新葡京娱乐场-大陆娱乐场开户注册

天中依脈是較早專注于中醫(yī)診療客觀化的高新技術(shù)企業(yè)，核心技術(shù)脫胎于天津中醫(yī)藥大學、天津大學歷屆專家及從上世紀80年代開始的“中醫(yī)客觀化技術(shù)”研究。依脈人工智能醫(yī)療科技（天津）有限公司是天中依脈的全資子公司，致力于發(fā)展“中醫(yī)云腦”智能化云中醫(yī)服務(wù)，參與國家“一帶一路”中醫(yī)文化傳播與技術(shù)推廣，全面支持國家醫(yī)聯(lián)體建設(shè)、家庭醫(yī)生簽約服務(wù)等領(lǐng)域的中醫(yī)藥服務(wù)，踐行健康中國戰(zhàn)略。 2009年創(chuàng)立至今，天中依脈與國內(nèi)三十余家高校及高級醫(yī)療機構(gòu)建立了長期深入的科研合作關(guān)系，擁有200多項國家專利及軟件著作等知識產(chǎn)權(quán)，產(chǎn)品服務(wù)于500余家醫(yī)療機構(gòu)，成為中醫(yī)智能行業(yè)的領(lǐng)航者。  

IECUBE-676X 人工智能創(chuàng)新實驗進階套件是在 IECUBE-6760 人工智能創(chuàng)新實驗基礎(chǔ)套件的基礎(chǔ)上，針對已經(jīng)具有一定人工智能應(yīng)用開發(fā)經(jīng)驗的開發(fā)者，設(shè)計的具有一定復(fù)雜性和系統(tǒng)性的綜合項目制實驗開發(fā)套件。該套件將人工智能技術(shù)與更專業(yè)、更復(fù)雜的學科場景相結(jié)合，在更開放的軟硬件平臺環(huán)境下，鼓勵學生自主完成人工智能與各學科的融合。 

本項目針對人工速生林木材密度小、強度低的特點，研究開發(fā)出木材化學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。本項目技術(shù)獲國家發(fā)明專利授權(quán)2項，已在多家企業(yè)應(yīng)用。

新冠肺炎常規(guī)通過病史、CT等進行病情評估，但重癥病房應(yīng)用超聲不便，還需要評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。深圳國際研究生院袁克虹團隊與深圳華聲醫(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)鍵標準切面的導(dǎo)航以及關(guān)鍵參數(shù)的自動測量等功能，輔助醫(yī)生對重癥病人進行動態(tài)評估和治療。 袁克虹團隊與深圳華聲醫(yī)療技術(shù)股份有限公司1月中旬組成研發(fā)團隊，在已有合作工作的基礎(chǔ)上，針對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)生對重癥患者進行疾病的動態(tài)評估和治療指導(dǎo)。 目前該技術(shù)正由國家感染性疾病臨床研究中心（深圳市第三人民醫(yī)院）牽頭開展進一步研究，將完善和改進現(xiàn)有功能，優(yōu)化遠程診斷流程，實現(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。

動物捕食植物種子（下稱種子捕食）是動植物協(xié)同進化的重要方面。動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)動物捕食行為。植物性狀對種子捕食調(diào)節(jié)能力的評估對理解動植物協(xié)同進化具有重要意義。 因此，建立一種用于種子捕食追蹤的人工種子系統(tǒng)，對于種子捕食追蹤及相關(guān)研究，理解動植物協(xié)同進化，促進野生植物尤其是珍稀瀕危植物保護具有重要的作用。

本成果采用最新的深度學習和分子模擬算法，結(jié)合新一代分子特征化方法，開發(fā)了多種計算機模型，可用于藥物開發(fā)中的多個階段，為藥物的快速設(shè)計開發(fā)提供一個完整的基于人工智能的解決方案。成果：1.藥物毒性預(yù)測方法：傳統(tǒng)的化合物毒性檢測技術(shù)一般需要使用生化試驗、細胞實驗、甚至動物模型，這些方法不僅耗費大量時間，而且成本很高。使用計算模型進行有機化合物的毒性預(yù)測，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和結(jié)構(gòu)特性的計算模型，甚至能夠在化合物合成之前就對其進行預(yù)測，大大提高了效率，使其越來越受到歡迎。在進行體外和體內(nèi)試驗之前先使用計算機模型對化合物進行大規(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器學習算法的化合物毒性預(yù)測集成學習算法，運用此集成學習算法建立了新的有機化合物致癌性、致突變性和肝毒性預(yù)測模型。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)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突變性預(yù)測)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性預(yù)測)的預(yù)測服務(wù)器，這些服務(wù)器能夠為使用者提供更高效更便捷的預(yù)測技術(shù)服務(wù)。自2017年服務(wù)器發(fā)表起，我們已為國內(nèi)外藥物分子設(shè)計研究者提供了5000多次共計超過20多萬個化合物的毒性預(yù)測服務(wù)。在有機化合物毒性預(yù)測研究方向，我們主要完成了化合物的細胞毒性、心臟毒性、生殖毒性、血腦屏障透過性、水生生物毒性預(yù)測模型，以及糖尿病早期篩查模型的開發(fā)，正在進行P450酶阻滯劑性預(yù)測模型、基于圖神經(jīng)網(wǎng)絡(luò)的毒性預(yù)測算法研究、基于分子對接的化合物毒性預(yù)測研究等。相關(guān)研究成果已發(fā)表多篇學術(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)測服務(wù)器首頁致癌性預(yù)測結(jié)果頁相關(guān)綜述對本服務(wù)器的介紹RF-hERG-Score預(yù)測藥物引起的hERG相關(guān)心臟毒性2.藥物設(shè)計方法：在計算機上對藥物靶點和藥物分子的結(jié)構(gòu)和活性建模，計算藥物與靶點之間的相互作用關(guān)系，從而設(shè)計出具有治療作用的藥物。計算機輔助藥物設(shè)計可以為藥物設(shè)計各階段的實驗方案提供有意義的指導(dǎo)，減少需要通過實驗評估的候選藥物的數(shù)量，從而加快新藥研發(fā)速度。我們應(yīng)用分子對接、分子動力學模擬、自由能計算、機器學習等方法研究流感病毒等重要疾病的計算機輔助藥物設(shè)計、并開發(fā)更有效的計算機輔助藥物設(shè)計方法。在計算機輔助藥物設(shè)計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，正在進行先導(dǎo)化合物生成模型研究、基于機器學習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候選抑制劑3.藥物靶點識別方法：長非編碼RNA（lncRNA）是一種長度在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在許多生物學和病理學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)相互作用的實驗研究需要大量資源。累積的實驗數(shù)據(jù)使得通過計算方法預(yù)測lncRNA-蛋白質(zhì)相互作用成為可能。我們使用各種數(shù)學建模和機器學習方法開發(fā)了幾種用于預(yù)測lncRNA-蛋白質(zhì)相互作用的新模型。這些模型命名為：RWLPAP（隨機游走），LPI-NRLMF（鄰域正則化邏輯矩陣分解），IRWNRLPI（集成隨機游走和鄰域規(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），HLPI-Ensemble（集成學習）。在交叉驗證中，我們的模型獲得了較好的預(yù)測性能。lncRNA-蛋白質(zhì)相互作用預(yù)測模型的性能比較lncRNA-蛋白質(zhì)相互作用預(yù)測服務(wù)器相關(guān)軟件著作權(quán)：

本成果采用最新的深度學習和分子模擬算法，結(jié)合新一代分子特征化方法，開發(fā)了多種計算機模型，可用于藥物開發(fā)中的多個階段，為藥物的快速設(shè)計開發(fā)提供一個完整的基于人工智能的解決方案。 成果：1.藥物毒性預(yù)測方法：傳統(tǒng)的化合物毒性檢測技術(shù)一般需要使用生化試驗、細胞實驗、甚至動物模型，這些方法不僅耗費大量時間，而且成本很高。使用計算模型進行有機化合物的毒性預(yù)測，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和結(jié)構(gòu)特性的計算模型，甚至能夠在化合物合成之前就對其進行預(yù)測，大大提高了效率，使其越來越受到歡迎。在進行體外和體內(nèi)試驗之前先使用計算機模型對化合物進行大規(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器學習算法的化合物毒性預(yù)測集成學習算法，運用此集成學習算法建立了新的有機化合物致癌性、致突變性和肝毒性預(yù)測模型。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)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突變性預(yù)測)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性預(yù)測)的預(yù)測服務(wù)器，這些服務(wù)器能夠為使用者提供更高效更便捷的預(yù)測技術(shù)服務(wù)。自2017年服務(wù)器發(fā)表起，我們已為國內(nèi)外藥物分子設(shè)計研究者提供了5000多次共計超過20多萬個化合物的毒性預(yù)測服務(wù)。在有機化合物毒性預(yù)測研究方向，我們主要完成了化合物的細胞毒性、心臟毒性、生殖毒性、血腦屏障透過性、水生生物毒性預(yù)測模型，以及糖尿病早期篩查模型的開發(fā)，正在進行P450酶阻滯劑性預(yù)測模型、基于圖神經(jīng)網(wǎng)絡(luò)的毒性預(yù)測算法研究、基于分子對接的化合物毒性預(yù)測研究等。相關(guān)研究成果已發(fā)表多篇學術(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)測服務(wù)器首頁 致癌性預(yù)測結(jié)果頁 相關(guān)綜述對本服務(wù)器的介紹 RF-hERG-Score預(yù)測藥物引起的hERG相關(guān)心臟毒性 2.藥物設(shè)計方法：在計算機上對藥物靶點和藥物分子的結(jié)構(gòu)和活性建模，計算藥物與靶點之間的相互作用關(guān)系，從而設(shè)計出具有治療作用的藥物。計算機輔助藥物設(shè)計可以為藥物設(shè)計各階段的實驗方案提供有意義的指導(dǎo)，減少需要通過實驗評估的候選藥物的數(shù)量，從而加快新藥研發(fā)速度。我們應(yīng)用分子對接、分子動力學模擬、自由能計算、機器學習等方法研究流感病毒等重要疾病的計算機輔助藥物設(shè)計、并開發(fā)更有效的計算機輔助藥物設(shè)計方法。在計算機輔助藥物設(shè)計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，正在進行先導(dǎo)化合物生成模型研究、基于機器學習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 篩選出兩個候選抑制劑 3.藥物靶點識別方法：長非編碼RNA（lncRNA）是一種長度在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在許多生物學和病理學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)相互作用的實驗研究需要大量資源。累積的實驗數(shù)據(jù)使得通過計算方法預(yù)測lncRNA-蛋白質(zhì)相互作用成為可能。我們使用各種數(shù)學建模和機器學習方法開發(fā)了幾種用于預(yù)測lncRNA-蛋白質(zhì)相互作用的新模型。這些模型命名為：RWLPAP（隨機游走），LPI-NRLMF（鄰域正則化邏輯矩陣分解），IRWNRLPI（集成隨機游走和鄰域規(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），HLPI-Ensemble（集成學習）。在交叉驗證中，我們的模型獲得了較好的預(yù)測性能。 lncRNA-蛋白質(zhì)相互作用預(yù)測模型的性能比較 lncRNA-蛋白質(zhì)相互作用預(yù)測服務(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度。本發(fā)明能在較短時間內(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)時間，改善間隔物的作用效果，制備方法經(jīng)濟且簡便易行。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)。

采用前沿的深度學習算法和相關(guān)數(shù)據(jù)處理技術(shù)，經(jīng)過不斷優(yōu)化和創(chuàng)新，能夠在極短時間內(nèi)完成 CT 圖像的人體器官勾畫功能，目前已實現(xiàn) 30 多種器官的自動勾畫。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度達到 95%以上。