葡京娱乐场-富盈娱乐场开户

本成果采用最新的深度學習和分子模擬算法，結合新一代分子特征化方法，開發了多種計算機模型，可用于藥物開發中的多個階段，為藥物的快速設計開發提供一個完整的基于人工智能的解決方案。 成果：1.藥物毒性預測方法：傳統的化合物毒性檢測技術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測，所需投入較少，但產出巨大。特別是基于化合物的物理化學和結構特性的計算模型，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。在進行體外和體內試驗之前先使用計算機模型對化合物進行大規模的毒性篩選，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/, 致癌性預測)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突變性預測)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性預測)的預測服務器，這些服務器能夠為使用者提供更高效更便捷的預測技術服務。自2017年服務器發表起，我們已為國內外藥物分子設計研究者提供了5000多次共計超過20多萬個化合物的毒性預測服務。在有機化合物毒性預測研究方向，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、水生生物毒性預測模型，以及糖尿病早期篩查模型的開發，正在進行P450酶阻滯劑性預測模型、基于圖神經網絡的毒性預測算法研究、基于分子對接的化合物毒性預測研究等。相關研究成果已發表多篇學術論文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次數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.） 致癌性預測服務器首頁 致癌性預測結果頁 相關綜述對本服務器的介紹 RF-hERG-Score預測藥物引起的hERG相關心臟毒性 2.藥物設計方法：在計算機上對藥物靶點和藥物分子的結構和活性建模，計算藥物與靶點之間的相互作用關系，從而設計出具有治療作用的藥物。計算機輔助藥物設計可以為藥物設計各階段的實驗方案提供有意義的指導，減少需要通過實驗評估的候選藥物的數量，從而加快新藥研發速度。我們應用分子對接、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計、并開發更有效的計算機輔助藥物設計方法。在計算機輔助藥物設計研究我們主要完成了流感病毒M2質子通道蛋白抑制劑虛擬篩選方法研究，正在進行先導化合物生成模型研究、基于機器學習的虛擬篩選打分函數算法開發、SARS-CoV-2病毒S蛋白與受體相互作用及藥物設計研究。 特異性重打分函數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合。lncRNA-蛋白質相互作用的實驗研究需要大量資源。累積的實驗數據使得通過計算方法預測lncRNA-蛋白質相互作用成為可能。我們使用各種數學建模和機器學習方法開發了幾種用于預測lncRNA-蛋白質相互作用的新模型。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則化Logistic矩陣分解），LPI-BNPRA（雙向網絡投影推薦算法），LPI-ETSLP（基于特征值變換的半監督鏈路預測），HLPI-Ensemble（集成學習）。在交叉驗證中，我們的模型獲得了較好的預測性能。 lncRNA-蛋白質相互作用預測模型的性能比較 lncRNA-蛋白質相互作用預測服務器相關軟件著作權：

圖1. 礦識的4個頁面 a: 選取待識別的礦物，可現場拍照獲取或從手機相冊中選取 b: 截取待識別礦物中心圖 c: 輸入便攜硬度儀測量或經驗估計所得的硬度值后得到識別結果 d: 可以不使用硬度值，僅用圖片進行識別 表1 礦識與其他相關工作的對比 圖片類型 相關研究 性能 可識別礦物數 準確率(%) Raman spectroscopy 拉曼光譜 Computers & geosciences 2013 6 83.0 Microscope 顯微鏡 Sensors 2019 4 90.9 Mathematical and Computational Applications 2011 5 93.9 Photo 相機圖片 Artificial Intelligence in Theory and Practice, 2008 6 91.0 Minerals 2019 12 74.2 photo & hardness 相機圖片+硬度 礦識 36 90.6   表2 礦識能夠識別的36種礦物及其準確率 礦物名 樣本數  僅用圖片識別的正確數 結合圖片與硬度識別的正確數 Agate瑪瑙 5 5 5 almandine鐵鋁榴石 6 4 4 azurite藍銅礦 2 1 2 beryl綠柱石 1 1 1 chalcopyrite黃銅礦 2 1 2 cinnabar辰砂 1 1 1 copper銅 2 2 2 fluorite螢石，氟石 11 8 10 galena方鉛礦 3 2 3 halite石鹽 1 1 1 hematite赤鐵礦 8 1 5 malachite孔雀石 6 5 5 opal歐泊 1 1 1 orpiment雌黃 3 1 3 pyrite黃鐵礦 6 5 6 quartz石英 4 4 4 sphalerite閃鋅礦 1 0 0 stibnite輝銻礦 8 7 8 sulphur硫磺 2 2 2 total 73 52 65 Accuracy \ 71.2% 89%    

本平臺基于SAAS云模式，以大數據與人工智能技術為支撐，解決了多中心醫學健康研究、藥物試驗、慢病管理、隨訪管理等各類臨床數據采集與分析問題，集成了輕量級項目管理、多終端靈活病例采集、支持隊列與隨機對照的臨床試驗設計、數據采集、數據質控、生物樣本庫、數據統計分析以及臨床資料數據存儲管理等功能，有效提高臨床科研、流行病調查、臨床試驗和健康隨訪的流程化數據全生命周期的管理效率，保障了臨床數據真實性和有效性。平臺提供了項目管理、臨床業務管理（隨訪管理、隊列數據采集、隨機試驗、流程規劃、慢病管理）、盲法設定、郵件提醒（微信掃描）、CRF表庫管理、受試者管理（電子病歷管理與知情同意書）、數據分析、數據高級檢索、生物樣本庫管理、數據集管理與共享、知識庫管理、平臺門戶（新聞公告）、公開注冊、微信集成與智能通知、用戶管理、機構倫理審核與管理、日志管理、字典管理、菜單管理、角色管理、數據留痕等服務，幫助快速配置和積累各臨床科室CRF表和數據采集（教育培訓）流程規劃，形成臨床大數據采集、管理與分析平臺，提供全生命周期的臨床數據服務，服務于醫院隨訪管理、隊列研究、臨床評價、醫學健康調查、慢病管理、健康管理等各類臨床業務，積累臨床大數據資源，促進醫學科學發展。

項目成果/簡介:數據采集技術可穿戴傳感器是接觸式傳感器。加速度傳感器測量運動加速度，心率、血壓和血氧傳感器檢測心率、血壓等生理數據。可將不同的傳感器集成在智能手環、腳環、腰帶等可穿戴設備中，以實現加速度、角速度和生理等數據的采集；物體和環境傳感器是非接觸式傳感器，常見的物體傳感器基于RFID技術，通常用于身份、物流等信息的識別。常見的環境傳感器有聲音傳感器、磁力計、氣壓傳感器、溫濕度傳感器和PM 2.5傳感器等，實現各種環境信息的采集。多模態傳輸技術LPWAN (Low-Power Wide-Area Network，低功率廣域網絡)在LPWAN技術出現以前，通信技術已經有多種類別，短距離的有wifi、藍牙、zigbee等，長距離的則有2G、3G、4G、5G等，但是如果把這些無線通信技術按照功耗與傳輸距離這兩個維度劃分的話可以發現在功耗低、距離遠這個范圍的技術還欠缺，而LPWAN技術的出現正好彌補了這個短板。       LPWAN可分為兩類：一類是工作于未授權頻譜的LoRa、SigFox等技術；另一類是工作于授權頻譜的基于蜂窩組網的通信技術，比如eMTC、LTE Cat-1、NB-IoT等。LPWAN 專為低帶寬、低功耗、遠距離、大量連接的物聯網應用而設計。最具前景的LPWAN技術——NB-IoT和LoRa：物聯網（IoT）應用需要考慮諸多因素，例如節點成本、網絡成本、電池壽命、數據傳輸速率(吞吐率)、延遲、移動性、網絡覆蓋范圍以及部署類型等，可以說沒有一種技術可以滿足IoT所有的需求。NB-IoT和LoRa兩種技術具有不同的技術和商業特性，也是最有發展前景的兩個低功耗廣域網通信技術。這兩種LPWAN技術都有覆蓋廣、連接多、速率低、成本低、功耗小等特點，都適合低功耗物聯網應用。LoRa （Long Range）:   一個LoRaWAN網絡架構中包含了終端、基站、NS(網絡服務器)、應用服務器這四個部分。基站和終端之間采用星型網絡拓撲，由于LoRa的長距離特性，它們之間得以使用單跳傳輸，終端節點可以同時發送信息給多個基站。基站則對NS和終端之間的LoRaWAN協議數據做轉發處理，將LoRaWAN數據分別承載在了LoRa射頻傳輸和TCP/IP上。NB-IoT（Narrow Band Internet of Things）NB-IoT構建基于蜂窩網絡，只消耗大約180KHz的帶寬，可直接部署于GSM網絡、UMTS網絡或LTE網絡。NB-IoT是IoT領域一個新興的技術，支持低功耗設備在廣域網的蜂窩數據連接。NB-IoT支持待機時間長、對網絡連接要求較高設備的高效連接。NB-IoT具備四大特點：一是廣覆蓋，將提供改進的室內覆蓋，在同樣的頻段下，NB-IoT比現有的LTE網絡增益提升20dB，覆蓋面積擴大100倍；二是具備支撐海量連接的能力，NB-IoT一個扇區能夠支持10萬個連接，支持低延時敏感度、超低的設備成本、低設備功耗和優化的網絡架構；三是更低功耗，NB-IoT終端模塊的待機時間可長達10年；四是更低的模塊成本，企業預期的單個接連模塊不超過5美元。數據分析技術人工智能研究的各個分支，包括專家系統、機器學習、進化計算、模糊邏輯、計算機視覺、自然語言處理、推薦系統等。2012年以后，得益于數據量的上漲、運算力的提升和機器學習新算法（深度學習）的出現，人工智能開始大爆發。機器學習是一種實現人工智能的方法，深度學習是一種實現機器學習的技術。機器學習是用大量的數據來“訓練”，通過各種算法從數據中學習如何完成任務。深度學習本來并不是一種獨立的學習方法，但由于近幾年該領域發展迅猛，一些其特有的學習手段相繼被提出（如殘差網絡），因此越來越多的人將其單獨看作一種學習的方法。深度學習的各種算法已成為行為識別主要應用的技術，傳感器采集的各類信號，通過卷積神經網絡、循環神經網絡等分類，識別出坐、走、跑、跳、上下樓等日常行為，也可以實現對被監護者摔倒等異常行為的檢測。應用范圍:家居智慧控制，提高舒適度：家庭生活狀態統計和日常需求預測與推薦；多模態行為分析和數據采集和傳輸系統；多模態行為數據采集和分析平臺；基于LoRaWAN/5G的工廠環境、農業大棚等環境監測系統。技術成熟度:通過中試

本儀器是紡織總會作為纖維細度及含量測定的標準儀器，利用先進的光學和計算機圖像處理系統來測量各種纖維直徑和分析纖維表面的綜合儀器。是毛、麻、棉紡、化纖、羽絨行業、畜牧業，商檢、纖檢系統的必備檢驗設備。 本儀器具有圖像清晰、分辨率高、檢測快速可靠的特點。可在普通實驗室條件下穩定工作及可將測量到的原始數據，利用數據處理平臺進行分類統計，獲得最終定量分析結果并可打印輸出數據報表及直方圖。 技術規格： 1．投影系統，采用放大500倍，符合國際標準A方法檢測和國家標準B方法檢測。目視系統可放大960倍。 2．計算機顯示系統：光學成像CCD轉化成數字圖像，并由計算機專用軟件對數字圖像進行處理。 3．內置纖維平均直徑、變異系數、標準偏差計算，根據國家標準GBl0685—89、國際標準RS0137-85制定。 測量范圍為2-200μm，圓型截纖維；測量精度±0．5μm；測量重復性±0．1μm：測量速度500根／10min。

本實用新型公開了一種基于單片機控制的智能液晶遙控風扇系統裝置。包括按鍵模塊、電源模塊、液晶顯示模塊、紅外遙控模塊、輸出控制模塊、負離子發生模塊和單片機，其中：所述單片機采用T46R47單片機，為八位高性能精簡指令集單片機，具有多輸入/輸出口；所述電源模塊為系統提供穩定的直流電源，將單相交流電經過阻容降壓，半波整流電路，濾波電路和穩壓電路轉化成穩定的直流電源；所述液晶顯示模塊用于系統狀態的顯示；所述紅外遙控模塊由發送和接收兩個部分組成。本實用新型具有液晶顯示功能，利用傳感器可顯示室內溫度；風速可進行調

可以量產/n汽車制造業目前的裝配線物料采用按序批量供給方式，存在線邊零部件庫存大、占地需求大、效率低、易產生漏裝與錯裝等弊端。該項目攻關重點聚焦混流物料并行配送調度、動態路徑規劃與實時沖突消解、物料傻瓜式撿配與全流程驗證、柔性化物料配送裝置與配送線用戶定制重組等難點，研制了乘用車柔性裝配線物料智能配送系統，廣泛應用于汽車制造行業，促進了其技術水平的提升。該項目成果已通過湖北省科技廳組織的鑒定，已獲授權發明專利2項，授權實用新型專利5項，軟件著作權2項。

鐵路勘測設計一體化、智能化是系統地研究和建立以數字化信息為基礎，以計算機應用技術拉通勘測設計全過程為主要特征的新的生產作業模式。所以，該系統應將使用各種勘察手段所采集的鐵路線路及其相關的地形、地理、地質、水文等資料加工成數字化信息，通過接口界面進行信息處理并傳輸到工程數據庫中。先進的計算機網絡必須覆蓋各專業CAD終端，各專業在集成化設計環境中共享工程數據的信息，完成本專業設計，同時輸出數字化和可視化的設計成果，供后序專業應用。設計完成后，全部CAD設計電子文件通過網絡直接歸檔，從而實現鐵路勘測設計一體化。隨著各專業設計專家系統的建成與不斷完善，再實現勘測設計智能化。在一體化新的作業模式下，勘測設計的全過程可以理解為對一般數字化信息流的采集、加工和擴充的過程。外業的勘測和勘探資料是這股數字化信息流的源頭，各專業的設計工作是對信息流的加工和擴充。最終完成的數字化信息就是設計成果和歸檔資料。設計與管理所面向的不再是原來的書面資料和圖紙，而是在工程數據庫統一管理下，在網絡的終端上有序受控流動的數字化信息流。所以，實現勘測設計一體化的過程就是從以非數字化為基礎的現有作業模式向以數字化為基礎的新的作業模式轉化的過程。實現這一轉化需要建立新的勘測設計流程，研究解決新模式帶來的一系列技術層面和管理層面的關鍵問題。 1)勘測設計資料數字化是新的生產作業模式的基礎，只有后道工序需用計算機處理的資料是數字化的資料，才能保證整個設計過程形成數字化的信息流。這就需要外業勘測時盡量利用各種測量儀器的數字化功能，使第一手資料即是數字化的形式，同時資料整理必須利用計算機來完成，才能獲得滿足內業設計要求的數字化勘測成果。為了實現外業數字化勘測，重點應研究以下問題：充分開發利用航測、全站儀及各種遙感設備的數字化功能；研究既有地圖如何實現高精度、高清晰度掃描數字化處理；開發在勘測現場的鐵路線路初步設計方案比選系統，改變外業隊的作業方式，建立與數字化勘測相適應的裝備水平、勞動組織、作業內容和管理制度。 2)建立工程數據庫是新的生產作業模式的核心，新模式與原有模式的重大區別之一就是外業與內業之間、各專業這間需要共享的數據都要通過數據進行存取，所有的設計成果都由數據進行保存與管理。所以，如何開發一個符合鐵路勘測設計行業特點、功能強大的工程數據庫管理系統是本項目研究的一個重點。為此，需要研究與解決以下關鍵技術問題：做好標準化工作，制定鐵路勘測設計一體化數據格式標準，規定每個專業的哪些數據需要進；如何處理非結構化數據；如何制定適應鐵路勘測設計特點的數據結構。 3)建立鐵路勘測設計集成化設計環境是新的生產作業模式的關鍵，新模式與原有模式的重大區別之一，就是全部內業設計均在集成化設計環境中進行。設計集成化環境是以計算機網絡為平臺，工程數據為核心，設計流程管理為主線，各專業設計軟件與程序數據庫接口為主要內容的計算機集成應用體系。為此，需要研究與解決以下關鍵技術頭題：建設技術先進的計算機網絡系統；研究出一種適應各種軟件和各種數據需求的專業設計軟件與工程數據庫的接口方案；開發設計流程管理系統，保證整個設計在受控，有序的條件下進行。從而實現完全消除專業間書面資料的往來傳動，每個設計人員在自己的計算機站點上就可完成設計和前后工各種間的信息交換。 4)建成計算機檔案管理系統是新的生產作業模式的重要內容，新模式與原有模式的重大區別之一，就是全部電子設計文件采用光盤存儲并由計算機管理。計算機檔案管理可實現在網絡環境下直接檢索、查詢、瀏覽和下載電子檔案文件，并為電子設計文件重復利用提供了極大的方便。為此，需要研究與解決以下關鍵技術問題。正確處理管理型軟件與管理方式之間的關系，就是說，所編的檔案管理軟件應滿足行業的需要，適應各設計院在檔案管理上存在種種差別的實際情況，而不是讓各設計院改變檔案管理方式來適應所編的軟件；能瀏覽各種格式的電子文件，使軟件具有良好的實用性。 5)采用人工智能技術是實現鐵路勘測設計智能化的主要途徑。傳統CAD技術的特點是輔助設計人員進行計算與繪圖，沒有智能功能。總結國內外經驗后，我們認為，以專家系統、智能CAD為主要內容的人工智能技術在鐵路設計中的應用是實現鐵路勘測設計智能化的主要途徑。鐵路選線是帶全局性的非常錯綜復雜的設計問題，一直以人工以驗為主進行設計，只能對有限的方案進行研究，設計周期長，推薦方案往往不是最優的。所以，必須要研究鐵路新線設計智能CAD系統，以提高設計質量。采用綜合地質勘探方法來解決特定的工程地質問題被證明是行這有效的。由于綜合地質勘探模式有幾十種，采用哪一種模式來解決某一個具體工程地質問題往往是很復雜的、模糊的。采用的模式不適合，就不能有效地解決問題，所以要研究鐵路地質綜合勘探方法專家決策支持系統，以顯著提高地質工作質量