五氧化二磷成分

五氧化二磷是由磷在氧气中燃烧、或者被点燃而生成的白色无定形粉末或六方晶体，化学式P2O5。 易吸湿。360℃升华。易燃。溶于水产生大量热并生成磷酸，对乙醇的反应与水相似。相对密度 239。熔点569℃。为酸性氧化物有腐蚀性，不可用手直接触摸或食用，也不可直接闻气味。该品属于高危化工类产品，根据《危险化学品安全管理条例》受公安部门管制。

五氧化二磷的真实结构为十氧化四磷，其具体的 分子结构为：在白磷分子的每一个磷键上插入一个氧原子，剩余四个氧原子分别通过配位键与四个磷原子相连（由磷原子提供一对电子形成的 配位键）。

文字表达式：磷+ 氧气→点燃→五氧化二磷

化学方程式：4P+5O 2==点燃==2P 2O 5

化学性质

能溶于水，放出大量的热，先形成偏磷酸、焦磷酸等，最终变成正磷酸。[2]在空气中吸湿潮解。与有机物接触会发生燃烧。接触有机物有引起燃烧危险。受热或遇水分解放热，放出有毒的腐蚀性烟气。具有强腐蚀性。[1]五氧化二磷是磷酸的 酸酐。

作用用途

用作气体和液体的干燥剂；有机合成的脱水剂、涤纶树脂的防静电剂、药品和糖的精制剂。是制取高纯度磷酸、磷酸盐、磷化物及磷酸酯的母体原料。还可用于五氧化二磷溶胶及以H型为主的气溶胶的制造。[3]用于制造光学玻璃、透紫外线玻璃、隔热玻璃、微晶玻璃和乳浊玻璃等，以提高玻璃的色散系数和透过紫外线的能力。用作干燥剂、脱水剂、糖的精制剂，并用于制取磷酸、磷化合物及气溶胶等用作半导体硅的掺杂源、脱水干燥剂、有机合成缩合剂及表面活性剂。在初中化学中经常用来检验空气中氧气的质量分数。

上游原料: 黄磷

下游产品:四氯三氧化二磷、O,O-二乙基硫代磷酰氯、2-氯-5-氯甲基吡啶、三氯乙腈、复合肥、治螟磷乳油(40%)、氨鲁米特、盐酸阿米替林、抗静电剂、抗静电剂P、抗静电剂PK、单烷基醚磷酸酯、多聚磷酸铵、水处理剂POE、涤纶油剂，AE-活性脂。

下游分析

cellranger count 计算的结果只能作为错略观测的结果，如果需要进一步分析聚类细胞，还需要进行下游分析，这里使用官方推荐 R 包（Seurat 30）

流程参考官方外周血分析标准流程（ https://satijalaborg/seurat/v30/pbmc3k_tutorialhtml ）

Rstudio操作过程：

## 安装seurat

installpackages('Seurat')

## 载入seurat包

library(dplyr)

library(Seurat)

## 读入pbmc数据（文件夹路径不能包含中文，注意“/“的方向不能错误，这里读取的是10x处理的文件，也可以处理其它矩阵文件，具体怎样操作现在还不知道，文件夹中的3个文件分别是：barcodestsv，genestsv，matrixmtx，文件的名字不能错，否则读取不到）

pbmcdata <- Read10X(datadir = "D:/pbmc3k_filtered_gene_bc_matrices/filtered_gene_bc_matrices/hg19/")

## 查看稀疏矩阵的维度,即基因数和细胞数

dim(pbmcdata)

pbmcdata[1:10,1:6]

## 创建Seurat对象与数据过滤，除去一些质量差的细胞（这里读取的是单细胞 count 结果中的矩阵目录；在对象生成的过程中，做了初步的过滤；留下所有在>=3 个细胞中表达的基因 mincells = 3；留下所有检测到>=200 个基因的细胞 mingenes = 200。)

pbmc <- CreateSeuratObject(counts = pbmcdata, project = "pbmc3k", mincells = 3, minfeatures = 200)

pbmc

##计算每个细胞的线粒体基因转录本数的百分比（%）,使用[[ ]] 操作符存放到metadata中，mit-开头的为线粒体基因

pbmc[["percentmt"]] <- PercentageFeatureSet(pbmc, pattern = "^MT-")

##展示基因及线粒体百分比（这里将其进行标记并统计其分布频率，"nFeature_RNA"为基因数，"nCount_RNA"为细胞数，"percentmt"为线粒体占比）

VlnPlot(pbmc, features = c("nFeature_RNA", "nCount_RNA", "percentmt"), ncol = 3)

plot1 <- FeatureScatter(pbmc, feature1 = "nCount_RNA", feature2 = "percentmt")

plot2 <- FeatureScatter(pbmc, feature1 = "nCount_RNA", feature2 = "nFeature_RNA")

CombinePlots(plots = list(plot1, plot2))

## 过滤细胞：根据上面小提琴图中基因数"nFeature_RNA"和线粒体数"percentmt"，分别设置过滤参数，这里基因数 200-2500，线粒体百分比为小于 5%，保留gene数大于200小于2500的细胞；目的是去掉空GEMs和1个GEMs包含2个以上细胞的数据；而保留线粒体基因的转录本数低于5%的细胞,为了过滤掉死细胞等低质量的细胞数据。

pbmc <- subset(pbmc, subset = nFeature_RNA > 200 & nFeature_RNA < 2500 & percentmt < 5)

## 表达量数据标准化,LogNormalize的算法：A = log( 1 + ( UMIA ÷ UMITotal ) × 10000

pbmc <- NormalizeData(pbmc, normalizationmethod = "LogNormalize", scalefactor = 10000)

#pbmc <- NormalizeData(pbmc) 或者用默认的

## 鉴定表达高变基因(2000个）,用于下游分析,如PCA；

pbmc <- FindVariableFeatures(pbmc, selectionmethod = "vst", nfeatures = 2000)

## 提取表达量变化最高的10个基因；

top10 <- head(VariableFeatures(pbmc), 10)

top10

plot1 <- VariableFeaturePlot(pbmc)

plot2 <- LabelPoints(plot = plot1, points = top10)

CombinePlots(plots = list(plot1, plot2))

plot1<-VariableFeaturePlot(object=pbmc)

plot2<-LabelPoints(plot=plot1,points=top10,repel=TRUE)

CombinePlots(plots=list(plot1,plot2))

## PCA分析：

# PCA分析数据准备,使用ScaleData()进行数据归一化；默认只是标准化高变基因（2000个）,速度更快,不影响PCA和分群,但影响热图的绘制。

#pbmc <- ScaleData(pbmc,varstoregress ="percentmt")

## 而对所有基因进行标准化的方法如下：

allgenes <- rownames(pbmc)

pbmc <- ScaleData(pbmc, features = allgenes)

pbmc <- ScaleData(pbmc, varstoregress = "percentmt")

## 线性降维（PCA）,默认用高变基因集,但也可通过features参数自己指定；

pbmc <- RunPCA(pbmc, features = VariableFeatures(object = pbmc))

## 展示 pca 结果（最简单的方法）

DimPlot(object=pbmc,reduction="pca")

## 检查PCA分群结果, 这里只展示前5个PC,每个PC只显示5个基因；

print(pbmc[["pca"]], dims = 1:5, nfeatures = 5)

##PC_ 1 

##Positive:  RPS27, MALAT1, RPS6, RPS12, RPL13 

##Negative:  CSTA, FCN1, CST3, LYZ, LGALS2 

##PC_ 2 

##Positive:  NKG7, GZMA, CST7, KLRD1, CCL5 

##Negative:  RPL34, RPL32, RPL13, RPL39, LTB 

##PC_ 3 

##Positive:  MS4A1, CD79A, BANK1, IGHD, CD79B 

##Negative:  IL7R, RPL34, S100A12, VCAN, AIF1 

##PC_ 4 

##Positive:  RPS18, RPL39, RPS27, MALAT1, RPS8 

##Negative:  PPBP, PF4, GNG11, SDPR, TUBB1 

##PC_ 5 

##Positive:  PLD4, FCER1A, LILRA4, SERPINF1, LRRC26 

##Negative:  MS4A1, CD79A, LINC00926, IGHD, FCER2 

## 展示主成分基因分值

VizDimLoadings(pbmc, dims = 1:2, reduction = "pca")

## 绘制pca散点图

DimPlot(pbmc, reduction = "pca")

## 画第1个或15个主成分的热图；

DimHeatmap(pbmc, dims = 1, cells = 500, balanced = TRUE)

DimHeatmap(pbmc, dims = 1:15, cells = 500, balanced = TRUE)

## 确定数据集的分群个数

# 鉴定数据集的可用维度，方法1：Jackstraw置换检验算法；重复取样（原数据的1%）,重跑PCA,鉴定p-value较小的PC；计算‘null distribution’(即零假设成立时)时的基因scores。虚线以上的为可用维度，也可以调整 dims 参数，画出所有 pca 查看。

#pbmc <- JackStraw(pbmc, numreplicate = 100)

#pbmc <- ScoreJackStraw(pbmc, dims = 1:20)

#JackStrawPlot(pbmc, dims = 1:15)

# 方法2：肘部图（碎石图）,基于每个主成分对方差解释率的排名。

ElbowPlot(pbmc)

## 细胞聚类：分群个数这里选择10,建议尝试选择多个主成分个数做下游分析,对整体影响不大；在选择此参数时,建议选择偏高的数字（为了获取更多的稀有分群,“宁滥勿缺”）；有些亚群很罕见,如果没有先验知识,很难将这种大小的数据集与背景噪声区分开来。

## 非线性降维（UMAP/tSNE)基于PCA空间中的欧氏距离计算nearest neighbor graph,优化任意两个细胞间的距离权重（输入上一步得到的PC维数） 。

pbmc <- FindNeighbors(pbmc, dims = 1:10)

## 接着优化模型,resolution参数决定下游聚类分析得到的分群数,对于3K左右的细胞,设为04-12 能得到较好的结果(官方说明)；如果数据量增大,该参数也应该适当增大。

pbmc <- FindClusters(pbmc, resolution = 05)

## 使用Idents（）函数可查看不同细胞的分群；

head(Idents(pbmc), 5)

## 结果：AAACCTGAGGTGCTAG    AAACCTGCAGGTCCAC    AAACCTGCATGGAATA AAACCTGCATGGTAGG      AAACCTGCATTGGCGC 

               1                3                0               10                2 

Levels: 0 1 2 3 4 5 6 7 8 9 10 11

## Seurat提供了几种非线性降维的方法进行数据可视化（在低维空间把相似的细胞聚在一起）,比如UMAP和t-SNE,运行UMAP需要先安装'umap-learn'包，这里不做介绍，两种方法都可以使用，但不要混用，如果混用，后面的结算结果会将先前的聚类覆盖掉，只能保留一个。

## 这里采用基于TSNE的聚类方法。

pbmc <- RunTSNE(pbmc, dims = 1:10)

## 用DimPlot()函数绘制散点图,reduction = "tsne",指定绘制类型；如果不指定,默认先从搜索 umap,然后 tsne, 再然后 pca；也可以直接使用这3个函数PCAPlot()、TSNEPlot()、UMAPPlot()； cols,ptsize分别调整分组颜色和点的大小；

DimPlot(pbmc,reduction = "tsne",label = TRUE,ptsize = 15)

## 这里采用基于图论的聚类方法

pbmc<-RunUMAP(object=pbmc,dims=1:10)

DimPlot(object=pbmc,reduction="umap")

## 细胞周期归类

pbmc<- CellCycleScoring(object = pbmc, g2mfeatures = ccgenes$g2mgenes, sfeatures = ccgenes$sgenes)

head(x = pbmc@metadata)

DimPlot(pbmc,reduction = "tsne",label = TRUE,groupby="Phase",ptsize = 15)

## 存储结果

saveRDS(pbmc, file = "D:/pbmc_tutorialrds")

save(pbmc,file="D:/res05Robj")

## 寻找cluster 1的marker

cluster1markers <- FindMarkers(pbmc, ident1 = 1, minpct = 025)

head(cluster1markers, n = 5)

## 结果:      p_val             avg_logFC        pct1       pct2        p_val_adj

MT-CO1  0000000e+00    -06977083      0985       0996       0000000e+00

RPS27  2182766e-282     03076454       1000       0999        3480202e-278

MT-CO3 2146399e-274    -04866429      0995       0997       3422218e-270

DUSP1  2080878e-247    -17621662       0376       0745       3317752e-243

RPL34  8647733e-244     03367755        1000       0997       1378795e-239

##寻找每一cluster的marker

pbmcmarkers <- FindAllMarkers(pbmc, onlypos = TRUE, minpct = 025, logfcthreshold = 025)

pbmcmarkers %>% group_by(cluster) %>% top_n(n = 2, wt = avg_logFC)

# A tibble: 24 x 7

# Groups:   cluster [12]

       p_val avg_logFC pct1 pct2 p_val_adj cluster gene 

       <dbl>     <dbl> <dbl> <dbl>     <dbl> <fct>   <chr>

 1 229e-123     0636 0344 0097 365e-119 0       CD8B 

 2 762e-113     0487 0632 0305 122e-108 0       LEF1 

 3 204e- 74     0483 0562 0328 325e- 70 1       LEF1 

 4 139e- 61     0462 0598 039  222e- 57 1       ITM2A

 5 0            269  0972 0483 0        2       GNLY 

 6 0            240  0964 0164 0        2       GZMB 

 7 131e-121     0768 0913 0671 209e-117 3       JUNB 

 8 206e- 94     0946 0426 0155 328e- 90 3       RGS1 

 9 205e-255     157  0586 009  327e-251 4       GZMK 

10 294e-140     157  069  0253 468e-136 4       KLRB1

# with 14 more rows

## 存储marker

writetable(pbmcmarkers,file="D:/allmarkertxt")

## 各种绘图

## 绘制Marker 基因的tsne图

FeaturePlot(pbmc, features = c("MS4A1", "GNLY", "CD3E", "CD14", "FCER1A", "FCGR3A", "LYZ", "PPBP", "CD8A"),cols = c("gray", "red"))

## 绘制Marker 基因的小提琴图

VlnPlot(pbmc, features = c("MS4A1", "CD79A"))

VlnPlot(pbmc, features = c("NKG7", "PF4"), slot = "counts", log = TRUE)

## 绘制分cluster的热图

top10 <- pbmcmarkers %>% group_by(cluster) %>% top_n(n = 10, wt = avg_logFC)

DoHeatmap(pbmc, features = top10$gene) + NoLegend()

剩下的便是寻找基因 marker 并对细胞类型进行注释(见下回分解)

据国外媒体报道，英国科学家在黑海海底发现了让泰晤士河相形见绌的一条大河。与地面上的河流一样，这些海底河流也有河道、支流、洪区、急流甚至瀑布。一条在黑海海底发现的河流局部区域深115英尺(35米)，宽半英里(804米)之多。

科学家估计，就河流水量而言，如果是在陆地上，这条目前为止尚未命名的河应该是世界上第六大河。使用遥控潜水艇扫描土耳其附近海底的利兹大学研究人员指出，这条河是泰晤士河的350倍大，携带高浓度盐水和沉积物。它是迄今为止发现的唯一活跃的地下河，是从地中海流经柏斯普鲁斯海峡进入黑海(盐量较低)溢出的高盐水。这使得来自地中海的这一高密度水像河一样沿海床流淌，形成河道和深堤。

一、内容概述

针对黄河小浪底水库运行后，将对水库下游地区地质环境产生的影响，通过调查沿黄两岸河流影响带的地下水量、水位和水质的时空变化，获取最新的数据资料，查明小浪底水库运行后，黄河两侧地下水资源与地质环境的变化趋势及其对地质环境的影响，为黄河开发和治理提供地学依据。主要成果为：

（1）建立了黄河下游河流影响带代表性地段的水文地质剖面7条，环境地质观测井69个，11个河水观测点，在69个环境地质观测井中安置了36个自动水位监测仪，为进一步观测研究黄河下游地质环境在人类重大水利工程影响下的变化奠定了监测基础。

（2）确定了郑州以西到温县这段的黄河影响带范围，并对下游山东地段的黄河影响带范围进行了界定。

（3）分别建立了能够准确描述温县-武陟、郑州-梁山两个区域水文地质特征的模拟计算的数值模型，对此两个区域地下水动态进行模拟计算和预测，此两个模型可分别用于两个地区今后地质环境动态管理。

（4）发现小浪底水库调水调沙总体上使下游河道高程降低、使下游河流主槽高程不断下切。9个观测断面中，除夹河滩有微小的上升外，另外8个断面的河床在水库运行的4年里下切的深度在13cm～11m之间，河床高程年平均下降3mm～28cm。床底累积下切平均深度143m，河床平均冲刷深度0286m/a。

（5）观测数据表明，在水库运行的4年里，下游河水位整体也在下降：在流量为500～570m3/s时，黄河下游典型断面同流量水位下降，花园口以下河水位累计下降幅度在059～136m之间，年均水位下降015～037m，下降幅度和速度都相当大。

（6）调查发现，与2000年比较，2004年黄河下游影响带地下水位整体在上升。与2003年比较，2004年黄河下游影响带地下水位孙口以上在下降，孙口以下地段在上升。

（7）调查研究发现，黄河河水水质客观上影响着下游两侧地下水水质，泥沙对污染物具有吸附和解吸作用，小浪底水库调水调沙使下游河道泥沙成分发生变化，泥沙作为河水和地下水的污染源，影响着两侧浅层地下水水质，但由于时间短，影响还不明显。

（8）小浪底水库运行，对下游两侧地下水资源量产生的影响为：下游不断流，使河道常年有水，不仅能持续补给地下水，还保证了沿河两侧可以引黄灌溉，减少了对地下水的开采，增加了灌溉回渗量，进而增加了地下水资源量；当然，河床的下切，河水位降低，减少了地下水入渗的水力坡度，减少了包括地下水源地在内的下游整个浅层地下水系统中补给量。但从整体上，水库的运行加大了对下游地下水的补给。

（9）研究发现，小浪底水库运行后，下游黄河影响带近河道两岸土地沙化有所加重。孙口以上地段盐渍化程度有所减轻，河口三角洲地区变化比较复杂，其他地方变化不明显。

（10）小浪底水库运行后，黄河下游孙口以上湿地此消彼长，主要表现在开封以上河段由于河床下切明显，河水下降明显，浅滩、嫩滩、低滩湿地消失明显，大堤以外背河洼地处，湿地面积萎缩。

（11）提出傍河水源地激发补给的动态调蓄新的认识。分析论证了激发开采动态调蓄会促进滩地表水资源转化为地下水，可改善背河洼地积涝，扩大地下水资源可利用量。并且以10个傍河水源地激发开采动态调蓄实例，探讨了浅层地下水激发补给的动态调蓄模式。

（12）建立了小浪底水库运行对黄河下游地质环境影响数据库，为建立黄河下游环境地质信息系统奠定基础。

二、应用范围及应用实例

1应用范围

成果可供黄河水利委员会及河南、山东等省的水利、环保、国土、城建与规划等部门用于黄河下游悬河治理、地质环境保护、地下水资源保护、城市规划建设、城市供水等方面。

2应用实例

（1）项目提出的黄河下游傍河水源地的浅层地下水激发补给的动态调蓄模式，用于城市供水部门在选取应急（后备）地下水源地参考依据。

（2）项目取得的对小浪底水库运行对地下水影响等方面的监测数据、模拟计算结果等资料，被国土资源等部门用于城市地质环境问题调查、地下水水质与污染调查评价等引用。

（3）发表的论文被多次引用，成果为不少从事相关工作的人员使用参考。

三、转化推广方式

可通过会议交流、论文发表、技术咨询、成果供给等形式为黄河水利委员会及河南、山东等省的水利、环保、国土、城建与规划等部门使用。

技术依托单位：中国地质科学院水文地质环境地质研究所

联系人：申建梅　刘长礼　叶浩

通讯地址：河北省石家庄市中华北大街268号

邮政编码：050061

联系电话：0311-67598657

电子邮箱：shenjianmei1965@sinacom，liuchangli@vip163com