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(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(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(shù)服務。自2017年服務器發(fā)表起，我們已為國內(nèi)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(jīng)網(wǎng)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(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.） 致癌性預測服務器首頁 致癌性預測結(jié)果頁 相關(guān)綜述對本服務器的介紹 RF-hERG-Score預測藥物引起的hERG相關(guān)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(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(zhì)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(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(zhì)相互作用預測模型的性能比較 lncRNA-蛋白質(zhì)相互作用預測服務器相關(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，提供一種基于門限的低復雜度MPA算法， 該算法通過設置置信度門限來及時對可靠的碼字進行譯碼，或?qū)Πl(fā)送概率極低的碼字進行 舍棄，從而有效地降低了原始MPA算法的復雜度。

本發(fā)明公開了一種并行 LLL 高維模糊度降相關(guān)算法，首先通過混合利用 Cholesky 下三角 LTL 分解 以及上三角 UTU 分解，提高 LLL 算法針對高維模糊度降相關(guān)的計算效率，增強高維模糊度降相關(guān)的能 力。其次為了得到降相關(guān)能力較強的 Z 變換矩陣，所以在每一次 QR 分解變換過程中，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模糊度協(xié)方差矩陣的行向量按內(nèi)積大小進行升序排序， 而在上三角分解前先對矩陣的列向量按內(nèi)積大小進行降序排列，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程中的取整運算移至在求 Z 矩陣時取整，可以避免算法迭代過程中反復取整而引起 的誤差累積，解決算法發(fā)散的問題，從而進一步提高并行 LLL 算法的計算效率和穩(wěn)定性。 

本成果針對空間目標的運動特征，通過研究目標距離徙動軌跡與 等效運動模型，構(gòu)建了一個欠定的運動方程組，基于全局炳最優(yōu)化準 則求解出目標運動參數(shù)，提出了一種全新的距離對準算法。實驗結(jié)果 表明該算法具有較高的準確性，更重要的是，距離對準過程中不會引 入距離像隨機偏移誤差和高頻相位誤差，這也是應用大轉(zhuǎn)角高分辨成 像方法的前提條件。

隨著計算智能方法得到更廣泛的應用，其從問題本身學習的能力亟待增強。為此，越來越多研究提出使用機器學習模型來驅(qū)動計算智能。通常，這種基于模型的進化算法的性能高度依賴于所采用模型的訓練質(zhì)量。而傳統(tǒng)機器學習方法需要大量訓練數(shù)據(jù)進行模型訓練，而且受維度災難的影響，這類方法通常很難解決維度較高的問題，約束了計算智能方法的應用范疇。課題組在

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

用電設備的最優(yōu)管理是智能電網(wǎng)中實現(xiàn)需求側(cè)響應的關(guān)鍵一環(huán)。然而該問題通常需要同時管理調(diào)度大量的用電設備，同時考慮多個時槽，是一個時間空間耦合的復雜問題，想要在短時間內(nèi)解決該問題十分困難。因此，如何設計合理的算法，提高計算效率，降低計算時間，是目前的研究熱點。?

在串聯(lián)回路中，當電弧或放電現(xiàn)象發(fā)生時，對電流進行頻譜分析，根據(jù)電流 的頻譜特征變化來確定是否有電弧發(fā)生，提供預警信息或保護動作。為了防止在 開關(guān)的瞬間或受到其他脈沖電流的干擾造成電弧故障檢測電路誤動作，同時在頻譜分析的基礎上綜合電弧時間長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、濾波、故障特征提取等模塊。軟件部分包含信號采集、信號 處理、故障判別等模塊，并綜合時間等其他因素降低誤報率，提高檢測系統(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)的盲多帶稀疏信號快速恢復算法，首先利用Xampling采樣板獲得壓縮采樣值y[n]，將y[n]乘以一個高斯隨機矩陣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MWC系統(tǒng)中CTF模塊的運行時間，此外，控制高斯隨機R的列數(shù)在一個較低水平，可以進一步減少矩陣V的列數(shù)，這樣在用M-OMP算法恢復支撐集的過程中又能進一步的減少運行時間。經(jīng)過驗證，該算法可以大幅度提高CTF模塊的運算速度。

為了解決計算機多視幾何中稀疏特征點錯誤匹配導致基本矩陣F精度不高的問題，提出一種RANSAC(RANdom SAmple Consensus)求解F時自動設置內(nèi)點門限的方法。此方法根據(jù)RANSAC求解F矩陣的要素，將固定設置極線距離門限Th的方式改為自動設置，提高了算法的魯棒性。這些要素是圖像對中的稀疏特征點匹配的個數(shù)N、圖像像素多少、初始計算得到的特征點到極線的平均距離Dinit。Th計算采用公式Th = Min(w×N/51200, Dinit/3)，w為圖像的寬，單位為像素。Min為取二者最小值的函數(shù)。門限Th與圖像大小和特征點匹配個數(shù)成正比，圖像越大，匹配越多，Th越大。相對于傳統(tǒng)方法，本方法將固定門限變成了自動設置，可以自適應三維重建不同類型的圖片，更加實用和魯棒。