NLM的一些理解
nl体积单位
nl体积单位NL体积单位是指以纳升为计量单位的体积量，纳升是升的十亿分之一，常用于描述非常微小的体积。
下面将介绍一些常见的NL体积单位及其应用。
1. 毫纳升（mNL）：毫纳升是纳升的千分之一，常用于描述药物的微量给药。
例如，某种药物的剂量为10mNL，表示每次给药的体积为10毫纳升。
2. 微纳升（μNL）：微纳升是纳升的百万分之一，常用于描述微生物学实验中的微量液滴。
例如，在细菌培养实验中，可以使用微纳升的液滴来接种细菌。
3. 皮纳升（pNL）：皮纳升是纳升的万亿分之一，常用于描述DNA测序中的微量样品。
由于DNA测序需要非常精确的体积控制，因此使用皮纳升级别的体积单位能够提高实验的准确性。
4. 飞纳升（fNL）：飞纳升是纳升的千万亿分之一，常用于描述纳米颗粒的体积。
纳米颗粒是一种应用广泛的纳米材料，它们具有特殊的物理和化学性质，常用于制备纳米材料和纳米器件。
5. 阿托纳升（aNL）：阿托纳升是纳升的千亿亿分之一，是目前已知的最小的体积单位。
阿托纳升常用于描述量子物理学中的微观世界，例如描述原子核的体积。
NL体积单位在科学研究和工程技术领域有着广泛的应用。
它们能够帮助科学家和工程师精确地描述和控制微小的体积，从而推动了许多领域的发展。
除了上述提到的常见的NL体积单位，还有一些其他的NL体积单位，如飞托纳升、阿摩纳升等，它们的数量级更小，应用范围更为特殊。
这些NL体积单位的应用不仅仅局限于科学研究，还可以在医学、化学、材料科学等领域得到应用。
NL体积单位是描述微小体积的一种有效方式，它们的应用范围广泛，对于精确描述和控制微量液体至关重要。
在科学研究和工程技术中，NL体积单位的使用将会越来越重要，推动着人类对于微观世界的认识和技术的发展。
健康素养研究进展[论文]
![健康素养研究进展[论文]](https://img.taocdn.com/s3/m/361ecb63011ca300a6c3903d.png)
健康素养的研究进展伴随着环境的恶化、疾病的增多和老龄化问题的出现，居民的健康面临着巨大的挑战。
健康素养是近年在健康教育与健康促进方面研究的一个新的领域。
本文介绍了健康素养的发展、定义和评估工具。
结合目前国内外健康素养的实际发展情况，对健康素养的研究进展进行了阐述。
健康素养健康教育健康促进健康素养作为一个重大的公共卫生问题，受到国内外政府和研究者的高度重视。
它既是健康教育和健康促进的目标，也可以衡量健康教育和健康促进工作的结果或产出，越来越多的证据证明其具有核心作用。
尤其是近五年来，随着社会对国民的健康素养的关注，国内对健康素养的研究也在逐渐深入。
一、健康素养的提出健康素养一词，最早出现在1974年一篇题为《health education as social policy》的论文中。
20世纪80年代末，健康素养的研究才逐渐开展。
2006年，中国首次在全国范围内开展了公众健康素养状况的调查。
2007年我国政府将提高全民健康素养作为提高人口素质的三个基本点之一。
2009年卫生部在“健康中国2020”战略规划中，明确指出提高全民健康素养既是重要目标之一，又是各项指标最终实现的基本保证。
二、健康素养的定义目前，各国研究人员和政府机构比较接受nlm和who的定义。
美国国家医学图书馆(nlm)的定义：健康素养是个体获取、理解、处理基本的健康信息和服务，并做出适当的卫生健康决策的能力。
世界卫生组织(who)提出了包含提高和改善个人能力及健康行为的定义：健康素养代表着认知和社会技能，这些技能决定了个体具有动机和能力去获得、理解和利用信息，从而促进和维持健康。
健康素养不仅是个体具备的信息获取、理解、决策和其他在卫生保健系统运用自如、维护和促进自身健康所具备的综合能力，而且健康素养是个人能力、文化因素、医疗环境乃至整个社会环境的互动。
要求个体具有理性的思考分析的能力，通过做出健康决策以及解决问题等高级认知技能和沟通提问方面等社会技能来改善自身的健康状况，从而提高个体和整个社区群体的健康水平。
NCBI的前世今生
NCBI的前世今生1中心建设后来的参议员Claude Pepper意识到信息计算机化过程方法对指导生物医学研究的重要性，发起了在1988年11月4日建立国立生物技术信息中心（NCBI）的立法。
NCBI是在NIH的国立医学图书馆（NLM）的一个分支。
NLM是因为它在创立和维护生物信息学数据库方面的经验被选择的，而且这可以建立一个内部的关于计算分子生物学的研究计划。
下面按照检索框上的顺序分别介绍各数据库。
Nucleotide该数据库由国际核苷酸序列数据库成员美国国立卫生研究院GenBank、日本DNA数据库（DDBJ）和英国Hinxton Hall的欧洲分子生物学实验室数据库（EMBL）三部分数据组成。
这三个组织联合组成国际核苷酸序列数据库协作体，每天交换各自数据库中的新增序列记录实现数据共享。
其中的序列数据也通过与基因组序列数据库(GSDB）合作获取；专利序列数据通过与美国专利与商标局、国际专利局合作获取。
Genome即基因组数据库，提供了多种基因组、完全染色体、Contiged序列图谱以及一体化基因物理图谱。
Structures即结构数据库或称分子模型数据库（MMDB），包含来自X线晶体学和三维结构的实验数据。
MMDB的数据从PDB(Protein Data Bank）获得。
NCBI已经将结构数据交叉链接到书目信息、序列数据库和NCBI的Taxonomy中运用NCBI的3D结构浏览器和Cn3D，可以很容易地从Entrez获得分子的分子结构间相互作用的图像。
Taxonomy即生物学门类数据库，可以按生物学门类进行检索或浏览其核苷酸序列、蛋白质序列、结构等。
PopSet包含研究一个人群、一个种系发生或描述人群变化的一组组联合序列。
PopSet既包含核酸序列数据又包含蛋白质序列数据。
Entrez 功能强大，在于它的大多数记录可相互链接，既可在同一数据库内链接，也可在数据库之间进行链接。
当运用BLAST软件比较某氨基酸或DNA序列与库中其他氨基酸或DNA序列差异即进行相似性检索时，则会涉及到蛋白质库或核苷酸库的库内链接。
课程名称：网络药学 课程代码：07951
（一） 互联网的基本知识（重点）
识记：文件传输、远程登录、电子公告板、新闻组、万维网、TCP/IP协议、URL、IP地址、HyperText和防火墙的定义；
理解：互联网的服务模式及其可实现的功能；
理解：互联网的扩展服务模式；
理解：互联网的功能;
应用：能熟练应用互联网上地址和利用常用的协议描述URL。
第二部分 考核内容及考核目标
第一章 网络药学的概念与任务
一、学习的目的与要求
通过本章的学习，了解互联网、计算机网络和的定义及发展特点；掌握互联网的特点；了解网络药学的概念及其工作模式；掌握网络药学发展的特点及网络药学与药学科研、药学教育、药学关怀、药学管理和药品营销的关系；了解网络药学的发展状况；了解网络药学发展的主要任务和障碍。
一、考核目标的能力层次表述
本大纲在考核目标中，按照"识记"、"理解"、"应用"三个能力层次规定其应达到的能力层次要求。各能力层次为递进等级关系，后者必须建立在前者的基础上，其含义是：
识记：能知道有关的名词、概念、知识的含义，并能正确认识和表述，是低层次的要求。
理解：在识记的基础上，能全面把握基本概念、基本原理、基本方法，能掌握有关概念、原理、方法的区别与联系，是较高层次的要求。
课程名称：网络药学 课程代码：07951
第一部分 课程性质及目标
一、课程性质及特点
《网络药学》是药学与药品营销专业统设必修的专业基础课。它是现代计算机科学与药学各学科相互交叉、渗透而形成的一门新兴的边缘学科。
本课程网络药学是以网络技术为代表的计算机科学与药学各学科相互交叉、渗透而形成的新的边缘学科。该书分为理论篇、实践篇两大部分，理论篇阐述了网络药学的概念和任务，简述了计算机技术在药学领域的应用发展简史及展望，讨论了网络对药学教育、药学科研、药学服务、药品营销等传统工作模式可能带来的影响。实践篇幅重点介绍了上网基础、网上药学信息搜索、药学网站的建立技巧、网上药学信息交流等内容。附录部分收录了大量最新的药学相关网址。该书将医学、药学和因特网知识有机地结合在一起，并附有大量网站、网页插图，具有较高的参考价值。
NCBI美国国立生物技术信息中心
NCBI(美国国立生物技术信息中心)简介NCBI(美国国立生物技术信息中心)简介介绍理解自然无声但精妙的关于生命细胞的语言是现代分子生物学的要求。
通过只有四个字母来代表DNA化学亚基的字母表，出现了生命过程的语法，其最复杂形式就是人类。
阐明和使用这些字母来组成新的“单词和短语”是分子生物学领域的中心焦点。
数目巨大的分子数据和这些数据的隐秘而精细的模式使得计算机化的数据库和分析方法成为绝对的必须。
挑战在于发现新的手段去处理这些数据的容量和复杂性，并且为研究人员提供更好的便利来获得分析和计算的工具，以便推动对我们遗传之物和其在健康和疾病中角色的理解。
国立中心的建立后来的参议员Claude Pepper意识到信息计算机化过程方法对指导生物医学研究的重要性，发起了在1988年11月4日建立国立生物技术信息中心（NCBI）的立法。
NCBI是在NIH的国立医学图书馆（NLM）的一个分支。
NLM是因为它在创立和维护生物信息学数据库方面的经验被选择的，而且这可以建立一个内部的关于计算分子生物学的研究计划。
NCBI的任务是发展新的信息学技术来帮助对那些控制健康和疾病的基本分子和遗传过程的理解。
它的使命包括四项任务：建立关于分子生物学，生物化学，和遗传学知识的存储和分析的自动系统实行关于用于分析生物学重要分子和复合物的结构和功能的基于计算机的信息处理的，先进方法的研究加速生物技术研究者和医药治疗人员对数据库和软件的使用。
全世界范围内的生物技术信息收集的合作努力。
NCBI通过下面的计划来实现它的四项目的：基本研究NCBI有一个多学科的研究小组包括计算机科学家，分子生物学家，数学家，生物化学家，实验物理学家，和结构生物学家，集中于计算分子生物学的基本的和应用的研究。
这些研究者不仅仅在基础科学上做出重要贡献，而且往往成为应用研究活动产生新方法的源泉。
他们一起用数学和计算的方法研究在分子水平上的基本的生物医学问题。
这些问题包括基因的组织，序列的分析，和结构的预测。
NCBI美国国立生物技术信息中心
即基因组数据库，提供了多种基因组、完全染色体、Contiged序列图谱以及一体化基因物理图谱。
Structures
即结构数据库或称分子模型数据库(MMDB)，包含来自X线晶体学和三维结构的实验数据。MMDB的数据从PDB(Protein Data Bank)获得。NCBI已经将结构数据交叉链接到书目信息、序列数据库和NCBI的Taxonomy中运用NCBI的3D结构浏览器和Cn3D，可以很容易地从Entrez获得分子的分子结构间相互作用的图像。
编辑本段
基本研究
它的使命包括四项任务：
建立关于分子生物学，生物化学，和遗传学知识的存储和分析的自动系统
实行关于用于分析生物学重要分子和复合物的结构和功能的基于计算机的信息处理的，先进方法的研究
加速生物技术研究者和医药治疗人员对数据库和软件的使用。
全世界范围内的生物技术信息收集的合作努力。
Taxonomy
即生物学门类数据库，可以按生物学门类进行检索或浏览其核苷酸序列、蛋白质序列、结构等。
PopSet
包含研究一个人群、一个种系发生或描述人群变化的一组组联合序列。PopSet既包含核酸序列数据又包含蛋白质序列数据。
Entrez 功能强大，在于它的大多数记录可相互链接，既可在同一数据库内链接，也可在数据库之间进行链接。当运用BLAST软件比较某氨基酸或DNA序列与库中其他氨基酸或DNA序列差异即进行相似性检索时，则会涉及到蛋白质库或核苷酸库的库内链接。库间链接发生在核苷酸数据库内的记录与PubMed库中已发表序列的引文间的链接，或蛋白质序列记录与核苷酸序列库中编码它的核苷酸序列间的链接。
BLAST 主页提供了几种BLAST检索软件。其中BLAST2.0是一种新的BLAST检索工具，它在原有基础上作了改进，运行速度更快，灵敏度更高，同时具有Gapped BLAST 和PSI-BLAST两种软件的新功能。Gapped BLAST 允许在对准的序列中引入空位(碱基缺失或插入)，引入空位(Gaps)意味着在比较两个相关序列时不会出现中断(Break)现象。这些空位对准的记分系统更能反映相关序列的类似程度。PSI-BLAST的全称是Position-Specific Iterated BALST，即特殊位置重复BLAST，它提供了自动、易用的概貌(Profile)检索，是查找序列同源的有效工具。
nlme 固定效应 随机效应
NLME固定效应与随机效应一、NLME模型简介NLME（Nonlinear Mixed Effects）模型是一种用于分析具有层级结构数据的统计模型。
在这种数据结构下，观测值可能由不同的实验单元产生，并且这些实验单元之间可能存在一定的相关性。
NLME模型可以很好地处理这种数据结构，因此在医学、生态学、经济学等领域得到了广泛的应用。
二、固定效应1. 固定效应的定义固定效应是指在分析中被认为是固定值的参数。
在NLME模型中，固定效应通常是我们感兴趣的自变量的系数。
这些系数通常被认为是总体的固定值，就是说我们对它们的估计是针对整个总体而言的。
2. 固定效应的特点固定效应在NLME模型中具有如下特点：（1）每个固定效应只对应一个取值，它被认为是不变的，因此在不同实验单元产生的观测值中，固定效应是相同的。
（2）固定效应的估计通常是通过最小二乘法来进行的，因为它们被认为是总体参数，而不是随机变量。
（3）固定效应的估计通常具有偏差小、方差小的特点，因此在一定程度上具有较好的稳定性和准确性。
三、随机效应1. 随机效应的定义随机效应是指在分析中被认为是随机变量的参数。
在NLME模型中，随机效应通常是我们感兴趣的因变量的变异性的来源。
这些参数通常被认为是来自于一个未知的分布，因此需要对它们进行估计。
2. 随机效应的特点随机效应在NLME模型中具有如下特点：（1）每个随机效应对应的取值可以是不同的，它们是从一个未知的分布中抽样得到的。
（2）随机效应的估计通常是通过最大似然估计或贝叶斯估计来进行的，因为它们被认为是具有一定分布特征的随机变量。
（3）随机效应的估计通常具有偏差小、方差大的特点，因此在一定程度上具有较好的适应性和鲁棒性。
四、固定效应与随机效应的通联与区别1. 固定效应与随机效应的通联固定效应与随机效应都是NLME模型中的重要参数，它们都可以影响因变量的取值。
它们之间的通联体现在：（1）固定效应和随机效应都是可以用来解释因变量的变异性的因素，它们都是影响因变量的重要因素。
比较基因组学与分子进化复习题
比较基因组学与分子进化复习题1．比较基因组学及分子进化的产生背景及其应用，请举例说明如何理解其意义？产生背景:随着1990年人类基因组计划(Human Genome Project，HGP)的实施并取得巨大成就，同时模式生物(model organisms)基因组计划也在进行，并先后完成了几个物种的序列分析，研究重心从开始揭示生命的所有遗传信息转移到从分子整体水平对功能的研究上。
在HGP进行中完成一系列模式生物全基因组测定，如大肠杆菌、酵母、线虫、果蝇、小鼠。
这些模式生物全基因组测定的完成有重大理论与现实意义。
至此基因组的研究进入了后基因组时代（post genome era）。
它的研究内容可以概括为：比较基因组学、功能基因组学、蛋白质组学、转录物组学、代谢物组学等，是在全基因组水平上研究基因功能和基因之间互相作用及其调控机制的学科。
随着公共资源数据体系的大规模建立，面对海量数据，如何从这些数据中获得自己想要的知识，搜集、管理、处理、分析、释读能力的要求迅速提升，比较基因组学和分子进化已经成为生命科学研究的核心和不可分割的学科。
应用：比较基因组学能根据对一种生物相关基因的认识来理解、诠释甚至克隆分离另一种生物的基因。
远缘基因组间的比较为认识生物学机制的普遍性，寻找研究复杂生理和病理过程所需的实验模型提供了理论依据，而近缘基因组间的比较则为认识基因结构与功能等细节提供了参数。
比较基因组学与分子进化拓展了模式生物从测序的意义，不仅可以模式生物基因组研究模式生物本身，更重要的是利用模式生物研究进化上相近的其他物种；推动了物种起源和生物进化研究的发展；同时带来了研究方法的思路的突破，促进了反向遗传学等学科的发展。
举例：两种血吸虫完整基因组序列被确定两个国际联合课题组报告了曼氏血吸虫和日本血吸虫的完整基因组序列。
它们是引起血吸虫病（也称“裂体血吸虫病”）的三种主要病原体中的两种。
血吸虫病是一种“被忽视的”热带疾病，影响76个国家的超过2亿人。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
非局部均值处理的基本思想和优点
1.非局部均值的基本思想
基本思想是：当前像素点的灰度值与图像中所有与其结构相似的像素点加权平均得到。
非局部均值滤波的思想主要基于一个事实：对图像中任意一块小窗口图像块，会有许多与之相似的图像块。
与空间域滤波方法相比，这个方法的不同之处在于不需要局部约束。
非局部均值去噪算法主要利用数字图像中存在大量的自相似块这些冗余信息，通过建立待去噪像素点邻域与搜索区域的像素点邻域的相似性测度，计算搜索区域各像素点与待去噪像素点的相似度权重，然后对搜索区域内的像素点进行加权平均，从而计算得到待去噪像素点新的灰度值。
非局部算法的思想简单却十分可行，但是逐个像素点处理必然导致计算复杂度太大，因此还有很多改进的余地。
非局部均值的核心思想有点类似于小波基等一类的基构造思想。
在对图像进行处理时，利用图像局部的相似性。
对于每个像素的权值, 采用以它为中心图像子块(一般取7*7)与以当前像素为中心子块之间的高斯加权欧氏距离来计算, 权值设为此距离的负指数函数值。
这样做的好处是在估计当前像素值时, 局部结构上与它相似的像素权重较大, 而结构相似像素上叠加的噪声是随机的, 因而通过加权均值可有效去除噪声。
设v(i）和“u(i)分别表示含噪图片和原始图片，其中f表示像素位置。
非局部均值算法可由下面的公式描述：
其中，NL(v)（i）表示在i像素位置处进行滤波得到的新像素灰度值。
加权系数的大小由两个像素点的邻域的相似性决定：
其中，表示高斯加权距离，是归一化系数。
2.非局部均值处理的优缺点
由于NL-Means算法在对每个像素的加权平滑过程中考虑了局部结构的相似性, 取得了很高的滤噪效果。
虽然NLM有优异的去噪性能，但是过高的计算复杂度极大的限制了它的发展和应用。
计算图像块之间相似性的匹配过程是NLM算法中的关键技术，NLM 中所用的加权平均系数即由此得到。
然而，图像的块是一个高维的向量，直接对其进行匹配运算比较图像块问相似性会造成算法复杂度急剧增大；另外NLM对图中所有的点的邻域块都直接进行相似性比较，在含噪情况下，这样得出的相似性权值准确性下降，容易对去噪结果造成一定的影响。
因此如何在降低NLM计算复杂度的前提下提高匹配权值准确性仍然是需进一步解决的问题。
在目前看到关于NLM论文，很多在做算法优化，简化传统的NLM，使NLM 能够更好的应用在图像去噪上。
3.NLM相关论文
1.A non-local algorithm for image denoising
2.A review of denoising algorithm, with a new one
3.快速非局部均值滤波图像去噪
4.一种小波域改进非局部均值滤波算法
5.一种改进的非局部均值图像去噪算法
6.基于统计特性的非局部均值去噪算法
7.基于改进的非局部均值去噪算法
8.基于非局部均值的图像降噪
9.采用非局部均值的超分辨率重构
4.上周遗留问题
4.1绘制加高斯噪声图像且计算其PSNR
原图σ=1
σ=5 σ=10
σ=20 σ=25
σ=30
σ=1，5，10，20，25，30
PNSR=48.1178，34.1456，28.1236，22.0943，20.1454，18.6106
运行部分源码
1.绘制加高斯噪声图像
clear all
clc
I=imread('cameraman.tif');
figure(1);
imshow(I);
I=double(I);
I1=I+30*randn(size(I));
figure(2);
imshow(uint8(I1));
2.计算PSNR
clear all
clc
I=imread('cameraman.tif');
I=double(I);
s=I+30*randn(size(I));
MSE=0;
for i=1:1:256
for j=1:1:256
MSE=[1/(256*256)]*[s(i,j)-I(i,j)]^2+MSE;
end
end
PSNR=10*log10(255^2/MSE)
4.2问题总结和分析
根据PSNR的概念，此次计算的PSNR意义似乎不大，原因很简单，计算的PSNR直接与加的噪声相关。
不过，通过计算不同噪声下的值，我们也可以清楚的看到随着噪声的增大，PSNR减小。
而实际应用中，峰值信噪比是图像处理中最常用的图像质量评价客观标准，反推上述结论，我们可以做出初判：峰值信噪比PSNR越大，说明去噪效果越明显。
5.本周小结
这周主要在看非局部均值算法的信息，在博客里集中看了一些对NLM的看法和理解。
目前，自己对NLM感觉还是有些困惑。
三角级数是一个完备的正交基，而一维信号能够拆分成若干三角级数基。
而目前感觉非局部均值的思想是受一维信号的拆分的思想，从而提出的一类适合图像处理的算法。