新葡京娱乐场-大陆娱乐场开户注册

本項(xiàng)目針對(duì)人工速生林木材密度小、強(qiáng)度低的特點(diǎn)，研究開發(fā)出木材化學(xué)改性與干燥一體化工藝技術(shù)及裝備。本技術(shù)能夠大幅度提高速生材性能，同時(shí)解決了常規(guī)木材改性技術(shù)中改性劑浸透困難、環(huán)保性差，改性材功能單一、尺寸小，無法滿足工業(yè)生產(chǎn)要求等問題；解決了傳統(tǒng)木材改性技術(shù)工藝“先干燥-再浸漬處理-再二次干燥”的能耗高的問題。本項(xiàng)目技術(shù)獲國(guó)家發(fā)明專利授權(quán)2項(xiàng)，已在多家企業(yè)應(yīng)用。

新冠肺炎常規(guī)通過病史、CT等進(jìn)行病情評(píng)估，但重癥病房應(yīng)用超聲不便，還需要評(píng)估重癥患者的心臟等多器官，然而操作者絕大多數(shù)不是專業(yè)超聲醫(yī)生，這為如何在治療重癥患者的過程中更好地發(fā)揮超聲的作用提出了難題。深圳國(guó)際研究生院袁克虹團(tuán)隊(duì)與深圳華聲醫(yī)療技術(shù)股份有限公司合作，用人工智能技術(shù)賦能5G超聲設(shè)備，增添采集心肺關(guān)鍵標(biāo)準(zhǔn)切面的導(dǎo)航以及關(guān)鍵參數(shù)的自動(dòng)測(cè)量等功能，輔助醫(yī)生對(duì)重癥病人進(jìn)行動(dòng)態(tài)評(píng)估和治療。 袁克虹團(tuán)隊(duì)與深圳華聲醫(yī)療技術(shù)股份有限公司1月中旬組成研發(fā)團(tuán)隊(duì)，在已有合作工作的基礎(chǔ)上，針對(duì)新冠肺炎重癥患者臨床超聲的迫切需求開展聯(lián)合攻關(guān)，半個(gè)月就獲得了較好的成果。該技術(shù)從2月初開始在武漢協(xié)和西院等多家醫(yī)院使用，在一定程度上輔助了醫(yī)生對(duì)重癥患者進(jìn)行疾病的動(dòng)態(tài)評(píng)估和治療指導(dǎo)。 目前該技術(shù)正由國(guó)家感染性疾病臨床研究中心（深圳市第三人民醫(yī)院）牽頭開展進(jìn)一步研究，將完善和改進(jìn)現(xiàn)有功能，優(yōu)化遠(yuǎn)程診斷流程，實(shí)現(xiàn)超聲為醫(yī)生治療重癥患者提供更智能、更可靠、更專業(yè)的幫助。

動(dòng)物捕食植物種子（下稱種子捕食）是動(dòng)植物協(xié)同進(jìn)化的重要方面。動(dòng)物捕食植物種子可影響植物種群更新和繁衍；植物通過調(diào)節(jié)各種性狀，如種子大小、蛋白質(zhì)含量，調(diào)節(jié)動(dòng)物捕食行為。植物性狀對(duì)種子捕食調(diào)節(jié)能力的評(píng)估對(duì)理解動(dòng)植物協(xié)同進(jìn)化具有重要意義。 因此，建立一種用于種子捕食追蹤的人工種子系統(tǒng)，對(duì)于種子捕食追蹤及相關(guān)研究，理解動(dòng)植物協(xié)同進(jìn)化，促進(jìn)野生植物尤其是珍稀瀕危植物保護(hù)具有重要的作用。

本成果采用最新的深度學(xué)習(xí)和分子模擬算法，結(jié)合新一代分子特征化方法，開發(fā)了多種計(jì)算機(jī)模型，可用于藥物開發(fā)中的多個(gè)階段，為藥物的快速設(shè)計(jì)開發(fā)提供一個(gè)完整的基于人工智能的解決方案。成果：1.藥物毒性預(yù)測(cè)方法：傳統(tǒng)的化合物毒性檢測(cè)技術(shù)一般需要使用生化試驗(yàn)、細(xì)胞實(shí)驗(yàn)、甚至動(dòng)物模型，這些方法不僅耗費(fèi)大量時(shí)間，而且成本很高。使用計(jì)算模型進(jìn)行有機(jī)化合物的毒性預(yù)測(cè)，所需投入較少，但產(chǎn)出巨大。特別是基于化合物的物理化學(xué)和結(jié)構(gòu)特性的計(jì)算模型，甚至能夠在化合物合成之前就對(duì)其進(jìn)行預(yù)測(cè)，大大提高了效率，使其越來越受到歡迎。在進(jìn)行體外和體內(nèi)試驗(yàn)之前先使用計(jì)算機(jī)模型對(duì)化合物進(jìn)行大規(guī)模的毒性篩選，能夠更好地解決候選藥物具有毒性的問題。我們建立了一套新的基于多種分子指紋和機(jī)器學(xué)習(xí)算法的化合物毒性預(yù)測(cè)集成學(xué)習(xí)算法，運(yùn)用此集成學(xué)習(xí)算法建立了新的有機(jī)化合物致癌性、致突變性和肝毒性預(yù)測(cè)模型。我們分別建立了名為CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性預(yù)測(cè))、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突變性預(yù)測(cè))、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性預(yù)測(cè))的預(yù)測(cè)服務(wù)器，這些服務(wù)器能夠?yàn)槭褂谜咛峁└咝Ц憬莸念A(yù)測(cè)技術(shù)服務(wù)。自2017年服務(wù)器發(fā)表起，我們已為國(guó)內(nèi)外藥物分子設(shè)計(jì)研究者提供了5000多次共計(jì)超過20多萬個(gè)化合物的毒性預(yù)測(cè)服務(wù)。在有機(jī)化合物毒性預(yù)測(cè)研究方向，我們主要完成了化合物的細(xì)胞毒性、心臟毒性、生殖毒性、血腦屏障透過性、水生生物毒性預(yù)測(cè)模型，以及糖尿病早期篩查模型的開發(fā)，正在進(jìn)行P450酶阻滯劑性預(yù)測(cè)模型、基于圖神經(jīng)網(wǎng)絡(luò)的毒性預(yù)測(cè)算法研究、基于分子對(duì)接的化合物毒性預(yù)測(cè)研究等。相關(guān)研究成果已發(fā)表多篇學(xué)術(shù)論文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次數(shù)80，ESI 1%高被引論文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）致癌性預(yù)測(cè)服務(wù)器首頁致癌性預(yù)測(cè)結(jié)果頁相關(guān)綜述對(duì)本服務(wù)器的介紹RF-hERG-Score預(yù)測(cè)藥物引起的hERG相關(guān)心臟毒性2.藥物設(shè)計(jì)方法：在計(jì)算機(jī)上對(duì)藥物靶點(diǎn)和藥物分子的結(jié)構(gòu)和活性建模，計(jì)算藥物與靶點(diǎn)之間的相互作用關(guān)系，從而設(shè)計(jì)出具有治療作用的藥物。計(jì)算機(jī)輔助藥物設(shè)計(jì)可以為藥物設(shè)計(jì)各階段的實(shí)驗(yàn)方案提供有意義的指導(dǎo)，減少需要通過實(shí)驗(yàn)評(píng)估的候選藥物的數(shù)量，從而加快新藥研發(fā)速度。我們應(yīng)用分子對(duì)接、分子動(dòng)力學(xué)模擬、自由能計(jì)算、機(jī)器學(xué)習(xí)等方法研究流感病毒等重要疾病的計(jì)算機(jī)輔助藥物設(shè)計(jì)、并開發(fā)更有效的計(jì)算機(jī)輔助藥物設(shè)計(jì)方法。在計(jì)算機(jī)輔助藥物設(shè)計(jì)研究我們主要完成了流感病毒M2質(zhì)子通道蛋白抑制劑虛擬篩選方法研究，正在進(jìn)行先導(dǎo)化合物生成模型研究、基于機(jī)器學(xué)習(xí)的虛擬篩選打分函數(shù)算法開發(fā)、SARS-CoV-2病毒S蛋白與受體相互作用及藥物設(shè)計(jì)研究。特異性重打分函數(shù)顯著虛擬篩選性能顯著較高篩選出兩個(gè)候選抑制劑3.藥物靶點(diǎn)識(shí)別方法：長(zhǎng)非編碼RNA（lncRNA）是一種長(zhǎng)度在200nt至100,000nt之間的非編碼RNA，是轉(zhuǎn)錄物的主要成分。研究表明lncRNA在許多生物學(xué)和病理學(xué)過程中起著重要作用。lncRNA起作用的重要途徑是與其靶蛋白結(jié)合。lncRNA-蛋白質(zhì)相互作用的實(shí)驗(yàn)研究需要大量資源。累積的實(shí)驗(yàn)數(shù)據(jù)使得通過計(jì)算方法預(yù)測(cè)lncRNA-蛋白質(zhì)相互作用成為可能。我們使用各種數(shù)學(xué)建模和機(jī)器學(xué)習(xí)方法開發(fā)了幾種用于預(yù)測(cè)lncRNA-蛋白質(zhì)相互作用的新模型。這些模型命名為：RWLPAP（隨機(jī)游走），LPI-NRLMF（鄰域正則化邏輯矩陣分解），IRWNRLPI（集成隨機(jī)游走和鄰域規(guī)則化Logistic矩陣分解），LPI-BNPRA（雙向網(wǎng)絡(luò)投影推薦算法），LPI-ETSLP（基于特征值變換的半監(jiān)督鏈路預(yù)測(cè)），HLPI-Ensemble（集成學(xué)習(xí)）。在交叉驗(yàn)證中，我們的模型獲得了較好的預(yù)測(cè)性能。lncRNA-蛋白質(zhì)相互作用預(yù)測(cè)模型的性能比較lncRNA-蛋白質(zhì)相互作用預(yù)測(cè)服務(wù)器相關(guān)軟件著作權(quán)：

本成果采用最新的深度學(xué)習(xí)和分子模擬算法，結(jié)合新一代分子特征化方法，開發(fā)了多種計(jì)算機(jī)模型，可用于藥物開發(fā)中的多個(gè)階段，為藥物的快速設(shè)計(jì)開發(fā)提供一個(gè)完整的基于人工智能的解決方案。 成果：1.藥物毒性預(yù)測(cè)方法：傳統(tǒng)的化合物毒性檢測(cè)技術(shù)一般需要使用生化試驗(yàn)、細(xì)胞實(shí)驗(yàn)、甚至動(dòng)物模型，這些方法不僅耗費(fèi)大量時(shí)間，而且成本很高。使用計(jì)算模型進(jìn)行有機(jī)化合物的毒性預(yù)測(cè)，所需投入較少，但產(chǎn)出巨大。特別是基于化合物的物理化學(xué)和結(jié)構(gòu)特性的計(jì)算模型，甚至能夠在化合物合成之前就對(duì)其進(jìn)行預(yù)測(cè)，大大提高了效率，使其越來越受到歡迎。在進(jìn)行體外和體內(nèi)試驗(yàn)之前先使用計(jì)算機(jī)模型對(duì)化合物進(jìn)行大規(guī)模的毒性篩選，能夠更好地解決候選藥物具有毒性的問題。我們建立了一套新的基于多種分子指紋和機(jī)器學(xué)習(xí)算法的化合物毒性預(yù)測(cè)集成學(xué)習(xí)算法，運(yùn)用此集成學(xué)習(xí)算法建立了新的有機(jī)化合物致癌性、致突變性和肝毒性預(yù)測(cè)模型。我們分別建立了名為CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性預(yù)測(cè))、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突變性預(yù)測(cè))、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性預(yù)測(cè))的預(yù)測(cè)服務(wù)器，這些服務(wù)器能夠?yàn)槭褂谜咛峁└咝Ц憬莸念A(yù)測(cè)技術(shù)服務(wù)。自2017年服務(wù)器發(fā)表起，我們已為國(guó)內(nèi)外藥物分子設(shè)計(jì)研究者提供了5000多次共計(jì)超過20多萬個(gè)化合物的毒性預(yù)測(cè)服務(wù)。在有機(jī)化合物毒性預(yù)測(cè)研究方向，我們主要完成了化合物的細(xì)胞毒性、心臟毒性、生殖毒性、血腦屏障透過性、水生生物毒性預(yù)測(cè)模型，以及糖尿病早期篩查模型的開發(fā)，正在進(jìn)行P450酶阻滯劑性預(yù)測(cè)模型、基于圖神經(jīng)網(wǎng)絡(luò)的毒性預(yù)測(cè)算法研究、基于分子對(duì)接的化合物毒性預(yù)測(cè)研究等。相關(guān)研究成果已發(fā)表多篇學(xué)術(shù)論文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次數(shù)80，ESI 1%高被引論文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.） 致癌性預(yù)測(cè)服務(wù)器首頁 致癌性預(yù)測(cè)結(jié)果頁 相關(guān)綜述對(duì)本服務(wù)器的介紹 RF-hERG-Score預(yù)測(cè)藥物引起的hERG相關(guān)心臟毒性 2.藥物設(shè)計(jì)方法：在計(jì)算機(jī)上對(duì)藥物靶點(diǎn)和藥物分子的結(jié)構(gòu)和活性建模，計(jì)算藥物與靶點(diǎn)之間的相互作用關(guān)系，從而設(shè)計(jì)出具有治療作用的藥物。計(jì)算機(jī)輔助藥物設(shè)計(jì)可以為藥物設(shè)計(jì)各階段的實(shí)驗(yàn)方案提供有意義的指導(dǎo)，減少需要通過實(shí)驗(yàn)評(píng)估的候選藥物的數(shù)量，從而加快新藥研發(fā)速度。我們應(yīng)用分子對(duì)接、分子動(dòng)力學(xué)模擬、自由能計(jì)算、機(jī)器學(xué)習(xí)等方法研究流感病毒等重要疾病的計(jì)算機(jī)輔助藥物設(shè)計(jì)、并開發(fā)更有效的計(jì)算機(jī)輔助藥物設(shè)計(jì)方法。在計(jì)算機(jī)輔助藥物設(shè)計(jì)研究我們主要完成了流感病毒M2質(zhì)子通道蛋白抑制劑虛擬篩選方法研究，正在進(jìn)行先導(dǎo)化合物生成模型研究、基于機(jī)器學(xué)習(xí)的虛擬篩選打分函數(shù)算法開發(fā)、SARS-CoV-2病毒S蛋白與受體相互作用及藥物設(shè)計(jì)研究。 特異性重打分函數(shù)顯著虛擬篩選性能顯著較高 篩選出兩個(gè)候選抑制劑 3.藥物靶點(diǎn)識(shí)別方法：長(zhǎng)非編碼RNA（lncRNA）是一種長(zhǎng)度在200nt至100,000nt之間的非編碼RNA，是轉(zhuǎn)錄物的主要成分。研究表明lncRNA在許多生物學(xué)和病理學(xué)過程中起著重要作用。lncRNA起作用的重要途徑是與其靶蛋白結(jié)合。lncRNA-蛋白質(zhì)相互作用的實(shí)驗(yàn)研究需要大量資源。累積的實(shí)驗(yàn)數(shù)據(jù)使得通過計(jì)算方法預(yù)測(cè)lncRNA-蛋白質(zhì)相互作用成為可能。我們使用各種數(shù)學(xué)建模和機(jī)器學(xué)習(xí)方法開發(fā)了幾種用于預(yù)測(cè)lncRNA-蛋白質(zhì)相互作用的新模型。這些模型命名為：RWLPAP（隨機(jī)游走），LPI-NRLMF（鄰域正則化邏輯矩陣分解），IRWNRLPI（集成隨機(jī)游走和鄰域規(guī)則化Logistic矩陣分解），LPI-BNPRA（雙向網(wǎng)絡(luò)投影推薦算法），LPI-ETSLP（基于特征值變換的半監(jiān)督鏈路預(yù)測(cè)），HLPI-Ensemble（集成學(xué)習(xí)）。在交叉驗(yàn)證中，我們的模型獲得了較好的預(yù)測(cè)性能。 lncRNA-蛋白質(zhì)相互作用預(yù)測(cè)模型的性能比較 lncRNA-蛋白質(zhì)相互作用預(yù)測(cè)服務(wù)器相關(guān)軟件著作權(quán)：

本發(fā)明提供了一種復(fù)制式人工關(guān)節(jié)間隔物的制作方法，包括以下步驟：1）首先在容器內(nèi)鋪設(shè)固化劑，將人工關(guān)節(jié)假體包裹在容器內(nèi)的固化劑中，制備人工關(guān)節(jié)假體陰模；2）然后向陰模內(nèi)注入硬化劑制備復(fù)制式人工關(guān)節(jié)間隔物。可事先在陰模中放置金屬棒或塊以增加間隔物的強(qiáng)度。本發(fā)明能在較短時(shí)間內(nèi)精確制備出尺寸和外形與擬選用人工關(guān)節(jié)假體一致的間隔物，以縮短手術(shù)時(shí)間，改善間隔物的作用效果，制備方法經(jīng)濟(jì)且簡(jiǎn)便易行。植入的關(guān)節(jié)式間隔物可使得患者在術(shù)后獲得部分正常的關(guān)節(jié)功能，術(shù)后滿意度提高。并有效防止了軟組織的攣縮，為再次手術(shù)奠定了基礎(chǔ)。

采用前沿的深度學(xué)習(xí)算法和相關(guān)數(shù)據(jù)處理技術(shù)，經(jīng)過不斷優(yōu)化和創(chuàng)新，能夠在極短時(shí)間內(nèi)完成 CT 圖像的人體器官勾畫功能，目前已實(shí)現(xiàn) 30 多種器官的自動(dòng)勾畫。大量歷史病例數(shù)據(jù)集和模型的不斷創(chuàng)新使 DeepViewer 多種器官的勾畫精準(zhǔn)度達(dá)到 95%以上。 

（1）建立具有醫(yī)學(xué)統(tǒng)計(jì)意義的中國(guó)人髖關(guān)節(jié)解剖學(xué)特征數(shù)據(jù)庫 課題組隨機(jī)抽取130 例西南地區(qū)正常成年人（其中男77例、女53例；平均年齡46歲；平均身高163.3cm；平均體重59.6kg。于仰臥、雙下肢中立位行髂嵴至脛骨結(jié)節(jié)CT掃描（掃描層厚1mm），運(yùn)用CT圖像處理軟件測(cè)量股骨頭直徑、頸干角、偏中心距offset、小轉(zhuǎn)子中點(diǎn)及其上、下2 0 mm 平面處髓腔寬度、峽部直徑、小粗隆中點(diǎn)到峽部距離、峽部曲度、髓腔閃爍指數(shù)和漏斗指數(shù)等參數(shù)，并與中國(guó)北方人和國(guó)外人群解剖參數(shù)進(jìn)行比較。結(jié)果顯示：中國(guó)西南地區(qū)正常人的股骨頭直徑為44.68±3.10mm，頸干角128.56°±4.49°，offset為36.7±2.81mm，小轉(zhuǎn)子中點(diǎn)及其上、下2 0 mm平面處髓腔寬度分別為：24.9±2.27mm；43.6±2.79mm；17.23±1.59mm，峽部直徑為9.92±1.27mm，小粗隆中點(diǎn)到峽部距離113.81±6.75mm，峽部曲度168.95°±1.32°，髓腔閃爍指數(shù)和漏斗指數(shù)等參數(shù)分別為：4.19±0.72和2.32。本組研究中，offset平均為36.7mm、頸干角平均為128.56°,與北方人（offset 平均37.1mm、頸干角平均127.9°）相比差異不大，與西方人（offset平均43.0mm、頸干角平均124.7°）相比存在顯著差異。 （2）設(shè)計(jì)基于國(guó)人髖關(guān)節(jié)解剖學(xué)特征的人工髖關(guān)節(jié)系統(tǒng) 完成了基于中國(guó)人解剖參數(shù)人工髖關(guān)節(jié)系統(tǒng)設(shè)計(jì)。 （3）采用有限元等分析手段，優(yōu)化設(shè)計(jì)方案，使該人工髖關(guān)節(jié)系統(tǒng)適合國(guó)人解剖特征，避免低應(yīng)力集中和應(yīng)力遮擋。

青少年人工智能資源與創(chuàng)新平臺(tái)為激發(fā)青少年利用原創(chuàng)算法解決真實(shí)復(fù)雜問題的興趣，面向全國(guó)中小學(xué)發(fā)布覆蓋人工智能主要技術(shù)領(lǐng)域的研究問題，設(shè)立相應(yīng)選題。 一、項(xiàng)目分類 關(guān)鍵核心技術(shù)突破 二、技術(shù)分析 主要功能： 資源中心。資源中心包含各個(gè)名師人工智能課程及應(yīng)用案例，還包含各類精品開源軟硬件資源的匯聚。 資訊通知。公告元卓計(jì)劃工作的最新動(dòng)態(tài)及行業(yè)內(nèi)的最新消息。 直播頻道。邀請(qǐng)專家進(jìn)行直播互動(dòng)。 在線編程。可以在網(wǎng)頁頁面中直接編寫代碼和運(yùn)行代碼。 互動(dòng)論壇。注冊(cè)用戶可以在網(wǎng)站論壇討論課題。