葡京娱乐场-富盈娱乐场开户

一種用于自由場應力測試的土壓力傳感器標定方法，該方法從構造與土壓力傳感器使用環(huán)境一致的土介質應力狀態(tài)出發(fā)，考慮了土壓力傳感器自身幾何尺寸、與土介質的相互作用以及環(huán)圈儀標定試驗設備邊界等因素的影響，基于環(huán)圈儀側壁和加載板等邊界條件與土壓力傳感器本身引起的土介質應力場改變范圍互不疊加原則確定環(huán)圈儀直徑和高度等關鍵參數(shù)，在此基礎之上制備環(huán)圈儀進行標定試驗，實現(xiàn)了土壓力傳感器在土介質中精確標定的同時兼顧了試驗的工作效率。

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及裝備。本技術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)生產要求等問題；解決了傳統(tǒng)木材改性技術工藝“先干燥-再浸漬處理-再二次干燥”的能耗高的問題。本項目技術獲國家發(fā)明專利授權2項，已在多家企業(yè)應用。

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)療技術股份有限公司合作，用人工智能技術賦能5G超聲設備，增添采集心肺關鍵標準切面的導航以及關鍵參數(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，半個月就獲得了較好的成果。該技術從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。 目前該技術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；植物通過調節(jié)各種性狀，如種子大小、蛋白質含量，調節(jié)動物捕食行為。植物性狀對種子捕食調節(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.藥物毒性預測方法：傳統(tǒng)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(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(fā)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(fā)，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(fā)表多篇學術論文（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(shù)量，從而加快新藥研發(fā)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(fā)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(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(shù)據(jù)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(shù)學建模和機器學習方法開發(fā)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(guī)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(jiān)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：

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(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.藥物毒性預測方法：傳統(tǒng)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(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(fā)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(fā)，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(fā)表多篇學術論文（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(shù)量，從而加快新藥研發(fā)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(fā)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(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(shù)據(jù)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(shù)學建模和機器學習方法開發(fā)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(guī)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(jiān)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：

本發(fā)明提供了一種復制式人工關節(jié)間隔物的制作方法，包括以下步驟：1）首先在容器內鋪設固化劑，將人工關節(jié)假體包裹在容器內的固化劑中，制備人工關節(jié)假體陰模；2）然后向陰模內注入硬化劑制備復制式人工關節(jié)間隔物?？墒孪仍陉幠Ｖ蟹胖媒饘侔艋驂K以增加間隔物的強度。本發(fā)明能在較短時間內精確制備出尺寸和外形與擬選用人工關節(jié)假體一致的間隔物，以縮短手術時間，改善間隔物的作用效果，制備方法經濟且簡便易行。植入的關節(jié)式間隔物可使得患者在術后獲得部分正常的關節(jié)功能，術后滿意度提高。并有效防止了軟組織的攣縮，為再次手術奠定了基礎。

采用前沿的深度學習算法和相關數(shù)據(jù)處理技術，經過不斷優(yōu)化和創(chuàng)新，能夠在極短時間內完成 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。 

（1）建立具有醫(yī)學統(tǒng)計意義的中國人髖關節(jié)解剖學特征數(shù)據(jù)庫 課題組隨機抽取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節(jié)CT掃描（掃描層厚1mm），運用CT圖像處理軟件測量股骨頭直徑、頸干角、偏中心距offset、小轉子中點及其上、下2 0 mm 平面處髓腔寬度、峽部直徑、小粗隆中點到峽部距離、峽部曲度、髓腔閃爍指數(shù)和漏斗指數(shù)等參數(shù)，并與中國北方人和國外人群解剖參數(shù)進行比較。結果顯示：中國西南地區(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，小轉子中點及其上、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）設計基于國人髖關節(jié)解剖學特征的人工髖關節(jié)系統(tǒng) 完成了基于中國人解剖參數(shù)人工髖關節(jié)系統(tǒng)設計。 （3）采用有限元等分析手段，優(yōu)化設計方案，使該人工髖關節(jié)系統(tǒng)適合國人解剖特征，避免低應力集中和應力遮擋。

青少年人工智能資源與創(chuàng)新平臺為激發(fā)青少年利用原創(chuàng)算法解決真實復雜問題的興趣，面向全國中小學發(fā)布覆蓋人工智能主要技術領域的研究問題，設立相應選題。 一、項目分類 關鍵核心技術突破 二、技術分析 主要功能： 資源中心。資源中心包含各個名師人工智能課程及應用案例，還包含各類精品開源軟硬件資源的匯聚。 資訊通知。公告元卓計劃工作的最新動態(tài)及行業(yè)內的最新消息。 直播頻道。邀請專家進行直播互動。 在線編程。可以在網頁頁面中直接編寫代碼和運行代碼。 互動論壇。注冊用戶可以在網站論壇討論課題。