最前沿的研究方向
最先進的創新技術
以及更多健康的希望
深大的研究團隊
又研究出了這些重要成果
快一起來看看吧！
醫學部呂德生教授團隊和化學與環境工程學院張平玉老師合作在國際頂級學術期刊發表文章
2020年11月26日，醫學部呂德生教授團隊和化學與環境工程學院張平玉老師合作在國際頂級學術期刊《ANGEWANDTE CHEMIE-INTERNATIONAL EDITION》發表題為《Sulfur-coordinated organoiridium(III) complexes exert anti-breast cancer activity via inhibiting Wnt/β-catenin signaling》的文章。這篇文章的所有工作均在深圳大學完成，醫學部孫琦講師是這篇文章的第一作者，呂德生教授和張平玉助理教授為共同通訊作者，深圳大學為第一完成單位。
乳腺癌是最常見的惡性腫瘤，也是全球女性癌症死亡的第二大原因。雖然先進的治療方案顯著提高了乳腺癌患者的整體生存率，但仍有20%-30%的患者復發，60%的復發患者轉移。越來越多的證據表明，腫瘤幹細胞的存在是乳腺癌復發和轉移的主要原因。Wnt/β-catenin是生物進化中高度保守的信號通路，在生物體發育、幹細胞功能和組織穩態中起著重要作用。Wnt信號通路的異常激活與腫瘤幹細胞的維持和多種腫瘤的發生發展密切相關，包括乳腺癌。因此，發展針對Wnt信號通路和腫瘤幹細胞的靶向療法將會為乳腺癌的治療帶來新希望。
A.金屬銥配合物 B.含硫金屬銥配合物能夠通過靶向作用於Wnt/β-catenin信號通路的Wnt共受體LRP6對乳腺癌的發生發展及乳腺癌乾性產生抑制作用
金屬抗癌藥物順鉑是治療各種腫瘤中最為廣泛使用的化療藥物之一, 然而，其臨床療效在很大程度上受到耐藥及其副作用的限制。臨床上亟待發展更有效的針對腫瘤特異靶點的金屬類藥物，迄今，人們對金屬類抗腫瘤藥物在腫瘤幹細胞及其腫瘤幹細胞相關信號通路中的作用知之甚少。
本研究設計合成了一系列金屬銥配合物，根據其結構活性相關性分析及實驗研究，發現兩種含硫金屬銥配合物能夠通過靶向作用於Wnt/β-catenin信號通路中的Wnt共受體LRP6，促進其內化，並經過溶酶體途徑降解，該過程有效降低了細胞中DVL2、β-catenin和活化β-catenin的蛋白表達，導致與乳腺癌乾性相關的Wnt靶基因CD44和survivin的下調，進而抑制乳腺癌細胞的增殖、遷移和侵襲，並誘導其凋亡。在乳腺癌小鼠異種移植模型和乳腺癌肺轉移模型中，與傳統的金屬藥物順鉑相比，含硫金屬銥配合物通過靶向Wnt/β-catenin信號通路，表現出更強的拮抗乳腺癌和乳腺癌幹細胞的活性。
該項工作表明：含硫金屬銥配合物通過靶向Wnt/β-catenin通路，具有潛在的抗乳腺腫瘤和乳腺癌幹細胞的能力，該研究揭示了金屬類抗腫瘤藥物的潛在新靶點，並為新穎金屬類抗腫瘤藥物的研發開闢了新的思路。
與傳統的金屬藥物順鉑相比含硫金屬銥配合物能夠顯著抑制乳腺癌的肺部轉移
ShenZhen University
醫學部林靜教授團隊
在國際頂級學術期刊發表文章
2020年12月9日，醫學部生物醫學工程學院林靜教授團隊在國際頂級學術期刊《Angewandte Chemie International Edition》發表題為《Light-triggered transformable ferrous ion delivery system for photothermal primed chemodynamic therapy》的文章。這篇文章的所有工作均在深圳大學完成，醫學部賀婷副研究員和碩士研究生袁燕燕是共同第一作者，林靜教授是通訊作者，深圳大學為第一完成單位。
化學動力療法（CDT）是一種最近剛剛興起的腫瘤治療方法，主要利用金屬離子參與的芬頓或類芬頓反應，將過氧化氫（H2O2）轉化成高毒性的羥基自由基（ OH），從而高效地殺死腫瘤細胞。亞鐵離子（Fe2+）作為催化活性最高的芬頓試劑，但其極易被氧化，無法實現高效遞送。林靜教授課題組設計和合成了一種刺激響應的Fe2+遞送系統，並實現了活體動物水平的腫瘤診療一體化。
該團隊首先合成了有機吡啶配體修飾花菁類分子（tPy-Cy），然後利用吡啶與Fe2+強的配位作用，從而保持其離子價態，避免其氧化。再利用納米沉澱法，將螯合Fe2+的tPy-Cy與DSPE-PEG製備成粒徑均一的納米顆粒（LET-6）。在808 nm雷射照射下，光熱作用導致LET-6變形並解體，釋放Fe2+，從而觸發CDT。該Fe2+遞送系統在細胞水平和動物水平，均展現出優異的治療效果。在動物水平，僅一次治療，荷瘤小鼠的腫瘤完全消除。這種光刺激響應的可變形Fe2+遞送系統在腫瘤診療中具有潛在臨床應用前景。
該研究得到科技部重點研發計劃、國家自然科學基金委、深圳市科創委等大力支持。
原文連結：https://onlinelibrary.wiley.com/doi/pdf/10.1002/ange.202015379
ShenZhen University
醫學部倪東教授團隊
發表重要研究論文
2020年12月22日，深圳大學醫學部生物醫學工程學院倪東教授團隊在《IEEE Transactions on Medical Imaging》上發表了題為《A Deep Attentive Convolutional Neural Network for Automatic Cortical Plate Segmentation in Fetal MRI》的論文。該研究為深圳大學醫學部生物工程學院倪東教授團隊和哈佛醫學院Ali Gholipour教授等合作完成。倪東教授為共同通訊作者，其碩士研究生竇浩然為第一作者。
胎兒皮質板分割是定量分析胎兒大腦成熟和皮質摺疊的基礎。由於1）胎兒腦部MRI圖像的解析度較低；2）胎兒皮質板結構較細；3）MRI圖像的容積效應造成的成像模糊；4）妊娠期胎兒大腦發育帶來的較大的結構變化使得手動分割皮質板面臨巨大挑戰。為了減少手工分割胎兒皮質板的負擔，該研究提出了一種新的的深度學習分割方法（圖1）。該方法利用基於分組多核卷積的注意力模塊來有效的提取多尺度信息，進而提升模型性能。結果表明，該方法優於當前最先進的4種深度分割模型，以及最先進的的多圖譜分割技術。
該研究依託廣東省生物醫學信息檢測與超聲成像重點實驗室、醫學超聲關鍵技術國家地方聯合工程實驗室和深圳大學醫學部超聲圖像計算實驗室（Lab of Medical UltraSound Image Computing, MUSIC），得到國家重點研發計劃、深圳市孔雀計劃、美國國立衛生研究院等的資助
原文連結：https://ieeexplore.ieee.org/document/9303459
ShenZhen University
醫學部汪天富教授團隊
在頂級期刊上發表重要文章
近期，醫學部生物醫學工程學院汪天富教授團隊的研究成果《Graph Convolutional Network with Similarity Awareness and Adaptive Calibration for Disease-induced Deterioration Prediction》在醫學圖像分析領域頂級期刊Medical Image Analysis（2020年IF=11.1）發表。論文通訊作者是雷柏英副教授，第一作者是宋雪剛博士，深圳大學為第一署名單位。
對阿爾茨海默氏病的早期階段（即輕度認知障礙）的檢測對於最大化延緩或預防進展為阿爾茨海默病非常重要。從醫學成像數據推斷出的腦連接網絡已普遍用於區分輕度認知障礙患者和正常對照。但是，現有自動診斷方法的性能仍然有限，分類仍然主要基於單模態影像數據並且受限於訓練樣本的不足。而臨床診斷方法主要依賴於醫生的診斷，主觀性較強，常在疾病後期才能確診，影響患者治療。
該研究提出了一種新的雙模態分類算法，該算法通過設計的新型圖卷積神經網絡建立群體之間的聯繫，達到修正樣本特徵的作用，從而一定程度上改善了樣本不足的缺陷，提出的雙模態網絡結構具有很高的魯棒性。該研究主要有3個貢獻：首先，提出了相似性覺醒算法將訓練樣本的疾病狀態融入到圖的構建當中，提高了卷積濾波的效果；其次，提出的自適應機制利用初步訓練的圖卷積神經網絡估計邊權重的大小，進一步改善了卷積濾波的效果；最後，設計平衡機制融合功能性磁共振成像(fMRI)的功能數據及彌散張量成像(DTI)的結構數據進行最終的疾病分類。此外，該研究分析了正常組及患病組的腦區特徵，並詳細分析了圖卷積神經網絡對其的影響，為圖卷積神經網絡在腦疾病分類中的應用提供了堅實的基礎。實驗結果表明，該研究方法具有很高的分類精度，可以有效地區分輕度認知障礙的不同子階段，並鑑別出疾病最相關腦網絡連接和腦區，在臨床上具有意義，可用於輔助醫師提高診斷精度。
該研究獲得了國家自然科學基金、廣東省自然科學基金、深圳市孔雀計劃等項目資助。
提出的早期阿爾茨海默病自動診斷模型的流程圖
提出的三種技術對圖網絡結構鄰接矩陣的影響
Top30可區別腦網絡連接
原文連結：https://www.sciencedirect.com/science/article/pii/S136184152030311X?dgcid=author
ShenZhen University
未來媒體技術與計算研究所特聘教授江健民團隊
研究取得重大突破
深圳大學未來媒體技術與計算研究所江健民特聘教授基於近年來在腦視覺感知與認知的研究，開創了一種嶄新的腦臆想多媒體研究方向。在全球首次引入「臆想多媒體/Brain Media」的概念和形式，將使傳統的多媒體不僅能夠呈現人眼所看到的外部世界，同時還能夠呈現人腦內部的臆想，包括人們對外來的憧憬，對過去的回憶，以及對人生的感悟等。為實現真正的『讀心術』走出了基於計算機技術的第一步。相關成果近日發表在多媒體領域國際頂級雜誌IEEE Transaction on Multimedia上面[1]。 同時於今年以深圳大學為唯一依託單位獲得國家基金委信息學部重點項目資助：「臆想多媒體的深度分析與可視呈現」，在2021-2025這五年內將在目前對腦認知圖像分類研究的基礎上進一步升華到腦認知語義識別的科學研究。為實現基於計算機的讀心術及在人工智慧環境下開發腦智的最前沿研究準備雄厚的基礎。該團隊於去年獲批建設廣東省高校重點實驗室：人工智慧環境下的腦視覺感知實驗室。
圖1 基於EEG的腦信號採集科研平臺
如圖1所示，目前的腦科學研究主要採用定向腦激勵模式來完成對人腦相關反應的分析。如心理學領域常用的二維選擇性模式和腦科學領域常用的數字激勵及基於計算機圖型的激勵模式等。這種現象在人機互動領域涉及人腦的研究也比較普遍，如採用人腦控制機器或動物的行為等研究當中，即使涉及複雜的控制過程但實際的交互仍然是以多級二維選擇的方式來實現的。
圖2
2015年美國史丹福大學的科研團隊在全球率先使用目標圖像直接激勵人腦的方法（圖2），突破了傳統的腦科學研究僅採用簡單數字或計算機圖形激勵的模式，完成包含6個類別的腦電圖像自動分類研究並取得高達40.68%的準確率。2017年美國佛羅裡達大學的科研團隊在此基礎上直接從ImageNet圖像庫內提取40個類別的圖像用來激勵人腦產生相應的腦電信號(EEG)並向全球發布了第一個腦電圖像庫ImageNet-EEG。在同年計算機視覺及人工智慧的頂級學術會議CVPR2017上報告了他們採用深度學習的手段對40個類別的圖像腦激勵取得了高達82.9%的分類準確率的科研成果(Spampinato C, Palazzo S, Kavasidis I, et al. 「Deep Learning Human Mind for Automated Visual Classification」 CVPR2017)。
2018年美國康奈爾大學的科研團隊對此資料庫的產生方法提出了質疑，並將相關的實驗結果及分析提交到T-PAMI雜誌上發表，目前因為存在爭議仍在評審中。2019年深圳大學江健民教授團隊通過在圖像庫內的預選圖像提取偽腦電信息及其映射的方法，提出一種雙模態深度學習框架，將分類的準確率提高到94.1%[2]。之後又利用人腦不同區域對不同激勵信息存在敏感差異的特色，提出一種帶attention-gate的新型LSTM深度學習方法（圖3），將腦圖像感知分類進一步提高到98.4%[3]。
圖3
這意味著你在世界的任一地方看一幅圖像，只要將你看這幅圖像時的腦信號傳到深圳，深圳大學的科研人員就有可能以高達98.4%的概率知道你針對這幅圖像的腦思維活動並對其內容做具體的可視化呈現（圖4）。
圖4
針對人腦思維的不確定性及其腦電信息採集的不穩定性，深圳大學科研團隊進一步提出了具有腦特色的深度學習研究，並結合傳統的深度學習理論和方法取得了一系列的初步成果。包括能夠突破目前深度學習需要大量帶標籤訓練數據瓶頸的跨域學習方法[4]，圖像視頻內的顯著性檢測[5-7], 以及新的三維場景重構模型[8]等。
參考文獻：
Jiang J, Fares A, and Zhong S 『A brain-media deep framework towards seeing imaginations inside brains』, IEEE Transactions on Multimedia (https://ieeexplore.ieee.org/document/9105088)
Jiang J, Fares A, and Zhong S. 『A context-supported deep learning framework for multi-modal brain imaging classification』, IEEE Transactions on Human-Machine Systems, Vol 49, No. 6, pp611-622, 2019
Zhong S., Fares A. and Jiang J. 『Attentional-LSTM for improved classification of brain activities evoked by images』, ACM Multimedia』2019
Wang J. and Jiang J. 'Conditional coupled generative adversarial networks for zero-shot domain adaptation', ICCV2019
Liu J., Hou Q., Cheng M. Feng J. and Jiang J. 『A simple pooling-based design for real-time salient object detection』, CVPR』2019
Wang X., Zhang Q., Wang S. and Jiang J. 『Learning to Explore Intrinsic Saliency for Stereoscopic Video』 CVPR2019
Zhang Q, Wang X, Wang S, Sun Z, Kwong S. and Jiang J 『Learning to explore saliency for stereoscopic videos via component based interaction』, IEEE Transactions on Image Processing, Vol 29, 2020 pp5722-5736
Xie W. Wang M, Wei M., and Jiang J. 『Surface Reconstruction from Normals: A Robust DGP-based Discontinuity Preservation Approach』 CVPR2019
江健民教授
江健民於2014年辭去英國的教授職務，全職加盟深圳大學並創立未來媒體技術與計算研究所。(http://futuremedia.szu.edu.cn)
1994年獲英國諾丁漢大學博士學位，同年任職於英國拉夫堡大學計算機系講師。1997年出任英國格拉摩根大學計算機學院正教授，離獲得博士學位僅三年多一點，是最早成為英國大學教授的大陸學者之一。回國前任英國布拉德福大學(Bradford University)數字媒體首席教授(Chair Professor)和該校數字媒體與系統研究所所長，及英國薩裡大學計算機系媒體計算方向的講座教授。在英國獲得過三十多項英國國家及歐盟框架科研計劃的資助。總科研經費超過2500多萬歐元，有著豐富的主持多國研究機構參與合作大型研究項目的經驗。
他主持的由歐盟第七框架計劃資助的中歐合作項目SCC-Computing，在國內外產生了較大的影響。合作單位包括英國的Surrey大學，保加利亞國家科學院，西班牙Zaragoza 大學, 挪威的Stavanger大學，瑞士的Della Svizzera Italiana大學，以及中國的天津超算中心及天津大學。本項目得到了歐洲及國內多家主流媒體的關注和報導（圖5），包括歐盟第七框架計劃計算機分部的領導，BBC，中央電視臺，新華社等。此外他於2000年獲國家基金委海外傑青B類項目，在計算機科學領域發表英文學術論文近400餘篇。2014-2018連續五年進入ELSEVIER中國計算機科學家高被引學者榜單. 在腦視覺感知，圖像視頻處理及機器學習應用等領域取得了多項國際領先的科研成果。
深大的科研團隊
一直在不斷發現與創造的路上
仰望星空，腳踏實地！
讓我們再次為以上團隊獻上掌聲！
來源 | 深圳大學公文通
編輯 | 郭佳瑩
責編 | 李世卓
一起為深大研究成果點讚