新葡京娱乐场-大陆娱乐场开户注册

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(kāi)發(fā)了多種計(jì)算機(jī)模型，可用于藥物開(kāi)發(fā)中的多個(gè)階段，為藥物的快速設(shè)計(jì)開(kāi)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(lái)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(wèn)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(guò)20多萬(wàn)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(guò)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(kāi)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(yè)致癌性預(yù)測(cè)結(jié)果頁(yè)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(guò)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(kāi)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(kāi)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(guò)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(guò)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(kāi)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(kāi)發(fā)了多種計(jì)算機(jī)模型，可用于藥物開(kāi)發(fā)中的多個(gè)階段，為藥物的快速設(shè)計(jì)開(kāi)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(lái)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(wèn)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(guò)20多萬(wàn)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(guò)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(kāi)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(yè) 致癌性預(yù)測(cè)結(jié)果頁(yè) 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(guò)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(kāi)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(kāi)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(guò)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(guò)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(kāi)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)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于門(mén)限的低復(fù)雜度MPA算法， 該算法通過(guò)設(shè)置置信度門(mén)限來(lái)及時(shí)對(duì)可靠的碼字進(jìn)行譯碼，或?qū)Πl(fā)送概率極低的碼字進(jìn)行 舍棄，從而有效地降低了原始MPA算法的復(fù)雜度。

本發(fā)明公開(kāi)了一種并行 LLL 高維模糊度降相關(guān)算法，首先通過(guò)混合利用 Cholesky 下三角 LTL 分解 以及上三角 UTU 分解，提高 LLL 算法針對(duì)高維模糊度降相關(guān)的計(jì)算效率，增強(qiáng)高維模糊度降相關(guān)的能 力。其次為了得到降相關(guān)能力較強(qiáng)的 Z 變換矩陣，所以在每一次 QR 分解變換過(guò)程中，變換系數(shù)矩陣要 獲取較小的整數(shù)值，因此在每次下三角分解前先對(duì)模糊度協(xié)方差矩陣的行向量按內(nèi)積大小進(jìn)行升序排序， 而在上三角分解前先對(duì)矩陣的列向量按內(nèi)積大小進(jìn)行降序排列，由此求得的 Z 變換降相關(guān)性能更佳。最 后把算法正交變換過(guò)程中的取整運(yùn)算移至在求 Z 矩陣時(shí)取整，可以避免算法迭代過(guò)程中反復(fù)取整而引起 的誤差累積，解決算法發(fā)散的問(wèn)題，從而進(jìn)一步提高并行 LLL 算法的計(jì)算效率和穩(wěn)定性。 

本成果針對(duì)空間目標(biāo)的運(yùn)動(dòng)特征，通過(guò)研究目標(biāo)距離徙動(dòng)軌跡與 等效運(yùn)動(dòng)模型，構(gòu)建了一個(gè)欠定的運(yùn)動(dòng)方程組，基于全局炳最優(yōu)化準(zhǔn) 則求解出目標(biāo)運(yùn)動(dòng)參數(shù)，提出了一種全新的距離對(duì)準(zhǔn)算法。實(shí)驗(yàn)結(jié)果 表明該算法具有較高的準(zhǔn)確性，更重要的是，距離對(duì)準(zhǔn)過(guò)程中不會(huì)引 入距離像隨機(jī)偏移誤差和高頻相位誤差，這也是應(yīng)用大轉(zhuǎn)角高分辨成 像方法的前提條件。

隨著計(jì)算智能方法得到更廣泛的應(yīng)用，其從問(wèn)題本身學(xué)習(xí)的能力亟待增強(qiáng)。為此，越來(lái)越多研究提出使用機(jī)器學(xué)習(xí)模型來(lái)驅(qū)動(dòng)計(jì)算智能。通常，這種基于模型的進(jìn)化算法的性能高度依賴(lài)于所采用模型的訓(xùn)練質(zhì)量。而傳統(tǒng)機(jī)器學(xué)習(xí)方法需要大量訓(xùn)練數(shù)據(jù)進(jìn)行模型訓(xùn)練，而且受維度災(zāi)難的影響，這類(lèi)方法通常很難解決維度較高的問(wèn)題，約束了計(jì)算智能方法的應(yīng)用范疇。課題組在

本發(fā)明提出了一種基于時(shí)間-能耗重要性比重的并行任務(wù)調(diào)度算 法，在滿足時(shí)間和能耗的雙重限制下，實(shí)現(xiàn)異構(gòu)并行系統(tǒng)下任務(wù)所用 時(shí)間和能耗的權(quán)衡優(yōu)化。本發(fā)明考慮到實(shí)際情況中任務(wù)受各種因素的 影響，執(zhí)行時(shí)間不是固定且確定的，而是近似于正態(tài)分布，因此在確 定任務(wù)調(diào)度順序時(shí)，不采用以往技術(shù)中使用執(zhí)行時(shí)間平均值的方法， 而是將執(zhí)行時(shí)間的平均值和方差同時(shí)考慮進(jìn)來(lái)使用近似權(quán)重。在任務(wù) 分配階段，同時(shí)考慮時(shí)間和能耗這兩個(gè)性能指標(biāo)，并能根據(jù)

用電設(shè)備的最優(yōu)管理是智能電網(wǎng)中實(shí)現(xiàn)需求側(cè)響應(yīng)的關(guān)鍵一環(huán)。然而該問(wèn)題通常需要同時(shí)管理調(diào)度大量的用電設(shè)備，同時(shí)考慮多個(gè)時(shí)槽，是一個(gè)時(shí)間空間耦合的復(fù)雜問(wèn)題，想要在短時(shí)間內(nèi)解決該問(wèn)題十分困難。因此，如何設(shè)計(jì)合理的算法，提高計(jì)算效率，降低計(jì)算時(shí)間，是目前的研究熱點(diǎn)。?

在串聯(lián)回路中，當(dāng)電弧或放電現(xiàn)象發(fā)生時(shí)，對(duì)電流進(jìn)行頻譜分析，根據(jù)電流 的頻譜特征變化來(lái)確定是否有電弧發(fā)生，提供預(yù)警信息或保護(hù)動(dòng)作。為了防止在 開(kāi)關(guān)的瞬間或受到其他脈沖電流的干擾造成電弧故障檢測(cè)電路誤動(dòng)作，同時(shí)在頻譜分析的基礎(chǔ)上綜合電弧時(shí)間長(zhǎng)短等其他特性作為電弧故障的判據(jù)。系統(tǒng)的硬件 部分包含電流檢測(cè)、濾波、故障特征提取等模塊。軟件部分包含信號(hào)采集、信號(hào) 處理、故障判別等模塊，并綜合時(shí)間等其他因素降低誤報(bào)率，提高檢測(cè)系統(tǒng)的可 靠性。在算法中，采用了人工智能算法以提高系統(tǒng)的適應(yīng)性。主要成果包

本發(fā)明提出一種基于MWC系統(tǒng)的盲多帶稀疏信號(hào)快速恢復(fù)算法，首先利用Xampling采樣板獲得壓縮采樣值y[n]，將y[n]乘以一個(gè)高斯隨機(jī)矩陣R，得到傳統(tǒng)的壓縮感知模型V=y[n]R=CU,這種方法避免了原方法中需要做特征值分解的操作，可以有效的減少M(fèi)WC系統(tǒng)中CTF模塊的運(yùn)行時(shí)間，此外，控制高斯隨機(jī)R的列數(shù)在一個(gè)較低水平，可以進(jìn)一步減少矩陣V的列數(shù)，這樣在用M-OMP算法恢復(fù)支撐集的過(guò)程中又能進(jìn)一步的減少運(yùn)行時(shí)間。經(jīng)過(guò)驗(yàn)證，該算法可以大幅度提高CTF模塊的運(yùn)算速度。