2016年8月21日星期日

南开物候历 开篇词

授权给:发微Faraway微信公共号

秀雚苇。狸子肈肆。湟潦生萍。爽死。荓秀。汉案户。寒蝉鸣。初昏,织女正东乡。时有霖雨。灌荼。斗柄悬在下,参中,则旦。

这是写于春秋时代之前的《夏小正》给我们的预告。在那个年代的文明腹地,每年的这个时候,芦苇即将开花,霜将起,寒蝉将鸣。夏季银河大致呈南北走向,傍晚的织女星位于正东的天空,清晨时北斗的斗柄将指向下。
由于气候变化,区位不同,加上名物失考,上面这段记录中涉及动植物的部分我已经无法验证了。幸而天体相对位置的变化时间尺度要比人类文明的更加漫长,我前不久在北京灵山附近彻夜观星,就真切的看到初昏的织女星从东方显现,黯淡的银河突破城市光污染横亘南北,而破晓时分天文晨光中的北斗恰恰斗柄悬在下
生命经历了40亿年与环境的协同演化,早已把恒星运动的节律存储在遗传信息中。当进入农耕文明的人类祖先发现寒暑变化和农时的微妙关系,人们便制定了以年为周期的历法,从而指导农业活动。在斗转星移中,草木枯荣、候鸟往返、寒暑交迭。先辈农人就从这物候变迁中摸索出农事的节律。
物候到了今天,已经从一种农耕技术演变成了一种系统的科学。随着全球气候变化问题的日益凸显和空间信息技术等相关学科的迅猛发展,物候学研究甚至获得了更高的关注度。2010年以来,至少6物候学主题的论文发表在Nature上,其中一篇还是由以我国科学家为核心的研究团队合作发表的。科学系统的物候记录在气候变化、碳循环、生物入侵等问题上展现出了别样的生命力。这是与几代物候观察者的努力分不开的,我国直至八十年代还出版全国性的物候观测年报,美国的物候观测网络则更加细致入微。
几千年间,随着人和大地的疏离,物候观察是否从一个人人皆可参与(且必须参与)的日常事务,蜕变成为了必须借助大型科学装置和精密测量技术才能完成的科学活动?当然不是。尽管星空已经因为光污染而黯然失色,那些星座的连线却大多有迹可寻。物候变化是生物圈中的斗转星移,它依然忠实的在我们身边传递着生命节律的信息。物候变迁的踪迹看似无处可寻却无处不在,老图门口的暴马丁香,西园草坪的委陵菜,飘散城乡的杨絮,都是物候的信息。
在这个意义上,物候在当代更加凸显的是其博物学价值。博物学渗透的是对周遭世界的观察、记录、分类、归纳,是一种地方性的知识。当春天到来,冰皮始解,积雪消融,蜡梅、迎春、堇菜、紫丁香次第开放,大杜鹃、雨燕、白鹭如约回归,物候的使命就是寻找这些踪迹并将其记录下来。在这个意义上,物候又是博物学的频谱。公众参与的物候观察,是对那些我们视而不见的自然事物的深层次再观察,这种观察不仅产生视觉,也渗透理论。这就是博物学视野下的物候实践。
可喜的是,南开是有博物学传统的。据考证,南开建校初期即有博物学课程。到了本世纪初,博物文化在中国重新开始流行的时候,南开也发出了超时代的先声。从小喜爱水生生物的杨晔学长,在南开大学组织了学生社团诺亚协会,组织同学们从事了很多博物学的活动。虽然协会已经不复存在,但这一笔宝贵的博物文化遗产哺育了很多南开校友。在老我爱南开BBSNaturalHistoryFlowers等板块,博物爱好者的线上线下活动又延续了多年,至今相互之间仍有联系。
近年来,高校中和社会上博物文化在重新兴起,南开大学的群众性的博物学的发展步伐依然稳健。生命科学学院的师生和学生组织一直以来维系着南开自然观察的使命,一些盈利和非营利性质的民间组织也进入校园活动(八里台校园有着难得的自然教育条件)。有鉴于此,南开大学团委和南开大学绿色行动小组也组织了三次博物科普论坛,致力于推广博物学和植物学文化。
近年来,南开的博物学传统在个别热心人士的力推之下,也始终延绵不绝,精彩纷呈。比如,我们今天可以看到一段渗透着博物学观察的南开物候笔记,这算是南开之幸事,也是南开人之幸事。《南开花事》是2015年初面世的一部小书,它是曾在南开求学十年的校友莫训强博士的作品。莫训强,或者我们叫他虫哥,是我知道对八里台校园植物最稔熟的人。2011年春季,他走遍了八里台校园,记录下了115中开花植物的初花期,并用图片和文字展示出植物的特殊魅力,形成了这部作品。这本书从物候的角度展示了八里台校园的风貌,是南开的博物文化名片。
除此之外,或许还存在一些私人的南开物候记录,是我不知道的。在北京大学,绿色生命协会的同学已经沿着固定的物候调查路线完成了数百次行走考察,积累了七年的物候资料。虫哥曾经告诉我,他也希望南开能开展物候观察的活动,甚至他还对同学进行过培训,可惜最后没有了下文。
作为南开校友,我希望看到南开博物文化的复兴。南开具有特殊的文化土壤,我们不能让这样一种优秀的文化传统在我们这代南开人中间消退。我希望南开物候历这个栏目,能够唤起更多南开人对草木鸟兽和自然万象的兴趣,能让更多的师生校友和关心南开的社会各界人士对身边发悄然发生的自然变化产生进一步的了解。
长空雁过之时,犹待千春华姿。


2016年8月20日星期六

个人输入法词频统计

2016-03-05
近来我的计算机出了一些问题,而我在修复过程中重装了输入法,差点把我积累八、九年的用户字典给弄没了。
然而我还是在备份机器上找到了截至去年圣诞节的数据。拿到数据之后我突发奇想的提取了我个人在这若干年内的用户数据,并对其按照频率进行了排序。
这个列表显然反应了汉语以及我个人语言习惯的某些特征,但是要考虑到谷歌输入法的输入单元是较为灵活的,故它没有直接的语言学意义。无论如何,它还是能反映一些东西出来的。

序号 频数 序号 频数 序号 频数
1 30208 51 1702 101 不要 1222
2 16458 52 化学 1699 102 也是 1216
3 15665 53 1690 103 而且 1216
4 12017 54 1687 104 1215
5 11628 55 1677 105 材料 1204
6 9534 56 1670 106 1177
7 我们 5432 57 1668 107 或者 1168
8 这个 5253 58 1655 108 感觉 1167
9 5098 59 觉得 1626 109 北京大学 1161
10 但是 4984 60 1617 110 发现 1160
11 一个 4682 61 什么 1616 111 你的 1159
12 可以 4669 62 因为 1604 112 1149
13 4514 63 应该 1599 113 很多 1147
14 4307 64 1584 114 活动 1128
15 4122 65 我的 1584 115 我是 1125
16 4076 66 非常 1563 116 作为 1122
17 没有 4059 67 不过 1553 117 对于 1113
18 3931 68 1546 118 东西 1106
19 3744 69 1545 119 1105
20 3369 70 1530 120 1094
21 3322 71 一下 1514 121 学校 1075
22 3317 72 1499 122 1075
23 不是 3092 73 自己 1485 123 今天 1066
24 如果 2852 74 还有 1466 124 方法 1065
25 问题 2851 75 1462 125 1059
26 还是 2575 76 这是 1458 126 知道 1059
27 2562 77 1440 127 1057
28 2514 78 进行 1433 128 化工 1057
29 2488 79 1428 129 希望 1055
30 就是 2467 80 一些 1427 130 1046
31 你们 2460 81 可能 1403 131 虽然 1030
32 2440 82 同学 1402 132 不能 1029
33 现在 2363 83 1398 133 天大 1027
34 2343 84 1390 134 怎么 1022
35 时候 2269 85 所以 1371
36 【我的名字】 2206 86 研究 1369
37 2195 87 然后 1345
38 他们 2165 88 1324
39 那个 2013 89 都是 1323
40 已经 1984 90 需要 1321
41 其实 1966 91 南开大学 1313
42 老师 1945 92 1304
43 南开 1937 93 看到 1302
44 1934 94 1295
45 1917 95 不知道 1295
46 1916 96 文章 1290
47 1912 97 实验室 1273
48 1862 98 1272
49 1858 99 1250
50 这样 1781 100 比较 1249
基于上面的语料,我又写了两段小程序处理了一下,得到一个非常好玩而且有一定实际意义的字频分布。下面是我的100大常用字:

序号 频数 频率 累积频率
1 59270 0.023632904 0.023632904
2 56673 0.022597395 0.046230299
3 38960 0.015534637 0.061764936
4 36614 0.01459921 0.076364145
5 34877 0.01390661 0.090270756
6 32906 0.013120708 0.103391463
7 29132 0.011615889 0.115007353
8 26895 0.010723924 0.125731276
9 23697 0.009448776 0.135180052
10 22180 0.008843898 0.144023949
11 21060 0.008397317 0.152421266
12 18909 0.007539642 0.159960908
13 14589 0.005817116 0.165778024
14 14343 0.005719027 0.171497051
15 13877 0.005533218 0.177030269
16 13852 0.005523249 0.182553518
17 13418 0.005350199 0.187903717
18 13277 0.005293978 0.193197695
19 13213 0.005268459 0.198466154
20 12682 0.005056732 0.203522886
21 12092 0.004821479 0.208344365
22 11870 0.004732961 0.213077325
23 11745 0.004683119 0.217760444
24 11588 0.004620518 0.222380962
25 11489 0.004581043 0.226962006
26 11440 0.004561505 0.231523511
27 11023 0.004395234 0.235918745
28 10906 0.004348582 0.240267327
29 10646 0.004244911 0.244512238
30 10566 0.004213013 0.248725251
31 10444 0.004164367 0.252889618
32 10408 0.004150013 0.257039631
33 10400 0.004146823 0.261186454
34 10385 0.004140842 0.265327296
35 10306 0.004109342 0.269436638
36 10282 0.004099773 0.273536411
37 10172 0.004055912 0.277592323
38 10139 0.004042754 0.281635076
39 10082 0.004020026 0.285655102
40 9970 0.003975368 0.28963047
41 9913 0.00395264 0.29358311
42 9898 0.003946659 0.297529769
43 9877 0.003938286 0.301468055
44 9489 0.003783577 0.305251632
45 9282 0.00370104 0.308952672
46 8870 0.003536762 0.312489434
47 8603 0.0034303 0.315919733
48 8414 0.003354939 0.319274673
49 8359 0.003333009 0.322607682
50 8199 0.003269212 0.325876894
51 8190 0.003265623 0.329142517
52 8100 0.003229737 0.332372254
53 8025 0.003199832 0.335572086
54 7815 0.003116098 0.338688184
55 7806 0.00311251 0.341800694
56 7803 0.003111313 0.344912008
57 7736 0.003084598 0.347996606
58 7690 0.003066257 0.351062863
59 7385 0.002944643 0.354007506
60 7349 0.002930289 0.356937794
61 7251 0.002891213 0.359829007
62 7215 0.002876858 0.362705866
63 7114 0.002836586 0.365542452
64 6914 0.00275684 0.368299292
65 6851 0.00273172 0.371031012
66 6704 0.002673106 0.373704118
67 6695 0.002669517 0.376373635
68 6671 0.002659948 0.379033583
69 6572 0.002620473 0.381654056
70 6570 0.002619676 0.384273732
71 6543 0.00260891 0.386882642
72 6460 0.002575815 0.389458457
73 6290 0.00250803 0.391966487
74 6098 0.002431474 0.394397961
75 6084 0.002425891 0.396823853
76 6053 0.002413531 0.399237383
77 5987 0.002387214 0.401624598
78 5841 0.002328999 0.403953597
79 5779 0.002304278 0.406257875
80 5634 0.002246462 0.408504337
81 5594 0.002230512 0.410734849
82 5559 0.002216557 0.412951406
83 5541 0.002209379 0.415160785
84 5516 0.002199411 0.417360196
85 5494 0.002190639 0.419550835
86 5460 0.002177082 0.421727917
87 5441 0.002169506 0.423897424
88 5416 0.002159538 0.426056961
89 5388 0.002148373 0.428205335
90 5383 0.00214638 0.430351714
91 5380 0.002145183 0.432496898
92 5352 0.002134019 0.434630917
93 5328 0.002124449 0.436755366
94 5219 0.002080987 0.438836354
95 5111 0.002037924 0.440874278
96 5061 0.002017988 0.442892266
97 5044 0.002011209 0.444903475
98 5012 0.00199845 0.446901924
99 4928 0.001964956 0.448866881
100 4904 0.001955387 0.450822267
 汇总统计如下,下面显示至少要多少个单字才能覆盖总字频的比率。
累积频率 字数
1 4675
0.99 2221
0.95 1224
0.9 829
0.8 483
0.75 384
0.5 128
这告诉了我们一些有趣的事实:
  1. 我这么多年用Google输入法一共才输入了4675个不同的汉字,我相信我认识的字数比这多多了。一则事实是,新版的新华字典收录汉字万余。保守估计我能认识八、九千。也就是说,汉字识读率是远高于实际使用率的。
  2. 我超喜欢说“我”,实际上我大约每50个字就会出现一次“我”。但是这一条一共39个汉字,就出现了五个“我”。
  3. 我是一个学渣,然而我的前10大常用字中,第一个非小品词的字居然是“学”!
  4. 最常用的“纯粹的”动词是“有”(“是”词性复杂,“学”动、名两可,“有”最主要的功能是作动词)。最常用的实意动词是“要”。
  5. 前十大常用字可以组成句子“你是不是在学一?”所以请和我多约饭。
  6. “化”排23,“生”排24,“工”甚至没有进前50。但是我依然不是生狗或砖工,我依然是工程师。
  7. 有430个字,我用过一次之后就再也不用了。
  8. 有1538个字,我用过的次数不超过10次,相当于近1/3的字出现的总频率只有千分之二。
  9. 想理解我的一半的语言,最少只需要认识128个字就行了。在此基础上再认识700个字,就可以认识我的九成语言了。然而想要理解我99%的汉字,在90%的基础上则要再认识1392个汉字,可见识字的边际效用递减。
  10. 这么多年,我一共用Google输入法输入了2,507,944个字,相当于写了三本半的《红楼梦》。需要csv格式的全部数据的请私下联系我,因为词频中可能包含一些个人识别信息,所以只提供给我能够信任的人。

甲卡西酮的诞生——一点历史钩沉

2016-1-17

要说甲卡西酮的发现,得从麻黄碱的发现开始。
1924年,后来成为药学大师的陈克恢还是协和医学院的助教。他的课题是研究中药麻黄中的活性物质,麻黄碱。这个分子1887年已经由日本科学家从麻黄中分离出来,而陈克恢当时的工作初步阐明了麻黄碱的药理功效,并在当年发表了论文。这篇文章发表后,西方药学界对麻黄碱这个分子产生了浓厚的兴趣,进行了大量的药学研究,麻黄碱也在1926年就被批准为新药。和人们熟知的青蒿素类似,这也是一个中药中的物质最终被现代医学发现并分离,用于制药工业的故事。现在,麻黄碱及其衍生物在临床上多有应用。我们常吃的感冒药就有一些添加了具有缓解症状功能的麻黄碱衍生物成分。
研究一个分子的药理学特性,一个重要的工作就是研究它的类似物。类似物是在结构上具有某些相似性,但又不完全相同的分子。对于类似物的结构-功能关系研究不仅有助于我们理解药物的作用机制,也有助于新药的开发。1928年,伊利诺伊大学的两位博士生Hyde和Browning在博士论文课题中就做了几种麻黄碱类似物的研究。当时的化学合成技术还十分低端,他们用了很简陋的方法合成了十二种麻黄碱的类似物。这些分子被送到美国著名的私立医院梅奥诊所的医生Kendall那里,直接进行临床试验,但它们的效果都不很显著。Kendall后来因为在肾上腺皮质激素方面的工作于1950年获得诺贝尔生理学和医学奖,同时他也是有机命名反应Kendall-Mattox反应的报道者。
实际上,在他们合成那十二种分子的时候,已经得到了一种生物活性很强的药物。然而他们为了追求和麻黄碱分子的“形似”,又在这个药物的基础上做了一点微不足道的修改才拿去测试。而修改之后的分子效果反倒很弱了。说起来这个修改前的、生物活性很强的分子,它就是甲卡西酮。
1957年,一份美国专利颁发给了底特律的一家公司,其保护的内容就是这个甲卡西酮分子。现在没有资料表明他们是如何想到测试这个分子的生物活性的,但是根据专利信息显示,这个分子的中枢神经刺激作用要明显高于著名的中枢神经刺激药物安非他命。

资格考试回忆

2015-8-27

这是我参加资格考试之后的回忆。原文用LaTeX写的,转过来没有仔细调整,特别是公式。请读者包涵。
如果有老师或师弟师妹感兴趣,请email联系我索取PDF。

我查看了一下Honor Code,发现考后公开考题的行为是被允许的,因此便留下这一考题回忆。一方面造福后来者,另一方面也是给关心的人一个交代。
从这些问题中可以看出,两位中国老师的问题还是非常贴心的,他们只是想让你重复展现一下对领域的了解程度。而美国老师的问题较为凶狠,也更加棘手。两位中国老师的英文表达水平其实要好于美国老师,美国老师口音很重。

1.席鹏老师
席鹏老师第一个提问,我本来期待他问一些更偏工程和光学的东西,实际上他问的还是以生物医学问题为主。
  • 什么是细胞?
细胞是多数生物生命活动的基本单位,它由核、膜系统和原生质组成。它通过代谢利用能量、消耗负熵以维持生命活动,是生化过程和分子生物学过程的发生场所。
  • 细胞有多大?
细胞的大小可以相差很大,对我我们研究的真核生物细胞来说,绝大多数的细胞位于1-10 μm 之间。
  • 细胞膜的作用?
细胞膜构成了细胞的物理屏障。首先,细胞膜确定了细胞的界限,并向内沟通了膜系统。其次,细胞膜是细胞与外界发生物质、能量、信息交换的接口。第三,细胞膜维持了化学势差和电位差,并且细胞表面的通道和受体是物质传递过程的接口。第四,细胞膜表面表达的一些蛋白在细胞通讯等过程中具有重要作用。我还编了一些,现在记不住了。
  • 癌细胞和来源的组织细胞有什么形态和大小的差异。
在EMT过程中,细胞表面的粘附蛋白、细胞外基质等分子发生改变,会导致细胞形态的变化。(感谢陈兴老师,这个问题我email请教过他)。具体的变化我没有机会观察,也无法推断其大小差异。
  • 你观察过正常细胞么?如何制备的样品?
我观察过正常组织细胞,但是不是我自己制样的。我既观察过简单装片,又观察过石蜡包埋切片的标本。我把这两种技术和染色方法简单的描述了一下。
  • 什么是纳米材料,为什么使用纳米材料来做分子影像?
其实我一贯反对纳米材料这个概念,我认为纳米材料是个伪概念,它的外延和内涵都不清晰。现在越来越多的人和我一样拒绝提及纳米。所以这个问题我没有正面回答。我说传统上对纳米粒子的定义是,尺度处于1-100 nm之间的零到三维材料,但是现在这些定义已经过时了,小于1 nm和几百nm的聚合物、纳米晶等也可称为纳米材料。
纳米材料并没有什么共通的优势,但不同的纳米材料各有各的优势,比如……。传统上人们总结的纳米材料的优势包括:纳米尺寸和表面效应、纳米限域效应(特别是荧光材料)、EPR效应等。我觉得他们总结的这些东西并不普适。
其实现在的纳米粒子很少能用到临床影像上。
  • 纳米粒子为什么不能用在临床上?
我谈了毒性、监管等问题。
  • 如何降低纳米材料,比如量子点,的毒性?
量子点的话,可以做成壳-核结构,也可以在外面包覆其他物质,或者可以改变表面性质使其更容易排出。
  • 好了,那么现在量子点的毒性问题解决了,那么如何用在临床上?
这里只解决了细胞毒性的问题。而毒性是个多层次的概念,包括急性毒性、慢性毒性、环境毒性、细胞毒性等等非常复杂。关于量子点的纳米毒理,我们还有好多东西没搞清楚。

2. Ajit Yoganathan
Ajit了解到我的化工背景,就问的非常工程。
  • 什么是量子点?
我解释了传统上量子点是具有荧光性质的半导体纳米晶,现在这个概念已经扩大了,任何尺寸在几纳米范围内具有荧光的材料都可以被称为量子点。
  • 癌细胞相比正常细胞有何特点?
我大概讲了一遍最新版的Weinberg的Hallmarks of Cancer。
  • 癌细胞如何迁移扩散(远隔转移)?
我大概画图讲了一下细胞转化-局部侵染-血管新生-EMT-循环扩散-贴附锚定-MET-形成转移灶这样的过程。
  • 根据你讲的过程,有没有什么工程化的方法去进行控制?
我恰好知道一家公司正在做相关的产品研发,他们想用一个筛子筛选血液中的各种细胞,并把CTC截留掉,让正常的血细胞和血液成分过去。
  • 这个方法主要的困难是什么?
首先,CTC虽然比血细胞大,但不是大上数量级那种,只是略大。通过化工的原理我们知道,这样的话分离效率注定很低。
  • 血细胞和CTC的差距有多少?分别是多大?
这个我真是不清楚了。
  • 血液的组成是什么?
有血浆、红细胞、白细胞和血小板。
  • 血细胞分别有什么功能?
红细胞的功能主要就是运输氧气和二氧化碳。白细胞在免疫方面有用处,另外还有很多其他的用处,比如维持稳态。血小板主要参与凝血过程。凝血过程也需要其他的细胞参与,比如我刚才说白细胞维持稳态就包括参与凝血过程。
  • 靶向药物是什么设计的?
我讲解了Weissleder提出的“靶向部分-连接部分-信号部分”的设计准则。
  • 这个问题我没有理解,经过多轮的确认和重述,最后我还是没有理解他想表达什么。席老师和李老师大概解释是想让我推导靶向药物在靶组织处的富集过程模型。
我一开始理解成他让我描述光子在组织中传输的数学模型(Monte-Carlo和加倍法等光子传输方程法),但是李老师提示了我Yoganathan博士的本意。
当时我也比较紧张,没有领会到问题的实质就是推导药代动力学方程。因此我一开始就按照热力学和传递过程中的基本建模思路,开始划分体系与环境。
研究的参数自然是药物浓度。那么靶组织就是系统,整个循环系统就是环境。我这里假设整个循环系统(主要是血液)是完全联通,理想扩散的,因此其须药物浓度保持恒定。
接着我扩展了模型,考虑了药物清除的问题(经肾、经肝、经呼吸等)。最后,我考虑了脱靶的药物浓聚(OffTarget, OT)。经过两次修正,我认为这个模型已经比较完整了。这一过程如图1所示。
图1 药物代谢模型

这时Yoganathan博士要求我把方程写出来。模型结构已经清楚了,那么方程就迎刃而解了。我一开始先把动力学关系画了出来,如图1的子图d所示。然后写的时候想到要先做衡算,这个里面显然只能做质量衡算(物料衡算)。
  VICI=VECE+VTCT+iVOT,iCOT,iFO
其中,V是体积,C是浓度,F是排出量(对应于化工中的流率)。I、E、T、OT和O分别代表注射、循环、靶组织、非靶组织和排出,如图1所示。
接着我列了动力学方程,假设各项传递过程都是一级过程。当时的公式写错了,忘记写反向扩散的一项,相当于是一个初态的方程。写完后Yoganathan博士提醒我这是个动力学系统,但是我没有会意。他的英文实在是太难理解了。下面是正确的公式:
     CT=kETdCEdtkTEdCTdt
     COT,i=kEOTidCEdtkOTiEdCOT,idt
其中k是待定常数。Yoganathan博士问我了一些微分方程稳定性之类的特理论的东西,我说这个微分方程的参数(Vk等)可以通过理论计算或实验测定,而边界条件,包括初始浓度和最终浓度,对于动物可以用尸检的方法,对于人可以用分子影像的方法进行测定。他问我怎么用分子影像的方法确定,我给他讲了一下PET的ROI定量方法。总之这个问题就这么应付过去了。
考试结束后,李老师告诉我其实他的本意只是问我腔室模型而已。腔室模型我只是大概学过,但是如果我理解不出现问题的话还是能及时反应过来的。
  • 有哪些用于临床的影像模态?
这是我擅长的。上一个问题比较棘手,这一个问题Yoganathan博士可能是有意降低了难度。我在白板上列举:
     * CT
     * PET、SPECT等核医学模态
     * 光学模态:如FMT(无临床应用)、OCT、共聚焦(皮肤、眼科)……我有些大脑短路,就写了这么多。
     * 超声(包括光声)
     * 磁共振(一开始我写成了NMR,后来再看不对改成了MRI)
     * 其他新型成像模态,比如电阻成像
他就问我为什么光学模态鲜有临床应用,我说因为穿透深度太低是个严重的问题。他又问我穿透深度具体多少,我说这与光源强度和波长等因素有关。在生物医学实践中,一般穿透深度不超过1 cm,多数不超过5 mm。他又问我穿透深度的问题怎么克服。我回答其实现在有对深部肿瘤用荧光方法探测的实例了。除了内窥镜以外,有的医生会在术中用靶向的荧光染料去显示暴露出来的组织的染料摄取和浓聚情况。这样把内部暴露在外部就可以应用荧光了。我现在后悔没有给他讲我那个和别人撞车的idea,就是用Cherenkov辐射去点亮量子点发射荧光的那个。
  • 就你列举的CT、超声和MR,分别谈谈他们在肿瘤诊断上的优势和劣势。
Yoganathan博士的英语实在是成问题,以至于他说了三遍“advantages and disadvantages”我都没听懂是啥。后来席鹏老师重复了一遍我才知道。
CT的缺点是,它本身一直被认为是结构影像而非功能影像或分子影像。此外CT辐射比较大、设备要求高。对于软组织的分辨能力不高。CT造影剂很难成为分子影像探针。CT重建的数据量较为庞大,三维重建的速度慢。CT的最主要的优点是分辨率高,口腔科(我突然想起一个流言说国外没有stomatology只有dental department,于是就改口为牙科)的锥束CT有的可以实现微米级的分辨率,所以可以提供理想的结构相。当时忘记说多模态的问题了。
超声的优点是仪器较为轻便,无辐射且廉价,在发展中国家可以实现大面积应用。同时超声没有电磁辐射只有机械波,是本质安全的,尽管FDA对于胎儿接受超声检查还进行了次数的限制。超声的缺点包括,对于不同的部位需要不同的探头,且不同探头的分辨率不一样,同一探头不同深度的分辨率不一样且分辨率有限。回波产生和界面有关,不仅伪影多,而且解读起来需要一定技巧。最后超声造影剂的尺寸一般较大,不方便做细胞靶向。
MRI是我最喜欢的模态。一方面,它的探针种类繁多;另一方面它还可以有多种多样的序列。一方面,它不需要探针,光凭序列就可以实现功能成像(如BOLD、DTI等);另一方面,探针和序列的组合可以实现更加丰富的功能。然而核磁的投资大,需要单独的屏蔽室,一旦误把金属物品带入扫描室将引发事故。有报道有人把气体钢瓶带入磁共振室,开机后产生了很恐怖的后果。因此,有心脏起搏器等植入设备的人不能做磁共振成像。传统上,磁共振的灵敏度不高,成像时间很长,现在已经得到了相当程度的改善。然而,患者的体验仍然不好,扫描的空间逼仄,噪声巨大。

3.李长辉老师
李老师对我的背景比较了解,问的问题很有针对性,我回答的比较舒服。同时,我吸取了上一节的教训,回答问题的时候尽量放慢语速,多答一些相关内容,从而控制节奏,不要被老师带的节奏太快。这一节的问题更偏我的专业一些,所以我写的会比较简略。
  • 请举出一个例子,说明分子影像技术在近几十年间的发展是如何助益于临床诊疗的。
我刚刚讲的MRI,就说一个MRI的例子吧。原先由于磁共振固有的物理局限,其灵敏度不高,扫描时间很长。这除了让患者不适以外,呼吸等患者运动也影响配准。后来,超导磁体替代了永磁体,磁感应强度由1.8 T发展到3T,现在已经有9T的临床实验,并且有18T的极端报道。这都是只有超导才能实现的。
另一方面,算法的革新也对影像质量的提高贡献很大。2004年,澳大利亚天才数学家陶哲轩提出了压缩感知算法。很快,这一算法就被应用于MRI的信号采集与重建。压缩感知能够实现只进行少量的采样就近乎完美的重建出原始图像,这样不仅减少了计算资源的需求,加快了重建速度,也缩短了图像采集的时间。压缩感知已经应用于商业化的仪器中。
  • PET和SPECT同为核医学模态,它们有什么区别?能否相互替代?
首先正如名字所指出的,它们的成像系统不同。PET根据双光子发射原理,同时探测一对儿光子。而SPECT通过准直器,一次探测单个光子。另一个本质区别是,PET的核素一定发生β+衰变,而SPECT的核素一般只发生γ衰变。同时,他们的分辨率、灵敏度等也都有不同。
现在越来越多的人认为PET未来可以替代SPECT,但是我认为不然。首先,SPECT较为廉价,很多乡镇医院也可以配备,这对发展中国家来说是十分重要的。更重要的是,PET核素需要医用加速器生产,不能随时获得。我认识的一位老师昨天因疑似中风入院,如果用PET的话,他需要排队等待生产核素,而急诊科根本无法承受长时间等待。而SPECT的核素可以方便的用发生器产生,于是SPECT在对中风患者的紧急诊断中可以发挥巨大的作用。
  • PET的探测过程是怎样的?其固有的分辨率极限是什么?
我描述了一下正电子衰变-正电子湮灭-光子产生(他追问光子的能量,我答511 keV)-闪烁体捕获-探测器探测(我说明了主要是PMT)-信号处理的过程。
首先我解释了分辨率的物理极限在于正电子自由程,正电子在发生湮灭之前要通过扩散和散射释放动能,这一过程中正电子的湮灭位置会偏离其生成的位置,产生点扩散函数的展宽。然后我想说光子散射、时间分辨等概念,被老师打断了。
老师又问有没有什么方法能够减轻这一影响。我恰好知道用晶格来减轻这一现象的在研项目,于是解释了一番。
  • 临床上,PET扫描的流程是什么样的?
我大致描述了一下患者经医生下处方-核医学科校正剂量、合成药物(老师追问一般是什么药物,我答90\%以上的情况是18F-FDG)-注射药物-患者休息-进入扫描室扫描-进入放射性病房-回归普通病房-医生读片的过程。
  • 核药物和普通药物的生产有什么不同?
其实我知道国家有一个PET药物的规定(《医疗机构制备正电子类放射性药品管理规定》),但是当场记不得了。好在几位老师都没有核药背景,而且我看时间也差不多了,于是这一题完全是忽忽悠悠的就过去了。
一开始扯了一些加速器、热室、自动合成仪、质控、GMP方面的东西,后来我灵机一动,向他们以T. Ritter的工作为例科普了late-stage fluorination的研究。我在自己的QE上科普有机方法学,感觉也是挺拼的。

总结
其实QE我也做了一些准备,但是基本都没用上。比如我看到历史上Yoganathan博士问的问题都是流体力学的,故临时看了一些生物流体力学方面的资料,但是他都没有问。
功夫确实在平时。回答的时候,我援引了大量的材料,包括读过的文章和书、听过的报告、上过的课、聊过的天、刷过的MOOC,其中和医生的交流最为重要。
另外,基本能力的培养特别重要。最悬的一个问题就是那个让我建模的问题。好在我工科出身,近来还看了一些统计物理和工程热力学的闲书,再加上本科的充分训练,虽然很悬但是也救了回来。现在还真有些后怕,如果当时一念之差没有想起来动力学方程,现在说不定就是conditional pass了。刚听到这一问题的时候,我是有些心虚,不过后来我顶上来了:保持自信对临场发挥非常重要。
他们几个人都没问我研究相关的内容,或许也是因为跨度比较大。我一开始自我介绍的时候开始介绍研究时候就被打断了,于是只说了个结论。
这一考试的重点在于广度。平常多了解本学科内部和自己工作不那么直接相关的问题是十分有益的,不只能帮助你和同行交流,还可以在关键时刻救人一命。