产品特性： 国际认证 鉴证品质 地板通过国际篮联认证，权威佐证优异的品质与运动性能。 专业纹路 防滑安全 专业水晶沙纹路，确保面层出色的摩擦力，且有助于汗液分散，有效降低运动摔倒风险、安全抑滑。 改性新材料 环保健康 采用改性树脂新材料，通过抗细菌性、抗霉菌性、耐污性专业检测，重金属含量符合国家标准；低热反射、不吸汗、无湿气、不产生滞留气味，100%健康环保。 加厚耐磨结构 耐用耐久 1.3mm以上的耐磨层厚度，确保地板耐磨更耐用。 改性新配方 防止出油抗老化 配方升级、工艺改性，地板室外应用抗紫外线照射、耐酸碱、耐高低温（耐高温可达100℃，耐低温可达—40℃），耐候性优异；有效防止出油、抗老化。 重型夹带 超强稳定 重型设计夹带结构，地板韧性强、尺寸稳定性高，有效防止地板收缩、变形、断裂等情况。 高致密发泡 缓冲隔潮 加厚低倍率设计发泡层，致密性高，韧性出众，保证良好的弹性脚感及缓冲性，并且可有效阻隔基底水汽的吸收。 发泡底板密实处理的背封设计如虎添翼，更好保证地板防潮防水。 施工简单 保养方便 胶水+连接带搭配的独特施工工艺，确保场地稳固性高。颜色自由搭配，尺寸随心裁剪，受气候影响较少，适用于多种基础地面铺设，施工便捷；日常清洁及保养方便。

大连普视科技有限公司是大连高新区的一家提供在线教育信息化解决方案的领导者。作为Mediasite的中国独家总代理，大连普视科技有限公司于2015年起向中国高校、基础教育和企业领域提供专业的信息化教育解决方案和服务支持。公司主营：MediasiteRecorder和EVP（Mediasite视频管理平台）。

智慧课堂 ⋅ 方案背景 现在的多媒体已经逐渐普及走入到每一个普通教室，形式一般是投影白板和教学一体机，师生们在享受多元化教学的同时，也在不断的累积着困扰——光污染对学生视力的影响、上下推拉黑板对老师体力的耗费、与脑海里对黑板外观固有认识的违背、无法粉笔书写带来的困扰……UCN智能黑板方案在上述背景下应运而生，它采用全球领先的纳米触控技术将传统的手写黑板和多媒体设备相结合，在粉笔板书和多媒体应用之间轻松切换。 智慧课堂 ⋅ 功能场景 泛普智慧课堂是当前各学校信息化建设普遍使用的方案：以纳米触控黑板作为核心设备，尊重老师使用习惯的前提下，帮助不同年级、不同学科的教师轻松实现互动多媒体教学，提高课堂趣味性，实现真正的交互式教学模式。 配套专业教学软件和管理平台，还可扩展添加实物展台功能，随时将学生作业、试卷等实物内容信息传送到智能黑板上进行讲解和批注，打造更便捷、互动的新型教学环境，是国家“三通两平台”建设下各校的标配方案。

产品介绍 UCN纳米智能黑板，是一个集成纳米触控、高清大屏显示、电脑主机、普通黑板、电视电脑等诸多功能于一身的多媒体教学平台。它尊重师生使用习惯，将传统教学黑板和可感知交互的智能黑板无缝对接，既可全屏粉笔书写，又具多媒体教学功能，操作模式简洁，同时内置专业教学软件、应用平台及管理平台，老师可灵活运用教学工具，分享调用优质教学资源，远程管理维护升级，已被广泛应用在教育教学领域，适用于各学龄段。 产品特点 自主知识产权 拥有纳米触控膜和纳米智能黑板的自主知识产权; 视力保护 表面防眩光玻璃+自主研发纳米涂层，保证超大可视角度，且有效过滤有害光线 全方位安全设计 拟态纯平表面、四周圆角设计，高强度钢化玻璃，防水防尘抗外力冲击; 多种书写方式 普通粉笔/白板笔/电容笔/手指触控，尊重老师教学习惯;拟态纯平表面、四周圆角设计，高强度钢化玻璃，防水防尘抗外力冲击; 双系统，大尺寸 配备Windows与Android双系统 搭载软件平台 内置自主研发的教学应用平台和管理平台，海量教学资源，同时提供远程设备管理与维护; 磁性吸附 左右两侧支持磁性材料吸附，方便非电子类教材展示; 显示窗口，一键下移 液晶显示窗口高度可调整下移，触控不受影响，适应不同老师身高; 产品参数

产品介绍 UCN纳米智能黑板，是一个集成纳米触控、高清大屏显示、电脑主机、普通黑板、电视电脑等诸多功能于一身的多媒体教学平台。它尊重师生使用习惯，将传统教学黑板和可感知交互的智能黑板无缝对接，既可全屏粉笔书写，又具多媒体教学功能，操作模式简洁，同时内置专业教学软件、应用平台及管理平台，老师可灵活运用教学工具，分享调用优质教学资源，远程管理维护升级，已被广泛应用在教育教学领域，适用于各学龄段。 产品特点 自主知识产权 拥有纳米触控膜与纳米智能黑板自主知识产权 视力保护 表面防眩光玻璃+自主研发纳米涂层，保证超大可视角度，且有效过滤有害光线 全方位安全设计 拟态纯平表面、四周圆角设计，高强度钢化玻璃，防水防尘抗外力冲击; 多种书写方式 普通粉笔/白板笔/电容笔/手指触控，尊重老师教学习惯;拟态纯平表面、四周圆角设计，高强度钢化玻璃，防水防尘抗外力冲击; 双系统，大尺寸 配备Windows与Android双系统。 搭载软件平台 内置自主研发的教学应用平台和管理平台，海量教学资源，同时提供远程设备管理与维护; 磁性吸附 左右两侧支持磁性材料吸附，方便非电子类教材展示; 显示窗口，一键下移 液晶显示窗口高度可调整下移，触控不受影响，适应不同老师身高;

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；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.）致癌性预测服务器首页致癌性预测结果页相关综述对本服务器的介绍RF-hERG-Score预测药物引起的hERG相关心脏毒性2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。特异性重打分函数显著虚拟筛选性能显著较高筛选出两个候选抑制剂3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。lncRNA-蛋白质相互作用预测模型的性能比较lncRNA-蛋白质相互作用预测服务器相关软件著作权：

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。 成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；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.） 致癌性预测服务器首页 致癌性预测结果页 相关综述对本服务器的介绍 RF-hERG-Score预测药物引起的hERG相关心脏毒性 2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。 特异性重打分函数显著虚拟筛选性能显著较高 筛选出两个候选抑制剂 3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。 lncRNA-蛋白质相互作用预测模型的性能比较 lncRNA-蛋白质相互作用预测服务器相关软件著作权：

简介： 抗体药物是生物制药中复合增长率最高的，2019年全球研究抗体市场规模为34亿美元，预计在预测期内复合年增长率为6.2％。原研药二次改造获得成药性更好的药物分子（bio-better）是抗体和细胞因子药物研发的突破口。人工智能技术广泛应用在靶点筛选、分子进化、临床各阶段研究、产品上市后的活动中。 我们开发的智能抗体设计平台，包括 抗体序列注释分析、抗体翻译后修饰位点的预测、抗原线性表位预测、抗体结构的预测与优化、 抗体-抗原相互作用的预测、抗体分子的设计与改造。高效的完成抗体亲和力成熟、稳定性优化和人源化改造等。  优势： 1、研发成本节约3-5倍，时间节省5倍，筛选成功率提升6倍 2、可以帮助指导、设计实验，减少消耗，加快速度，提高准确率 3、计算方法已经得到了实验从正、反两方面的验证。 图1：深度学习算法预测蛋白质相互作用时界面氨基酸配对:成功率72.1% 图2：计算相互作用得到了实验从正、反两方面的验证

抗体药物是生物制药中复合增长率最高的，2019年全球研究抗体市场规模为34亿美元，预计在预测期内复合年增长率为6.2％。原研药二次改造获得成药性更好的药物分子（bio-better）是抗体和细胞因子药物研发的突破口。人工智能技术广泛应用在靶点筛选、分子进化、临床各阶段研究、产品上市后的活动中。我们开发的智能抗体设计平台，包括 抗体序列注释分析、抗体翻译后修饰位点的预测、抗原线性表位预测、抗体结构的预测与优化、 抗体-抗原相互作用的预测、抗体分子的设计与改造。高效的完成抗体亲和力成熟、稳定性优化和人源化改造等。 优势：1、研发成本节约3-5倍，时间节省5倍，筛选成功率提升6倍2、可以帮助指导、设计实验，减少消耗，加快速度，提高准确率3、计算方法已经得到了实验从正、反两方面的验证。