）：1257-1272.

[3] T YANG， Y YANG， C WU， et al. Fuzzy cellular neural networks： theory[J].Proceedings of IEEE international workshop on mathematical morphological operations，1996：225-230.

[4] Y LIU， W TANG. Exponential stability of fuzzy cellular neural networks with constant and timevarying delays[J].Phys Letts A， 2004， 323：224-233.

[5] Q ZHANG， R XIANG. Global asymptotic stability of fuzzy cellular neural networks with timevaring delays[J].Phys. Letts. A， 2008， 372：3971-3977.

[6] K YUAN， J CAO， J DENG. Exponential stability and periodic solutions of fuzzy cellular neural networks with timevaring delays[J].Neurocomputing， 2006， 69：1619-1627.

[7] X MAO. Stochastic differential equations and applications[M].Chichester： Horwood Publishing，2007：110-127.

[8] S BLYTHE， X MAO，X LIAO. Stability of stochastic delay neural networks[M].J Franklin Inst， 2001：338-481.

[9] H ZHAO， N DING， L CHEN. Almost sure exponential stability of stochastic fuzzy cellular neural networks with delays[J].Chaos， Solitons and Fractals， 2009：1653-1659.

[10]L CHEN， R WU， D PAN. Mean square exponential stability of impulsive stochastic fuzzy cellular neural networks with distributed delays[J].Expert Systems with Applications， 2011，38：6294-6299.

[11]M Syed ALI， P BALASUBRAMANIAM. Global asymptotic stability of stochastic fuzzy cellular neural networks with multiple discrete and distributed time-varing delays.[J]Commun Nonlinear Sci Numer Simulat， 2010：1155-1167.

细胞神经网络稳定性分析 篇4

细胞神经网络产生和发展的理论基础是: (1) 1984 年, T.Kohonen在《Self-Organization and Associative Memory》一书中提出了两种邻居系统的结构, 而其中之一就是细胞神经网络的原始结构[1]; (2) 利用了Hopfield神经网络模型, 并将原有的Hopfield电路模型中的S型输入输出特性曲线改成由三条折线组成的非线性特性曲线, 同时在电路中引入了自反馈; (3) 受细胞自动机理论的启发, 将细胞自动机的分析方法用于细胞神经网络理论中; (4) 利用蔡少棠教授在非线性电路中的研究成果, 构成细胞神经网络的硬件; (5) 利用Lyapunov能量函数和电路中的基尔霍夫定律确定了电路的稳定性和动态范围[2]。

由细胞自动机的原理和结构可以延伸出细胞神经网络的结构, 图1 给出了一个二维平面的细胞神经网络, 假定其二维结构是3×3, 图中方框表示细胞神经网络的基本单元-细胞, 细胞之间的连线表示细胞间的相互作用。细胞神经网络中的一个细胞仅和它的近邻细胞相连接。细胞神经网络的基本单元-细胞可以是线性与非线性的电路元件。

对于M×N维的细胞神经网络, 若其第i行与第j列的细胞记为C (i, j) , 则C (i, j) 的近邻细胞的定义如下:假定用k, l表示细胞C (i, j) 所定义的近邻细胞的行与列, 则C (k, l) 是C (i, j) 的临近细胞, 细胞C (i, j) 在给定半径r下的近邻细胞为

式中r是正整数。

图2 分别给出了在r=1, 2, 3 时同一个细胞 (图中用阴影线表示) 的三种近邻结构, 由定义可知细胞神经网络的内部细胞共有 (2r+1) 2个, 且近邻细胞呈现对称性。

2 神经网络稳定性分析

所谓稳定的神经网络, 定义为这样一种非线性动态系统, 当在该系统上加入一初始输入时, 系统的状态发生变化, 但最后达到一固定点 (收敛点或均衡点) 。这些固定点就是存储信息的点。神经网络的稳定性是与反馈网络的回忆操作相联系的, 这种反馈网络的稳定性可用Lyapunov准则进行判定[3]。

设有一系统, 其参变量为y= (y1, y2, …, yn) , 系统微分方程组为:

Lyapunov准则描述如下:对于一非线性动态系统, 能找到一个以Yi变量表示的能量函数E, 对于所有输入y= (y1, y2, …, yn) , 如上述能量函数满足Lyapunov的四个基本条件, 则该系统的动态过程将收敛, 并判定为整体稳定。这四个条件为:

(1) Yi=0, 如果yi=0, i=1, 2, …, n。

(2) 在给定域内的任一点, Yi一阶导数存在。

(3) , 式中H总是非零的, 即在t≥t0时, yi总是有界的

(4) , 这表明能量随着变量yi的变化总是减小的。

Lyapunov能量函数并没有统一规定, 只要它具有能量的形式 (比如二次型) , 并满足系统的物理意义即可。所以, 系统的能量函数E的形式不是唯一的。

3 Lyapunov准则应用举例

设有一系统y= (y1, y2, …, yn) , 其中每个分量yi均为随时间变化的量, 其变化可描述如下式:

如将其能量函数取为二次型, 即

它是系统n维变量的分量yi (i=1, 2, …, n) 表示的能量函数, 是一个标量。E取导数, 并用函数式 (1) 代替, 则有

假设每个fi (y) 是衰退函数, 即

fi (y) =-yi

于是有:

由式 (2) 可以看出, 当系统至少有一个输入yi变化时, 系统将消耗能量, 当系统的所有输入停止变化时, 系统将保持稳定状态。

摘要：文章阐述了细胞神经网络的理论基础, 基于Lyapunov准则对网络的稳定性进行了分析, 最后举例说明如何运用该准则判定稳定性。

关键词：细胞神经网络,Lyapunov准则,稳定性

参考文献

[1]张立明.人工神经网络的模型及其应用[M].上海:复旦大学出版社, 1993.

[2]庄镇泉.神经网络与神经计算机[M].北京:科学出版社, 1990.

细胞神经网络 篇5

神经酰胺的代谢及其在细胞凋亡中的作用

神经酰胺是鞘脂类.作为第二信使普遍存在于细胞膜和细胞质之间并传递信号,是进化上保守的.信号系统.现在已有的研究数据表明,电离辐射、紫外线、氧化应激等细胞外应激因子均能迅速激活细胞膜上的酸性鞘磷脂酶,水解鞘磷脂产生神经酰胺,从而诱导细胞凋亡,而且神经酰胺代谢中的很多产物,如鞘氨醇-1-磷酸具有抗凋亡活性,能控制凋亡反应强度,有助于阐明细胞抗辐射的机制.

作 者：孙建仙 刘小立 作者单位：山东师范大学生命科学学院,山东,济南,250014刊 名：科技信息英文刊名：SCIENCE & TECHNOLOGY INFORMATION年，卷(期)：“”(33)分类号：Q1关键词：神经酰胺 鞘磷脂 细胞凋亡 肿瘤

鼻腔嗅神经母细胞瘤临床病理观察 篇6

【关键词】鼻腔；嗅神经母细胞瘤；免疫组化；鉴别诊断

嗅神经母细胞瘤起源于嗅神经的神经外胚层，占鼻腔肿瘤的3%，本病可见于任何年龄，其中l0～20岁、50～60岁为双高峰，男性多见。该肿瘤一般发生于鼻腔顶部、上壁及侧壁，病程进展较缓慢，呈局部侵袭性生长，可侵及筛窦、上颌窦、蝶窦和额窦，也可向眼眶、鼻咽部和颅内侵犯，可有淋巴结转移，约1/5的病例有远处转移。本文报道1例嗅神经母细胞瘤，研究其临床病理特征、免疫组化特点、诊断和鉴别诊断并结合文献进行讨论，以提高对本病的认识。

1 材料与方法

1.1 临床资料 患者男性，64岁，右侧鼻腔反复出血三月，术中右侧鼻腔内可见一新生物，表面光滑，触之易出血，大小约2.0×1.5×1.0cm。

1.2 方法 標本经过4%中性甲醛固定，常规石蜡包埋切片、HE染色、免疫组化SP法行单克隆抗体标记，光镜观察。所用抗体均购自福建迈新生物技术有限公司，DAB显色，苏木精衬染。

2 结果

2.1巨检 息肉样组织一块，体积：2.2×1.5×1.3cm，表面光滑，切面灰红色，有光泽，质软。

2.2 镜检 镜下表现为小蓝圆形细胞，胞浆少，被纤维血管分隔成小叶状、片状或条索状，大多数病例均存在多少不一，典型及不典型的菊形团结构。（图1）。

2.3 免疫组化 瘤细胞CD56（图2）、S-100、Syn、CgA（+）；CK、NS、EMA、CEA、desmin、CD99均（-）；Ki-67<8%（+）。

病理诊断：（右侧鼻腔）嗅神经母细胞瘤WHOⅠ-Ⅱ级 。

3 讨论

嗅神经母细胞瘤是一种罕见的神经源性恶性肿瘤，占所有鼻腔肿瘤的3%-6%[1]。肿瘤细胞为小蓝圆细胞，胞质少，典型的嗅神经母细胞瘤内可见到Flexner-Wintersteiner型菊形团结构。嗅神经母细胞瘤的预后与Kadish分期、病理分化程度、治疗方式有关， 早期诊断，手术+放疗等的综合治疗，能提高本病的生存率，晚期患者的辅助化疗是必要的[2]。

3.1 临床特点 本例肿瘤位于鼻中隔后上方，表面光滑，息肉样，生长缓慢，呈局部侵袭性生长。

3.2 病理特点 肿瘤位于粘膜下层，分叶状或巢状，境界清楚，间隔以丰富的血管纤维间质。达30%的肿瘤中可见Homer-Wright型菊形团（假菊形团），而可见Flexner-Wintersteiner型菊形团（真神经菊形团）的肿瘤少于5%[3]。此肿瘤镜下组织学分为四级，级别越高，分化越差。本例CD56（+），s-100蛋白特征性的只表达于肿瘤小叶周围的支持细胞。

3.3 鉴别诊断 ①小细胞癌：小圆细胞，无核仁，胞浆极少或裸核，如燕麦样，S-100阴性。②鼻NK/T细胞淋巴瘤：镜下常为多灶性大片坏死，细胞多形，胞质透亮，有核沟，肿瘤间质较少，LCA、CD45RO、CD56阳性。③胚胎性横纹肌肉瘤：典型者在疏松粘液样背景中见星芒状细胞，胞质少，或出现带状，蝌蚪样或蜘蛛样横纹肌母细胞，desmin、myosin及myoglobin等肌源性标记阳性。

3.4 治疗与预后 嗅神经母细胞瘤治疗选择完整的手术切除，术后辅以放疗效果更加，也可联合化疗以提高生存率。预后与临床分期有关。最新发现完整切除比临床分期预后更重要[4]。

参考文献：

[1] Resto VA，Eisele DW，Forastiere A，et al.Esthesioneuroblastoma：the Johns Hopkins experience. Head and Neck . 2000

[2] 张运东，蔡奇山.嗅神经母细胞瘤7例诊疗分析[J].现代肿瘤医学，2012，20（08）：1573-1575.

[3] irose T，ScheitauerBW，LopesMB，GerberHA，AltermattHJ，HarnerSG， Vanden Berg SR（1955）.Olfactory neuroblastoma.Animmunohistochemical，ultrastructural，and flow cytometric study.Cancer 76：4-19.

细胞神经网络 篇7

是具有高度自我更新能力并能分化为神经元、星形胶质细胞和少突胶质细胞的神经前体细胞, 能自我更新并能提供足够数量的神经细胞以供机体功能所需[1]。

自从1992年Reynolds和Weiss以及Ricbards 等先后从成年小鼠的纹状体和海马中分离出NSCs后, 彻底颠覆了以往认为成年哺乳动物C N S不再具有自我更新潜能的传统观念。NSCs移植为CNS损伤和神经退行性疾病的治疗提供了新的方向。因此, 对NSCs增殖和分化调控的研究显得尤其重要。

在对人胚胎期N S C s的研究中, 已先后从大脑皮质、海马、纹状体、嗅球、侧脑室、室管膜下层、小脑和脊髓等区域分离出NSCs[2]。成体哺乳动物脑内存在2个NSCs聚集区:位于侧脑室壁的室下区 (subven tricu lar zone, SVZ) 和海马齿状回的颗粒下层 (subgranular zone, SGZ) 。

2 神经营养素家族 (N G F家族)

包括:神经生长因子 (N G F) 、脑源性神经生长因子 (BDNF) 、神经营养素-3 (N T-3) 、神经营养素-4/5 (N T-4/5) 以及神经营养素-6 (N T-6) 。它们各自通过高亲和力受体酪氨酸激酶 (T r k-A、T r k-B和T r k-C) 和低亲和力受体g p 7 5起作用。其中, T r k-A优先结合N G F, Trk-B优先结合B D N F和N T-4/5, Trk C优先结合NT-3;而gp75能结合上述所有5种神经营养因子而发挥生物学效应。

2.1 神经生长因子 (NGF)

2.1.1 1NGF的特性和分布

NGF来源于中枢神经系统及外周神经系统的神经元、神经胶质细胞, 作为靶源性逆向营养因子而发挥作用。

2.1.2 NGF对NSCs分化的作用

有学者利用新生SD大鼠的脑组织进行单细胞悬液制备和原代培养, 经过分化培养后均能产生神经元特异烯醇化酶与胶质原纤维酸性蛋白阳性细胞[3]。而在无血清的系统中, 利用单细胞克隆技术对小鼠胚胎纹状体组织进行分离和培养发现, NGF的干预可以诱导并增加神经前体细胞表达神经元标志物神经丝蛋白 (neurofialm ent protein, NF) 和星形胶质细胞标志物:胶质纤维酸性蛋白 (glial fibrillary acidic protein, GFAP) , 但没有少突角质细胞标志物 (oligodendrocyte marker) 。以上结果表明, NGF可促进体外培养的神经元前体细胞分化为成熟的神经元和成熟神经胶质细胞[4]。

还有研究表明, 对于利用无血清培养技术从胚鼠脑内获得的NSCs, 加入不同剂量的NGF后, 观察胆碱乙酰转移酶 (cholineacetyltransferase, CHAT) 阳性细胞分化的情况, 证实NGF还具有诱导NSCs向胆碱能神经元分化的作用[5]。而在体内, NGF亦可诱导NSCs向胆碱能神经元分化, 有学者给基底前脑胆碱能神经元受损的大鼠侧脑室注射EGF和b-FGF 14d后, 再改用NGF注射14d, 发现海马等处有较多的NSCs被诱导分化为胆碱能神经元[6]。

但NGF不能使人类中枢神经系统干细胞子代分化为神经元的细胞数量增加, 这与T r k-A在人类间脑干细胞的微弱表达是一致的, 表明N G F在人类间脑系统中对神经元分化没有起到积极的作用[7]。

2.2 脑源性神经生长因子 (BDNF)

2.2.1 BDNF的特性和分布

BDNF是一种具有防止神经元死亡功能的蛋白质。BDNF-mRNA广泛地存在于中枢神经系统和外周组织内。在中枢, 其广泛分布在大部分脑区, 上丘、大脑皮层和海马。在外周, 主要在肌肉组织中高表达, 而在心脏和肺组织中表达水平较低[8]。

2.2.2 BDNF对NSCs分化的作用

BDNF在体外可保持NSCs的活行和促进其向神经元分化。有研究表明, 应用出生2~3d大鼠脑皮质的神经干细胞, 通过免疫荧光技术分别观察BDNF组和对照组中β-tubulin阳性神经元数目, 结果发现BDNF组的阳性细胞数目明显多于对照组, 神经元的突起明显较对照组长[9]。且Wachs等研究认为, 当BDNF浓度为200ug/L时, 神经干细胞分化为神经元的比例最高[10、11]。

Vicario、Abejon等将中海马中分离细胞先培养在b-F G F中1 3-1 8 d, 再移B D N F中并检测神经元标志物微管相关蛋白-2 (microtublule associated protein-2, MAP-2) 、钙结合蛋白和突触蛋白, 发现M A P-2阳性细胞的数量增加2倍, 钙结合蛋白阳性细胞的数目增加3倍[12]。

Shimazaki 等亦发现, 只要将神经前体细胞暴露在BDNF中2h即可诱导完全的神经元分化, β-微管蛋白阳性细胞数目明显增多, 表明B D N F能促使有丝分裂后神经前体细胞向神经元样表型终末细胞分化[13]。体内实验亦获得了相同的结果, 将B D N F注入侧脑室, 不仅在注入侧的S V Z, 而且在沿侧脑室和第三脑室排列的特殊皮质结构, 如纹状体、下丘脑和海马中, 发现5-溴脱氧尿核苷 (5-bromod-eoxyuridine, 5-Brd U) 阳性细胞数目明显增多, 还能增加对吻侧迁移流和嗅球中新生神经元的数量, 表达神经元特异性标志物MAP-2和微管蛋白[14]。

2.3 神经营养素-3 (N T-3)

2.3.1 N T-3的特性和分布

NT-3是一种小分子量的碱性蛋白质, 与NGF和BDNF具有相似的一级结构。主要分布于海马、脑、脊神经节、脑干和脊髓等。

2.3.2 NT-3对NSCs分化的作用

体外研究表明, N T-3对交感神经元、感觉神经元、大脑皮层的上运动神经元、脊髓前角运动神经元以及大脑基底部的乙酰胆碱能神经元等均有维持存活的生物学作用。在体内, N T-3可以诱导神经干细胞分化, 调节其他神经营养因子的功能。

2.4 NT-4/5与NSCs分化的关系

神经营养素4/5 (neurotrophin-4/5, N T-4/5) 在中枢和外周分布很广, 对运动神经元、基底前脑的胆碱能神经元, 以及海马、下丘脑、延髓等处的神经元的生长、分化具有促进作用[15]。

3 NSCs的应用前景

3.1 细胞移植治疗

细胞移植技术用修复脑组织就是在体外培养和扩增NSCs或诱导其分化为定向祖细胞, 再移植到脑内, 以替代因疾病而丢失或缺损的神经细胞。应用于临床疾病如帕金森病 (parkinsonism disease, PD) , 亨廷顿病 (Huntington disease, HD) 以及阿尔茨海默病 (a1zheimer&apos;s disease, AD) 等[16]。

3.2 基因或药物治疗载体

动物实验表明, 经过基因修饰而携带有外源基因的NSCs移植到脑内后能迁移并整合于病变部位, 长时间表达外源基因产物。另外, 由于NSCs具有固有的迁移特性, 可用于中枢神经系统的肿瘤治疗。

4 问题及展望

对于NSCs的研究目前还处于起步阶段, 但随着分子生物学和细胞生物学技术的不断发展, 经过科学工作者几十年的努力研究, 在NSCs增殖分化的机制及应用等发面已经取得了初步成果, 但仍有一些问题尚待解决:

(1) 如何能够实现对NSCs准确的人工增殖和分化调控;

(2) 如何在脑损伤后创造内源性NSCs增殖和分化的内部条件;

(3) NSCs抑制后是否有肿瘤产生的可能等将影响NSCs增殖分化的影响因素彻底研究清楚后, NSCs必将会有一个广阔的应用前景。

摘要：神经干细胞 (NSCs) 是具有高度自我更新能力并能分化为神经元、星形胶质细胞和少突胶质细胞的神经前体细胞, 具有广阔的临床应用前景。神经营养素家族对神经干细胞的分化有一定影响。其包括:神经生长因子 (NGF) 、脑源性神经生长因子 (BDNF) 、神经营养素-3 (NT-3) 、神经营养素-4/5 (NT-4/5) 以及神经营养素-6 (NT-6) 。本文就目前神经营养素家族对NSCs分化的影响的研究现状进行综述。

一类CNN细胞神经网络的稳定性 篇8

关键词：细胞神经网络(CNN),CNN基因模板,全局渐近稳定

细胞神经网络(CNN)理论及应用是由Chua和Yang于1988年提出来的[1,2]。细胞神经网络具有局部联接和动态电路性能便于集成,因而在电路硬件特别是超大电路(VLSI)实现上具有广阔前景。同时由于其局部连接性质,CNN有着广泛应用前景,如在图像处理、模式识别、生物视觉处理、高级大脑方程等[3,4]。细胞神经网络(CNN)的非线性动力系统性质非常丰富复杂,其动力系统的稳定性研究有着重要意义。网络系统的稳定性有助于保证电路设计以及VLSI实现的正确性。近年来人们已经探讨了一些细胞神经网络的稳定性研究方法,如比较法、M矩阵法、拟对角占优法[5—8]。本文将CNN方程化为映射方程,利用范数方法分析解稳定性,得到了关于一类细胞神经网络的全局渐近稳定的条件及结论,并且推广了上述文献的结论。

1 网络系统状态方程的描述

设CNN是一个M×N的格形网络,Cij表示第i行第j列的神经元,它的状态、输入、输出,分别用xij,uij,yij表示。半径为γ的标准CNN细胞神经网络的微分方程表示如下[1,2]

$\begin{array}{l}\frac{\text{d}x{}_{ij}}{\text{d}t}=-x{}_{ij}+{\displaystyle \sum _{k,l\in \mathbf{{\rm N}}{}_{ij}}(}a{}_{k-i,l-j}f(x{}_{kl})+b{}_{k-i,l-j}u{}_{kl})+z{}_{ij},\\ 1\le i\le {\rm M},1\le j\le {\rm N}(1)\end{array}$

这里Nij表示与神经细胞Cij相邻半径为γ的所有神经细胞;akl,bkl,zij表示反馈,控制和阀值系数。输出f(xij)是一个线性分段函数:

$f(x{}_{ij})=\frac{1}{2}(|x{}_{ij}+1|-|x{}_{ij}-1|)。(2)$

用[A]=(akl),[B]=(bkl)表示反馈、输入联络模板。限制半径r=1,则有

$\begin{array}{l}[A]=\left[\begin{array}{ccc}a{}_{-1,-1}& a{}_{-1,0}& a{}_{-1,1}\\ a{}_{0,-1}& a{}_{0,0}& a{}_{0,1}\\ a{}_{1,-1}& a{}_{1,0}& a{}_{1,1}\end{array}\right],\\ [B]=\left[\begin{array}{ccc}b{}_{-1,-1}& b{}_{-1,0}& b{}_{-1,1}\\ b{}_{0,-1}& b{}_{0,0}& b{}_{0,1}\\ b{}_{1,-1}& b{}_{1,0}& b{}_{1,1}\end{array}\right]。\end{array}$

在不引起混淆的情况下仍然记A=(aij)υ×υ,则(1)式也可写成

$\frac{\text{d}x{}_i}{\text{d}t}=-x{}_i+{\displaystyle \sum _{j=1}^{\upsilon }a}{}_{ij}f(x{}_j)+{\displaystyle \sum _{j=1}^{\upsilon }b}{}_{ij}u{}_j+z{}_i(3)$

记

$X=\left[\begin{array}{c}x{}_1\\ x{}_2\\ ?\\ x{}_{\upsilon }\end{array}\right],[A]=\left[\begin{array}{ccc}a{}_{-1,-1}& a{}_{-1,0}& a{}_{-1,1}\\ a{}_{0,-1}& a{}_{0,0}& a{}_{0,1}\\ a{}_{1,-1}& a{}_{1,0}& a{}_{1,1}\end{array}\right]=\left[\begin{array}{ccc}a& b& c\\ d& e& f\\ g& h& i\end{array}\right]‚f(X)=\left[\begin{array}{c}f(x{}_1)\\ f(x{}_2)\\ ⋮\\ f(x{}_{\upsilon })\end{array}\right]$

。

(1)式也可以用下列矩阵向量形式表示,

$\dot{X}=-X+Af(X)+BU+{\rm Z}(4)$

(4)式中A∈Rυ×υ,B∈Rυ×υ,f(X)∈Rυ,X∈Rυ,υ=M×N。

2 定理及证明

本文讨论细胞神经网络方程(4)的输入U以及阀值Z为不变情况。

引理1 对于输出线性分段函数$f(x{}_{})=\frac{1}{2}(|x{}_{}+1|-|x{}_{}-1|)$,及向量X1,X2,则对于任意一种范数有$f(X{}_1)-f(X{}_2)\le f(X{}_1-X{}_2)\le X{}_1-X{}_2$。

证明 由函数f的性质以及范数共性,易知所证成立。

引理2 当$\left[A\right]$为中心对称时,即a=i,b=h,c=g,d=f,则M×N神经网络对于0边界条件及周期边界条件,有A=AT。

证明 以3×4排列神经细胞

$\left[\begin{array}{cccc}x{}_{11}& x{}_{12}& x{}_{13}& x{}_{14}\\ x{}_{21}& x{}_{22}& x{}_{23}& x{}_{24}\\ x{}_{31}& x{}_{32}& x{}_{33}& x{}_{34}\end{array}\right]$

为例,这时υ=3×4=12。

重新对应记作

$\left[\begin{array}{cccccccccccc}x{}_{11}& x{}_{12}& x{}_{13}& x{}_{14}& x{}_{21}& x{}_{22}& x{}_{23}& x{}_{24}& x{}_{31}& x{}_{32}& x{}_{33}& x{}_{34}\\ \Downarrow & \Downarrow & \Downarrow & \Downarrow & \Downarrow & \Downarrow & \Downarrow & \Downarrow & \Downarrow & \Downarrow & \Downarrow & \Downarrow \\ x{}_1& x{}_2& x{}_3& x{}_4& x{}_5& x{}_6& x{}_7& x{}_8& x{}_9& x{}_{10}& x{}_{11}& x{}_{12}\end{array}\right]$

,对于0边界条件,则(4)式对应的反馈矩阵

$A=\left[\begin{array}{cccccccccccc}e& f& 0& 0& h& i& 0& 0& 0& 0& 0& 0\\ d& e& f& 0& g& h& i& 0& 0& 0& 0& 0\\ 0& d& e& f& 0& g& h& i& 0& 0& 0& 0\\ 0& 0& d& e& 0& 0& g& h& 0& 0& 0& 0\\ b& c& 0& 0& e& f& 0& 0& h& i& 0& 0\\ a& b& c& 0& d& e& f& 0& g& h& i& 0\\ 0& a& b& c& 0& d& e& f& 0& g& h& i\\ 0& 0& a& b& 0& 0& d& e& 0& 0& g& h\\ 0& 0& 0& 0& b& c& 0& 0& e& f& 0& 0\\ 0& 0& 0& 0& a& b& c& 0& d& e& f& 0\\ 0& 0& 0& 0& 0& a& b& c& 0& d& e& f\\ 0& 0& 0& 0& 0& 0& a& b& 0& 0& d& e\end{array}\right],$

对于周期边界条件情况,如图1,

则(4)式对应的反馈矩阵

$A=\left[\begin{array}{cccccccccccc}e& f& 0& d& h& i& 0& g& b& c& 0& a\\ d& e& f& 0& g& h& i& 0& a& b& c& 0\\ 0& d& e& f& 0& g& h& i& 0& a& b& c\\ f& 0& d& e& i& 0& g& h& c& 0& a& b\\ b& c& 0& a& e& f& 0& d& h& i& 0& g\\ a& b& c& 0& d& e& f& 0& g& h& i& 0\\ 0& a& b& c& 0& d& e& f& 0& g& h& i\\ c& 0& a& b& f& 0& d& e& i& 0& g& h\\ h& i& 0& g& b& c& 0& a& e& f& 0& d\\ g& h& i& 0& a& b& c& 0& d& e& f& 0\\ 0& g& h& i& 0& a& b& c& 0& d& e& f\\ i& 0& g& h& 0& c& a& b& f& 0& d& e\end{array}\right]$

。

显然,M×N神经网络对于0边界条件及周期边界条件,当[A]为中心对称时,即a=i,b=h,c=g,d=f,有A=AT。 证毕。

由引理2证明过程有如下结果:

引理3 若M×N神经网络为周期边界条件,则有

${\displaystyle \sum _{j=1}^{\upsilon }a}{}_{ij}=a+b+c+d+e+f+g+h+i。$

引理4 对于任意矩阵A=(aij)υ×υ,若$|{\displaystyle \sum _{j=1}^{\upsilon }}a{}_{ij}|=C(\forall i=1,2,\cdots ,\upsilon )$,则A的谱半径ρ(A)=C。

证明A的谱半径ρ(A)可以用幂法计算。具体取初始向量$X{}^{(0)}=[\begin{array}{c}11\cdots 1\end{array}]$T,得到向量序列

$X{}^{(1)}=AX{}^{(0)},X{}^{(2)}=AX{}^{(1)},\cdots ,X{}^{(k)}=AX{}^{(k-1)},\cdots$

则$\rho (A)=\underset{k\to +\infty }{{\displaystyle \lim }}|\frac{x{}_i^{(k+1)}}{x{}_i^{(k)}}|=|{\displaystyle \sum _{j=1}^{\upsilon }a}{}_{ij}|=C$。

引理5[10] 对于任意矩阵A=(aij)υ×υ,则对于任意一种范数有,A的谱半径满足ρ(A)≤‖A‖。若A是严格对角优阵,则A的谱半径ρ(A)<1。

定理1 若CNN网络系统状态方程(4)的反馈矩阵A的谱半径ρ(A)<1,则系统(1)有稳定的平衡点,且为全局渐近稳定的。

证明 微分方程(4)的平衡点X*满足方程

$-X{}^{*}+Af(X{}^{*})+BU+{\rm Z}=0(5)$

作变量替换 Y=X-X*,由(4)式有$\dot{Y}=-Y-X{}^{*}+Af(Y+X{}^{*})+BU+{\rm Z}$,同时,由(5)式,化简有$\dot{Y}=-Y+A[f(Y+X{}^{*})-f(X{}^{*})]$。 (6)

只要讨论(6)式的0解稳定性。

考虑微分方程(6)的相应映射

|Y|A→A[f(Y+X*)-f(X*)] (7)

由引理1,显然有$\left|f(Y+X{}^{*})-f(X{}^{*})\right|\le$f(Y)$\le \left|Y\right|$。

又因为有

$\begin{array}{l}\left|f(A[f(Y+X{}^{*})-f(X{}^{*})]+X{}^{*})-f(X{}^{*})\right|\le \\ \left|f(A[f(Y+X{}^{*})-f(X{}^{*})])\right|\le |A[f(Y+X{}^{*})-\\ f(X{}^{*})]|\le \left|A\right|\cdot f(Y+X{}^{*})-f(X{}^{*})\le \\ \left|A\right|\cdot |f(Y)|\le \left|A\right|\cdot \left|Y\right|(8)\end{array}$

由定理条件A的谱半径ρ(A)<1、引理5及(8)式,则(6)式的0解是稳定的,即系统(1)有稳定的平衡点,且为全局渐近稳定的。

定理2 对于CNN神经网络方程(4)矩阵A=(aij)υ×υ,若$|{\displaystyle \sum _{j=1}^{\upsilon }a}{}_{ij}|=C<1(\forall i=1,2,\cdots ,\upsilon )$,则即系统(1)有稳定的平衡点,且为全局渐近稳定的。

证明 由$|{\displaystyle \sum _{j=1}^{\upsilon }a}{}_{ij}|=C<1(\forall i=1,2,\cdots ,\upsilon )$及引理4与定理1,得所证成立。

定理3 若存在对角矩阵

${\rm P}=\left[\begin{array}{cccc}p{}_1& & & \\ & p{}_2& & \\ & \ddots & & \\ & & p{}_{\upsilon }& \end{array}\right]$

,

(A)若|pi|>1(i=1,2,…,υ),使得PA谱半径ρ(PA)≤1,则系统(1)有稳定的平衡点,且为全局渐近稳定的。

(B)若|pi|≥1(i=1,2,…,υ),使得PA谱半径ρ(PA)<1,则系统(1)有稳定的平衡点,且为全局渐近稳定的。

证明 由(6)式两左乘以P得

${\rm P}\dot{Y}=-{\rm P}Y+{\rm P}A[f(Y+X{}^{*})-f(X{}^{*})](9)$

令PY=W,则(9)式化为

$\dot{W}=-W+{\rm P}A[f({\rm P}{}^{-1}W+X{}^{*})-f(X{}^{*})](10)$

只需讨论上式的0解稳定性。考虑微分方程(10)的相应映射

$W|\to {\rm P}A[f({\rm P}{}^{-1}W+X{}^{*})-f(X{}^{*})](11)$

由引理1,有

$\begin{array}{l}\parallel f({\rm P}{}^{-1}{\rm P}A[f({\rm P}{}^{-1}W+X{}^{*})-f(X{}^{*})]+X{}^{*})-\\ f(X{}^{*})\parallel \le \parallel f({\rm P}{}^{-1}{\rm P}A[f({\rm P}{}^{-1}W+X{}^{*})-\\ f(X{}^{*})])\parallel \le \parallel {\rm P}{}^{-1}\parallel \cdot \parallel {\rm P}A[f({\rm P}{}^{-1}W+X{}^{*})-\\ f(X{}^{*})]\parallel \le \parallel A\parallel \cdot \parallel [f({\rm P}{}^{-1}W+X{}^{*})-f(X{}^{*})]\parallel \le \\ \parallel A\parallel \cdot \parallel f({\rm P}{}^{-1}W)\parallel \le \parallel {\rm P}A\parallel \cdot \parallel {\rm P}{}^{-1}\parallel {}^2\cdot \parallel W\parallel 。(12)\end{array}$

对于(12)式,由定理中(A)条件P(|pi|>1,i=1,2,…,υ)性质知ρ(P-1)<1。另外,由PA谱半径ρ(PA)≤1,因此(10)的0解稳定性,即(1)有稳定的平衡点,且为全局渐近稳定的。

另外,对于(12)式,由定理中(B)条件P(|pi|≥1,i=1,2,…,υ)性质知ρ(P-1)≤1。另外,由PA谱半径ρ(PA)<1,因此(10)式的0解稳定性,即(1)有稳定的平衡点,且为全局渐近稳定的。

推论1 对于周期边界条件情况的CNN神经网络,当|a+b+c+d+e+f+g+h+i|<1时,则系统(1)有稳定的平衡点,且为全局渐近稳定的。

证明 当CNN神经网络的边界为周期边界情况,由引理3有

$|{\displaystyle \sum _{j=1}^{\upsilon }a}{}_{ij}|=|a+b+c+d+e+f+g+h+i|。$

同时,由条件|a+b+c+d+e+f+g+h+i|<1及定理2,得所证成立。

推论2 若A是严格对角优阵,即e>|a|+|b|+|c|+|d|+|f|+|g|+|h|+|i|系统(1)有稳定的平衡点,且为全局渐近稳定的。

证明 由A是严格对角优阵,由引理5,则A的谱半径ρ(A)<1,由定理1知结论成立。

3 结论说明及应用实例

当e>1时,则|xi|<1系统没有稳定平衡点,此时稳定平衡点仅存在于区域|xi|<1外。文献[5,6,7,8]定理是对(4)式矩阵A-I分别利用比较法、M矩阵法、拟对角占优法进行讨论稳定性,而本文是对(4)式矩阵A进行讨论,本文所得结果推广了上述结果。文献[9]定理1推广了文献[8]结论,而文献[9]定理1结论是本文定理3的特殊情况,因为对于正对角元素矩阵A-I及P(|pi|>1,i=1,2,…,υ),若P(A-I)为严格对角占优阵,则一定有PA谱半径ρ(PA)≤1; 另外,本文定理3也不需要讨论矩阵为正对角元素矩阵。

另外,本文是对标准CNN模型稳定性进行讨论,而标准CNN模型所有的性质由反馈模板[A]、控制[B]及阀值Z决定。但从本文的定理证明过程可知,本文的结果对输出函数满足|f(x2)-f(x1)|≤|x2-x1|(∀x1,x2∈R)的一般CNN方程同样成立。本文的定理证明过程同时也说明,满足本文定理及推论的CNN细胞神经网络的稳定性只取决于反馈矩阵A,而与输入矩阵B及阀值Z无关。

例1 若CNN细胞神经网络(4)反馈矩阵

$A=\left[\begin{array}{ccccc}-0.3& 0.1& -0.4& 0.8& \\ 0.2& 0.2& 0.1& 0.3& \\ 0.5& -0.2& 0.4& -0.1& \\ -0.8& 0.3& 0.2& -0.2& \end{array}\right]‚$

则有A的谱半径ρ(A)≈0.8986<1。 由定理1知,此时CNN细胞神经网络(4)有稳定平衡点且全局渐近稳定的。

例2 若CNN细胞神经网络(4)反馈矩阵

$A=\left[\begin{array}{cccc}2& 4.2& -6& \\ -8& 0& 7.8& \\ 4& 6& 2.2& \end{array}\right]$

,则有$|{\displaystyle \sum _{j=1}^{\upsilon }a}{}_{ij}|=0.2<1$由定理2知,此时CNN细胞神经网络(4)有稳定平衡点且全局渐近稳定的。

例3 若CNN细胞神经网络(4)反馈矩阵

$A=\left[\begin{array}{cccc}-0.3& 0.6& -0.5& 0.8\\ 0.2& 0.2& 0.6& 0.3\\ 0.5& -0.2& 0.4& -0.1\\ -0.8& 0.3& 0.8& -0.2\end{array}\right]‚$

此时ρ(A)≈1.007 3>1。 但是取对角阵

${\rm P}=\left[\begin{array}{l}-1.1\\ 1.2\\ 1.1\\ -1\end{array}\right]$

,则PA的谱半径ρ(PA)≈0.970 9<1。 由定理3知,此时CNN细胞神经网络(4)有稳定平衡点且全局渐近稳定的。

例4 若标准CNN细胞神经网络的有如下反馈、输入联络模板及阈值

$\begin{array}{l}\left[A\right]=\left[\begin{array}{ccc}2& -1& 1\\ -1& 8& 1\\ 0& 1& 0\end{array}\right],\\ \left[B\right]=\left[\begin{array}{ccc}1& 2& 3\\ 3& 2& 1\\ 1& 3& 2\end{array}\right]‚{\rm Z}=1。\end{array}$

由推论2知CNN细胞神经网络有稳定平衡点且全局渐近稳定的。

参考文献

[1]Chua LO,Yang L.Cellular neural networks:theory.IEEE Trans on Circuits Systems,1988;35(10):1257—1272

[2]Chua L O,Yang L.Cellular neural networks:applications.IEEE Trans on Circuits Systems,1988;35(10):1273—1290

[3]Chua L O.CNN:a visions of complexity.Bifurcation and Chaos in Appli Sci Eng,1997;7(10):2219—2425

[4]Roska T,Hmori J,Labos E,et al.The use of CNN models in sub-cortical visual pathway.IEEE Trans on Circuits Systems,1993;40(9):182—195

[5]Arik S,Tavanoglu V.Equilibrium analysis of nonsymmetric cellular neural networks.Int J Circuit Theory Applicat,1996;24:269—274

[6]Arik S,Tavanoglu V.Equilibrium analysis of delayed cellular neural networks.IEEE Trans CAS I,1998;45(2):168—171

[7]Takahashi N,Chua LO.Anewsufficient condition for nonsymmetric cellular neural net works to have a sable equilibrium point.IEEE Trans CAS I,1997;44(10):1092—1095

[8]Takahashi N,Chua L O.On the complete stability of nonsymmetric cellular neural networks.IEEE Trans Circuits Systems,1998;45(7):754—758

[9]张发明.非对称细胞神经网络稳定平衡点的存在性.电子测量与仪器学报,2005;19(3):25—29

神经干细胞的应用 篇9

神经干细胞 (neural stem cells, NSCs) 存在于人类神经系统中, 具有自我更新、活跃的增殖和分化能力、向脑内病变部位迁移以及分化成神经元、星形胶质细胞和少突胶质细胞的能力。中枢神经干细胞是一种终身具有自我更新和多向分化潜能的神经细胞, 其子细胞能分化产生组成神经系统的神经元及神经胶质细胞。因此, 我们对神经系统再生的机理和对神经系统疾病的治疗有了新的认识。

值得注意的是, 从胚胎期及成年期的脑组织中分离出的干细胞具有增殖能力, 而且产生神经元和神经胶质细胞的能力。表明胚胎期的一部分神经干细胞以非增值的静态方式长期存在于神经系统中[2,3,4]。

神经干细胞的增殖、分化和迁移等受各种生长因子和细胞因子的影响。表皮细胞生长因子 (epidermal grouth factor, EGF) 或/和成纤维生长因子-2 (fibroblast grouth factor-2, FGF-2) 可以使神经干细胞在体外呈神经球样生长, 对神经干细胞的生长和增殖起着关键作用, 并促进细胞分化, 使未分化的神经细胞向着生成神经元的方向分化。Lendahl[5]等通过实验证明中枢神经系统内多潜能干细胞或首体细胞在胞浆内表达一种被称为巢蛋白或巢素特异性蛋白, 现已证实其属于中间丝蛋白家族, 只有多潜能的神经外胚层细胞表达, 随着神经上皮的分化成熟逐渐消失。同时具有结构和信息传递功能, 通过检测巢蛋白的表达即可确定多潜能干细胞的存在。另外, 利用分子水平的细胞培养谱系追踪技术, 通过脑室内注射表达荧光蛋白或b-半乳糖苷酶的逆转录病毒[6,7]感染SVZ区处于分裂期的细胞, 可以对干细胞的增殖、移行和分化过程进行监视。通过上述方法, 目前已证实在成年哺乳类动物中枢神经系统内至少有两个区域存在具有增殖能力的细胞, 即室下区和海马结构齿状回的颗粒细胞层下区。目前的研究证实, 在成体大脑组织中, 侧脑室下区和海马齿状回的颗粒细胞下层是神经干细胞密度最高和细胞分裂最为活跃的两个区域。

神经干细胞的应用前景:干细胞疗法近年来已成为治疗多种疾病的新策略, 其目的是替代、修复或加强受损的细胞或器官的生物学功能, 干细胞具有自我更新与增殖的生物学特性, 使基因疗法的一种理想的靶细胞, 可广泛应用于脑外伤、脑血管病后脑功能损伤、脑瘤及其他疾病的治疗。

1 细胞移植

以往脑内移植或神经组织移植研究进展缓慢, 主要受到胚胎脑组织的来源、数量以及社会法律和伦理等方面的限制。而且还存在着异体免疫排斥反应。使用体外培养的神经干细胞可以克服这些问题。首先神经干细胞可以来源于患者本人, 经过体外扩增后再移植到患者脑组织, 因而可以避免免疫排斥反应的发生。神经干细胞的存在、分离、和培养成功, 尤其是神经干细胞系的建立可以无限的提供神经元和胶质细胞, 解决了胎脑移植数量不足的问题, 同时避免了伦理学方面的争论, 为损伤后进行替代治疗提供了充足的材料。

研究表明, 干细胞不仅具有很强的增殖能力, 而且尚有潜在的迁移能力, 这一点为治疗脑内因代谢障碍而引起的广泛细胞受损提供了理论依据, 可以避免多点移植带来的附加损伤。目前应用患者自身的多能干细胞治疗颅脑损伤或其他疾病引起的神经元缺失主要有两种方法:①诱导病变部位本身的干细胞进行增殖和分化;②从患者体内分离出神经干细胞, 然后在体外进行增殖和加工, 再移植到相应的病变部位。

2 基因治疗

由于神经干细胞具有许多优良特性, 使其成为基因治疗的良好载体:基因的可操作性, 可携带多个外源基因;然后外源基因在体内体外的稳定表达;根据神经干细胞的可塑性和结构完整性, 将编码这些递质或因子的基因导入干细胞, 移植后可以在局部表达, 同时达到细胞替代和基因治疗的作用。Aboody[8]等曾经以干细胞为基因载体进行颅内胶质瘤的基因治疗, 首先揭示了体内神经干细胞对胶质瘤的趋向性。研究发现, 将导入胞嘧啶脱氧酶基因的神经干细胞注射入颅内胶质瘤瘤体后, 神经干细胞会迅速扩散到整个瘤床, 部分神经干细胞甚至能够"追踪"向正常组织浸润的肿瘤细胞。

3 利用组织工程技术进行神经组织的修复再生是一个新的前沿课题

组织工程指应用生命科学与工程原理及方法构建一个生物装置来维护、增进人体细胞和组织的生长, 以恢复受损组织或器官的功能。

4 利用神经干细胞作为载体传递治疗性物质是目前胶质瘤研究中较多采用的治疗策略[9]

Benedetti[10]等利用逆转录病毒载体将表达白介素-4的目的基因序列稳定转染到新生小鼠的原代神经干细胞中, 然后将这些细胞与胶质瘤细胞以1 ∶ 1的比例联合植入到脑组织中, 结果发现进入了联合植入的荷瘤小鼠, MRI动态监测发现联合植入组的肿瘤体积呈进行性缩小。

神经干细胞的应用不仅对胶质瘤本身具有治疗作用, 而且还有望用于修复因手术、化疗或放疗等损伤的正常细胞重建神经系统的功能。

5 自体干细胞分化诱导

移植免疫至今为止仍是器官或组织移植的首要问题。成年动物或人脑内、脊髓内存在着具有许多分化潜能的干细胞, 那么是人们很容易想到通过自体干细胞诱导来完成损伤的修复。中枢神经系统损伤后, 首先反应的是胶质细胞, 在某些因子的作用下快速分裂增殖, 形成胶质瘢[11]。

细胞神经网络 篇10

1 细胞神经网络理论

细胞神经网络是由美国加州大学伯克利分校的蔡绍棠教授在1988年提出来的, 它是一种可以实现权可连接和局域连接的人工神经网络, 名称来源于细胞自动机 (CA) 和Hopfield神经网络, 有效地结合这两个结构的特征, 采用单的CNN结构。细胞神经网络以前多用于数字图像信息的处理, 在通讯中的应用还不多, 也只是应用到一维通讯信号的处理, 由于通信信道的记忆长度的限制, 和邻近码的影响作用有限, 对于较远距离的码的影响很小, 而细胞神经网络可以由局域性的神经网络来实现这种通信问题。细胞神经网络基于非线性理论, 是一种动态系统, 存在复杂的动态信息的处理, 在一个简单的三细胞神经网络中就存在分形和混沌动态特性, 同时因为细胞神经网络的混沌信号的复杂随机性和同步性, 使得它能够把混沌系统运用大盘通讯信号的处理当中, 其优越性比以前是处理方式有了大大的提高, 是未来通讯信号处理的一种方式。

2 细胞神经网络在通讯信号处理中的应用

细胞神经网络是实现VLSI功能的人工神经网络, 在所有通讯信号的处理算法中, 它只需要较低的硬件就可以实现处理复杂的通讯信号, 基于细胞神经网络的模拟电路也比较容易实现。在通讯信号的处理中, 需要解决两个问题, 一是在求解NP如何处理复杂度的问题, 二是如何利用动态特性实现通讯的保密通信和混沌通信。

2.1 如何解决NP复杂度的问题

我们知道在通讯系统中, 必然存在NP指数复杂度的信号的处理难题, 这里成为NP问题, 处理过程中的运算量比较大, 运算的复杂度也是指数增加, 解决这个问题是比较困难, 需要找到一个目标函数。但是面对不同的问题, 也就需要不同的目标函数, 在已经证明过的NP问题的复杂度可以用类似的思路来解决, 也就是寻找目标函数的极小点。在实际问题中如果能够找到木匾函数, 就可以得到这个问题的最有解, 所以基于细胞神经网络的NP复杂度的问题在处理过程中, 只要能够找到目标函数, 我们就可以通过细胞神经网络来得到目标函数的极小值。需要注意的是, 目前通讯信号的处理是通过处理一维信号处理方式来实现的, 在使用细胞神经网络在一维中处理复杂度的问题时候, 需要对二维的神经网络进行化简。

利用细胞神经网络的能量目标函数, 对通讯信号的极小值的求解, 是当前应用最多也是它最要的一个研究方向, 只要解决了自适应滤波系数计算、均衡和多用户监测的问题, 就可以处理通讯信号中众多的NP复杂度的问题。

2.2 细胞神经网络用于扩频通信系统

我们知道细胞神经网络是基于非线性理论的动态系统, 因为混沌信号的复杂随机性, 使得在一个简单的细胞神经网络系统中就会出现分形和复杂的混沌动态特性, 这也使得混沌系统能够应用大盘扩频通信中, 由于混沌信号的动态特性, 使得混沌扩频通信系统的发展前景十分良好。在目前细胞神经网络主要用与产生混沌扩频码。混沌序列由于数量十分巨大和良好的随机性, 我们需要着重研究混沌序列, 加强混沌扩频通信系统的建立和应用。

在一个三细胞神经网络中, 只要设置好合理地参数, 就能够产生混沌, 我们需要对输出的模拟信号进行最有量化和采集, 这样就可以得到一个具有优良性能的扩频序列, 该序列的容量十分巨大, 尤其是可以应用到未来超大容量的扩频通信系统。如果细胞神经网络的细胞数量大于4个, 这时候的混沌信号会更加复杂, 出现超混沌现象, 它的容量更大, 需要进行更深层次的研究超混沌现象, 扩大混沌通信系统的应用。

3 细胞神经网络用语通信保密系统

当细胞神经网络中细胞数量较多时, 出现的混沌系统和超混沌系统具有非常强的随机性、不可预测性和极为复杂的动态行为, 这些因素都为保密通信研究提供了参考。细胞神经网络是一个可以实现的面向电路的动态系统, 应用到保密通信系统中可以由以下过程来实现。在发射端将一个模拟信号在电路系统变量的调制作用下, 输入到细胞神经网络的混沌电路中, 这时候输入信号将以复杂的形式直接影响到细胞神经网络的混沌电路的输出波形, 紧接着将混沌电路的输出信号作为传输信号发射出去, 因为混沌电路输出的信号是一种宽频确定性的混沌信号, 在接收端和发射端必须要做到同步, 保证混沌信号的隐蔽性, 这需要准确知道混沌电路的参数所产生的混沌信号, 并由此恢复诸如信号, 这就是整个通讯信号的传世过程, 混沌电路的参数可以视为密码。保密系统的安全性主要是对同步参数的高度敏感性, 通过复杂的变换运算来获得混沌信号的信息。对于通讯信号处理系统, 我们需要研究一个保密性比较强, 处理手段比较简单的混沌通信系统来处理混沌信号, 这也是未来通讯信号处理的一个研究方向。

摘要：对于非线性理论的通讯信号的处理一直是通信信号处理领域的热点问题。细胞神经网络是非线性理论的中要研究方向, 近年来, 它在通信信号处理中取得了重大的突破。本文将主要介绍细胞神经网络的基本理论、结构和在通讯信号处理中的应用, 指出它的发展方向。

关键词：细胞神经网络,通讯信号处理,应用,发展

参考文献

[1]汪海明, 郭仕德, 赵建业, 等.一种用于扩频通信系统的CNN多值随机码的研究[J].电子与信息学报, 2003.[1]汪海明, 郭仕德, 赵建业, 等.一种用于扩频通信系统的CNN多值随机码的研究[J].电子与信息学报, 2003.

细胞神经网络 篇11

【摘要】目的：探讨神经肽Y（NPY）对小神经胶质细胞生成IL-1β的影响。方法：培养的小鼠皮层小胶质细胞N9细胞，将细胞分为Control组、LPS组、NPY+LPS组、NPY组和BIBP3226+NPY+LPS组，每组3个样本，培养各组细胞6h。经免疫细胞化学荧光染色后，显微镜下观察N9细胞的形态学变化。Elisa方法检测培养液中IL-1β蛋白含量，RT-PCR方法检测小胶质细胞中IL-1βmRNA表达水平。结果：孵育各组N9细胞6h后，LPS组培养液中IL-1β蛋白的含量及N9细胞中IL-1βmRNA表达水平显著高于Control组（P<0.05）；LPS+NPY组IL-1β蛋白含量和mRNA表达水平与LPS组相比显著降低（P<0.05）；IBP3226+NPY+LPS组IL-1β蛋白含量和mRNA表达水平与LPS+NPY组相比显著增高（P<0.05）；LPS组和IBP3226+NPY+LPS组之间无显著性差异。NPY组与对照组无显著性差异。结论：NPY通过作用于NPY Y1受体降低小神经胶质细胞N9的生物活性，抑制其生成IL-1β。

【关键词】：神经肽-Y小神经胶质细胞 白介素-1β

【中图分类号】R4 【文献标识码】A 【文章编号】1671-8801（2015）06-0010-03

小胶质细胞（microglia， MG）属于巨噬细胞，是大脑中产生炎症因子的主要细胞之一，当受到刺激后，MG可释放白细胞介素-1β（interleukin-1β，IL-1β）和肿瘤坏死因子（tumor necrosis factor，TNF-a）等细胞因子以及其他生物活性物质[1]，有些活性物质的过分释放会导致神经元损伤。神经肽 Y（NPY）是一种广泛分布于中枢神经系统及周围神经系统的多肽，过去的研究表明NPY对小胶质细胞分泌炎症因子有很大的影响。

本实验我们采用LPS激活小鼠N9细胞，检测其分泌的白细胞介素-1β（interleukin-1β，IL-1β）的影响，与提前用NPY处理后的N9作对比，观察NPY是否能够降低N9的IL-1β的分泌水平。

1材料和方法

1 1N9细胞培养及形态学观察

复苏N9细胞（由第四军医大学神经解剖学教研室提供），用含10%血清的DMEM（Dulbeccos modified Eagles medium）培养基（Gibco，Grand Island，NY，USA）培养，供实验用。

1.2细胞形态学观察及纯度鉴定

N9细胞接种于内置盖玻片的六孔培养板， 3天后取出盖玻片，经PBS冲洗；4%多聚甲醛固定30分钟，0.3%TritonX100破膜10分钟，3%山羊血清（Gibco，GrandIsland，NY，USA）封闭30分钟，IBA-1抗体（1：200），4度过夜；荧光二抗（1：100；Proteintech，Chicago，USA），37度孵育1h，封片后荧光显微镜观察N9细胞形态。

1.3 N9细胞分组及处理

以1×105/mL的浓度将N9细胞种于六孔板内，每孔3mL，培养3天后换新鲜无血清培养基培养孵育12小时，将各孔随机分为五组，即CON组，LPS组，NPY+LPS组，NPY组、BIBP3226+NPY+LPS组。CON组为正常对照组，以无血清培养基孵育N9细胞6小时，LPS组是以含终浓度为100ng/ml LPS的无血清培养基孵育N9细胞 6h，NPY+LPS组是先以含NPY （終浓度为1?M） 的无血清培养基孵育N9细胞半小时，然后加入LPS（终浓度为100ng/ml）继续孵育6小时，NPY组是以含NPY（终浓度为1?M）无血清培养基孵育N9细胞6小时，BIBP3226+NPY+LPS组先用含NPYY1受体阻滞剂BIBP3226（终浓度为1?M）的无血清培养基孵育N9细胞半小时，余步骤同NPY+LPS组。6小时后用ELISA法检测培养基中IL-1β含量。六孔板板中的N9细胞留作PCR检测用。

1.4 各组培养液中IL-1β蛋白含量的测定

按说明书操作，使用酶标仪（Theromo Labsystems，Helsinki，Finland，）检测450nm波长处各孔的吸光度（OD值）。根据样品的OD值计算相应的浓度。

1.5.各组N9中IL-1βmRNA表达水平的测定

采用实时荧光定量PCR法检测上述各组小胶质细胞中的IL-1βmRNA表达水平。上海生工生物公司合成引物（表1）。用ABI 7300 Real-Time PCR System （（Applied Biosystems， Foster City， CA， USA）检测并计算目的基因表达量与内参GAPDH比较的相对值（RQ值），用于统计分析。

1.6 统计学处理

利用SPSS10.0统计分析软件进行统计学处理，经正态性检验和方差齐性检验，数据符合正态性和方差齐性的要求，采用重复测量资料的方差分析，数据以mean±SD表示，P<0.05有统计学意义。

2 结果

2.1 N9及原代培养的小胶质细胞形态学观察

N9细胞经IBA-1染色后，可见N9细胞被染成红色。（图.1）。

2.2 不同培养液孵育N9 6小时后，培养液中IL-1β蛋白含量的变化

各组孵育N9 6小时后，LPS组和IBP3226+NPY+LPS组培养液中IL-1β的含量显著高于CON组（P<0.01）；但LPS组和IBP3226+NPY+LPS组之间无显著性差异。LPS+NPY组比LPS组IL-1β的含量明显降低（P<0.01），IBP3226+NPY+LPS组与LPS+NPY组相比，IL-1β的含量显著增高（P<0.01），NPY组与对照组无显著性差异。（表2）

2.3 不同培养液孵育N9 6小时后，N9中IL-1βmRNA水平的变化

各组孵育N9 6小时后，LPS组和BIBP3226+NPY+LPS组中N9的IL-1βmRNA水平显著高于CON组（P<0.01）；但LPS组和BIBP3226+NPY+LPS组之间无显著性差异。LPS+NPY组比LPS组MG的IL-1βmRNA水平明顯降低（P<0.01），IBP3226+NPY+LPS组与LPS+NPY组相比，MG的IL-1β的mRNA水平显著增高（P<0.01），NPY组与对照组无显著性差异。

3 讨论

小胶质细胞（MG）广泛分布于中枢神经系统，当中枢神经系统发生病理变化时，小胶质细胞能够迅速做出反应，起到中枢神经系统感受器的作用[1]。例如在癫痫发生后，在该区域的神经元出现明显损伤前小胶质细胞已经发生明显变化[2]，研究证明，小胶质细胞生物活性的变化与癫痫发作的频率和持续的时间有密切关系[3]。 很多资料显示小胶质细胞激活还和中枢神经系统很多疾病有关[4-6]。IL-1β、TNF-a 是最常见的损伤性细胞因子，在中枢神经系统多种生理和病理过程中发挥着重要作用[7]，并与脑损伤的发生、发展有着密切的关系[8-9]。

人体内的神经肽类物质与炎症反应有着较密切的关系 [10-12]， NPY是一种广泛存在于中枢神经系统中的神经肽[13]。本实验采用LPS为N9细胞的激活剂，在LPS处理N9细胞 6小时后， N9细胞培养液中IL-1β明显增高，与对照组有显著差异。加入NPY后能够明显抑制降低N9细胞产生IL-1β蛋白和N9细胞细胞内的IL-1βmRNA表达水平，使用BIBP3226阻断NPY Y1受体后这种抑制作用完全消失，说明NPY是通过Y1受体起到降低MG的免疫活性，减少N9细胞来源的IL-1β产生的。NPY处理小胶质细胞后，培养液中IL-1β蛋白及N9细胞细胞内的IL-1βmRNA水平均未发生明显变化，说明NPY对静止期的小胶质细胞影响不大。本研究表明，NPY对中枢神经系统内的小胶质细胞的免疫活性有调节作用，NPY能下调中枢神经系统内小胶质细胞的免疫活性，抑制IL-1β的产生，这种作用是通过其Y1受体实现的。本研究为NPY以小胶质细胞为靶点治疗包括癫痫在内的与炎症有关的中枢神经系统疾病提供了实验依据。

参考文献：

[1]Kreutzberg GW .Microglia： a sensor for pathological events in the CNS.Trends in Neurosciences.1996；19（8）：312-318.

[2]Zhu Y. Transforming growth factor-beta 1 increases bad phosphorylation and protects neurons against damage. Neuroscience. 2002； 22（10）： 3898-3909.

[3]Aronica E，Gorter JA，Redeker S，Ramkema M，Spliet WG，van Rijen PC，Leenstra S，Troost D. Distribution， characterization and clinical significance of microglia in glioneuronal tumours from patients with chronic intractable epilepsy.Neuropathology and Applied Neurobiology.2005；31（3）：280-291.

[4]Hickman SE，Allison EK，ElKhoury J. Microglial dysfunction and defective beta-amyloid clearance pathways in aging Alzheimer's disease mice. The Journal of Neuroscience.2008 ；28 （33 ）：8354-8360.

[5]Lilia MM，Mona S，Lauren B，John B.Relationship between microglial activation and dopaminergic neuronal loss in the substantia nigra： a time course study in a 6-hydroxydopamine model of Parkinson's disease.Journal of Neurochemistry. 2009； 110（3）：966-975.

[6]Amaia M，Miroslav ，Fernando PC，Carlos M.Increased expression of glutamate transporters in subcortical white matter after transient focal cerebral ischemia. Neurobiology of Disease.2010；37（1）：156-165.

[7]Rothwell N J， Hopkins S J. Cytokines and the nervous system II： actions and mechanisms of action[J]. Trends in neurosciences， 1995， 18（3）： 130-136.

[8]Rao R S， Prakash A， Medhi B. Role of different cytokines and seizure susceptibility： A new dimension toward epilepsy research[J]. Indian journal of experimental biology， 2009， 47（8）： 625.

[9]牛延献等. 癫痫大鼠血清和脑组织 IL-1β、IL-6 和 TNF-α水平变化. 放射免疫学杂志， 2005， 18： 256-259

[10]Anderson P， Gonzalez-Rey E. Vasoactive intestinal peptide induces cell cycle arrest and regulatory functions in human T cells at multiple levels[J]. Molecular and cellular biology， 2010， 30（10）： 2537-2551.

[11]Gonzalez-Rey E， Delgado M. Vasoactive intestinal peptide inhibits cycloxygenase-2 expression in activated macrophages， microglia， and dendritic cells[J]. Brain， behavior， and immunity， 2008， 22（1）： 35-41.

[12]Gonzalez-Rey E， Ganea D， Delgado M. Neuropeptides： keeping the balance between pathogen immunity and immune tolerance[J]. Current opinion in pharmacology， 2010， 10（4）： 473-481.

[14]Tatemoto K， Carlquist M， Mutt V. Neuropeptide Y—a novel brain peptide with structural similarities to peptide YY and pancreatic polypeptide.Nature， 1982， 296（5858）：659-660

细胞神经网络 篇12

关键词：神经干细胞,胶质瘤细胞,细胞培养,细胞迁移

自从神经干细胞成功分离,为中枢神经系统疾病治疗上存在的诸多问题的解决提供了可行办法。但是,如何使移植神经干细胞准确有效的迁入其所需部位并分化是近年神经科学工作者所关注的一个热点。本实验通过研究胶质瘤细胞在体外对神经干细胞的迁移诱导作用,为将来神经干细胞的临床应用奠定基础。

1 材料和方法

1.1 材料

SD大鼠由南通医学院实验动物中心提供,C6细胞株购自中科院上海细胞所,5-BrdU购自NEOMARKERS公司,Mouse Anti-Nestin IgG1购自CHEMICON公司,Mouse Anti-BrdU IgG1为NEOMARKERS公司产品。

1.2 方法

1.2.1 神经干细胞培养及传代

选用1～2d的SD大鼠,碘伏消毒后,在超净台下解剖暴露两侧大脑半球及小脑,取少许两侧大脑皮层组织,大小约1mm3,放入DMEM F12培养基洗涤两遍,尽量将组织剪碎;将皮层组织转移至10mL玻璃离心管并加入6～8mL DMEM/F12培养液,用毛细吸管将皮层组织机械分离成单细胞悬液,筛网过滤,离心(500r/min)5min,弃上清液并用bFGF2、B27、D MEM/F12培养基定容,细胞记数。按25cm2培养瓶中接种1×106个/4mL进行接种。将培养瓶放入37℃、5%CO2饱和湿度培养箱中培养,5～7d原代神经细胞球形成。3～4d更换培养液。

将原代神经球吹打制成单细胞悬液,接种至含Brdu(浓度为5μmol/L)的bFGF2、B27、DMEM/F12培养液中培养5～7d即可形成次代神经球。换液同前。

1.2.2 Nestin和Brdu免疫荧光检测

Nestin免疫荧光检测:(1)贴壁:将培养的原代神经细胞球吸出,接种至置于24孔培养板内的盖玻片(多聚赖氨酸包被),放入37℃、5%CO2培养箱培养2h,使神经细胞球贴壁。(2)固定:吸去培养液加入4%多聚甲醛少许,室温下固定30min,去除固定液,PBS洗涤3次,每次10min。(3)封闭:用含10%羊血清、0.3%Triton-100的0.01mol/L PBS液在37℃条件下孵育封闭10min。(4)检测:加一抗(小鼠抗Nestin IgG1按1∶500倍稀释),放入4℃冰箱过夜,吸去一抗,洗涤同前。再加入二抗(FITC标记的羊抗小鼠IgG,按1∶150倍稀释),避光,在37℃水浴箱内孵育30min,吸去二抗,洗涤同前。(5)观察记录:在激发光波长为490nm,滤色光波长为520nm的共聚焦显微镜下观察照相(图1)。

Brdu免疫荧光检测:(1)贴壁;(2)固定;(3)封闭。方法同Nestin检测。(4)检测:一抗为小鼠抗Brdu IgG1(按1∶1000倍稀释),二抗为FITC标记的羊抗小鼠IgG(按1∶200倍稀释),余操作同前。(5)观察记录(图2)。

1.2.3 胶质瘤细胞与神经干细胞联合培养

将C6胶质瘤细胞、神经干细胞分别接种在置于6孔培养板内的半圆盖玻片上(多聚赖氨酸已包被),用无血清培养基培养2～4h使细胞贴壁,将胶质瘤细胞所贴壁的盖玻片与神经干细胞贴壁的盖玻片一起放在24孔培养板培养,并设空白对照,观察神经干细胞的生长及其形态学变化(图3)。

2 结果

2.1 Nestin和Brdu免疫荧光检测

Nestin-FITC,Common Focus(20×)

图片左侧为:C6胶质瘤细胞,图片右侧为:神经干细胞球

Nestin即巢蛋白,是一种仅存于神经上皮干细胞的中间丝成分,可作为神经干细胞的标志物。我们通过免疫荧光检测,发现神经球内的几乎所有细胞均呈Nestin阳性。从而证明我们培养的细胞球是神经干细胞球。

5-BrdU免疫荧光检测:5-BrdU即5-溴-2脱氧尿苷,它是胸腺嘧啶核苷的替代品。在细胞分裂的DNA合成前期,可以作为底物结合到新合成的DNA中,从而可验证神经干细胞的增殖能力。我们将用含5-BrdU的培养液培养形成的次代神经细胞球进行抗-BrdU免疫荧光检测显示,绝大多数细胞呈BrdU阳性。

2.2 C6细胞与神经干细胞联合培养

C6细胞和神经干细胞联合培养,可观察到神经干细胞分化,长出细胞突起,神经细胞球周围的细胞突起的密度及长度在各个方向上有明显的差异,在靠近胶质瘤细胞的一侧,突起的密度及长度均大于在其他方向上的突起,并且可见部分干细胞向胶质瘤细胞方向移动了。

3 讨论

3.1 神经干细胞培养及鉴定

自1992年Reynolds等[1]首先报道自成年小鼠纹状体分离培养出能在体外不断增殖,具有多种分化潜能的神经干细胞以来,对神经干细胞的研究便成为热点。后来的研究又在海马齿状回、脊髓、隔区、纹状体的实质及人的大脑内均成功分离出神经干细胞[2,3,4]。近年,分离、培养干细胞的技术日臻成熟。从实验用神经干细胞获取的角度看,从胎脑的纹状体区和海马齿状回容易获得,但对动物和取材技术要求较高。用成熟大鼠取材对培养技术和培养基要求又较高,不易存活。我们从新生大鼠大脑皮层分离培养出了具有分裂增殖能力的神经干细胞,在体外培养条件下形成典型的神经细胞球。Nestin免疫荧光染色为Nestin阳性,并通过5-BrdU免疫荧光染色证实这些细胞具有分裂增殖能力。说明新生大鼠皮层可培养出神经干细胞。我们的体会是从新生大鼠皮层分离培养神经干细胞有实验动物容易获得、取材简单、一次可获得大量干细胞和干细胞易成活的优点。

BrdU-FITC,Common Focus(20×)

3.2 胶质瘤细胞和神经干细胞共培养

Qu等[5]将神经干细胞注入2岁大鼠的侧脑室,发现神经干细胞在鼠脑内出现对称性迁移并分化成神经元和胶质细胞;Corbin等[6,7]研究发现,神经元有两种不同的迁移方式,即放射状迁移和正切迁移。这些研究提示,在成年人脑内可能有特定的诱导神经干细胞迁移的机制和信号物质。Kim等[8]的研究初步证明了这一点,他们发现端脑的GABA类联络神经元和小脑的谷氨酸类神经元分泌至细胞外基质的一种名为Reelin的糖蛋白,在神经干细胞的迁移中起重要作用。更有趣的是,Karen等[9]发现将神经干细胞移植至有移植胶质瘤生长的鼠脑内,神经干细胞很快充满肿瘤,并沿着浸润的肿瘤细胞而分布,即使将神经干细胞接种在肿瘤的远隔部位,甚至把神经干细胞接种在对侧大脑半球和侧脑室,它们也可穿过正常脑组织移行入胶质瘤。这说明胶质瘤的生长环境中或胶质瘤细胞本身存在着引导神经干细胞迁移的信号物质。假设胶质瘤细胞产生这种信号物质,那么在体外培养的胶质瘤细胞也应该有这种作用,如果我们能证实这种作用,即说明胶质瘤细胞中存在引导神经干细胞迁移的物质。于是,我们首先设计了限定区域共培养的方法在体外培养条件下观察神经干细胞的生长及其形态学变化。在实验中,我们从形态学方面观察到与胶质瘤细胞共培养的神经干细胞出现迁移和分化现象,具体作用机制还有待进一步研究。但该研究已初步说明在体外培养条件下胶质瘤细胞具有诱导神经干细胞迁移作用。从而为进一步研究胶质瘤细胞诱导神经干细胞迁移的机制,并为神经干细胞应用于临床,提高脑及脊髓损伤、胶质瘤和中枢神经系统退行性疾病的治疗效果奠定了一定的基础。

参考文献

[1]Reynolds BA,Weiss S.Generation of neurons and astrocytes from isolated cells of the adult mammalian central nervous system[J].Science,1992,255(5052):1707-1709.

[2]Temple S,Alvarez-Buylla A.Stem cells in the adult mammalian central nervous system[J].Curr Opin Neurobiol,1999,9(1):135-141.

[3]Doetsch F,Alvarez-Buylla A.Network of tangential pathways for neuronal migration in adult mammalian brain[J].Proc Natl Acad Sci USA,1996,93(25):14895-14900.

[4]Eriksson PS,Perfilieva E,Bjork-Eriksson T,et al.Neurogenesis in the adult human hippocampus[J].Nat Med,1998,4(11):1313-1317.

[5]Qu T,Brannen CL,Kim HM,et al.Human neural stem cells improve cognitive function of aged brain[J].Neuro Report,2001,12(6):1127-1132.

[6]Corbin JG,Nery S,Fishell G.Telencephalic cells take a tangent:non-radial migration in the mammalian forebrain[J].Nat Neurosci,2001,4(Suppl):1177-1182.

[7]Marin O,Rubensiein JL.A long,remarkable journey:tangential migration in the telencephalon[J].Nat Rev Neurosci,2001,2(11):780-790.

[8]Kim HM,Qu T,Kriho V,et al.Reelin function in neural stem cell biology[J].Neurobiology,2002,99(6):4020-4025.