XM-YES新生儿生长发育指标评定测量及护理模型   功能特点： ■ XM-YES新生儿生长发育指标评定测量及护理模型（儿科常用体格指标测量模拟人）为整体婴儿，体表标志明显，便于操作。 ■ 采用高分子材料制成，环保无污染，肤质仿真度高。 ■ 婴儿体格检查：身长、体重、头围、胸围、腹围、上臂围等，测量值均在该月龄的数值范围内。 ■ 可练习婴儿抱持、包裹、换尿布、穿衣、擦浴、清洁五官、皮肤护理等多项护理操作。

XM-YES新生儿生长发育指标评定测量及护理模型   功能特点： ■ XM-YES新生儿生长发育指标评定测量及护理模型（儿科常用体格指标测量模拟人）为整体婴儿，体表标志明显，便于操作。 ■ 采用高分子材料制成，环保无污染，肤质仿真度高。 ■ 婴儿体格检查：身长、体重、头围、胸围、腹围、上臂围等，测量值均在该月龄的数值范围内。 ■ 可练习婴儿抱持、包裹、换尿布、穿衣、擦浴、清洁五官、皮肤护理等多项护理操作。

XM-F24骨盆测量示教模型   一、功能特点： ■ XM-F24女性骨盆测量示教模型采用高分子材料制成，仿真度高。 ■ 模型为女性成人骨盆，真实尺寸大小，解剖结构精确。 ■ 包括髋骨、骶骨、骶岬、尾骨、坐骨棘、坐骨结节、骶髂关节、髂耻隆突、耻骨联合及第4、5腰椎等结构。 ■ 可显示骨盆腔的三个平面：骨盆入口平面、中骨盆平面、骨盆出口平面。 ■ 骨盆测量示教：入口前后径、入口横径、入口斜径、小平面前后径、坐骨结节间径。   二、标准配置： ■ 女性骨盆测量操作模型：1个 ■ 说明书：1册 ■ 保修卡合格证：1张

实验原理 本实验的目的是熟悉材料的拉伸应力与应变之间的关系。通过转动传感器和力传感器，灵敏测量测试样品所受的拉伸量和拉力。PASCO Capstone软件可实时测量拉伸过程中所产生的应力与应变曲线，从曲线图上可进一步测得杨氏模量，弹性区，塑性区，屈服点等参数。   仪器概述 在该实验中学生可通过增加拉力来测试不同直径钢丝的力学性质。样品两端被紧密地固定，通过转动手柄使得样品沿一个方向拉升，在拉升的过程中力传感器测量力臂所施加的力，最大可测的拉力为250N，同时转动传感器实时测量样品的伸长量，采用PASCO Capstone软件可以计算出应变和应力的大小，并画出相应的曲线，在弹性区内应力和应变的斜率就是杨氏模量。弹性型变和塑性型变的分界点就是屈服点，这个点也可以从PASCO Capstone软件中得出。   仪器特点 采用传感技术和数字化采集分析技术，可较为灵敏地实时测量与分析材料的应力与应变的关系 材料拉力小型测试台，兼容PASCO Pasport系列转动传感器（PS-2120A）和力传感器（PS-2104） 手拧螺钉固定样品，使更换样品变得更为方便   技术参数 项目 技术参数 材料拉力小型测试台 包括底座，样品架，力杠杆臂等结构； 力杠杆臂采用5：1结构，可使力传感器最大测量到250N； 拉伸行程范围：27mm； 摇柄每转一圈行程：1mm； 手拧螺钉固定样品，方便更换试件； 同时兼容PASCO无线传感器与有线传感器 无线转动传感器 角度分辨率：0.18° (0.00314 弧度) 线性分辨率：0.0157 mm (当使用半径5mm滑轮附件时) 滑轮附件的三档直径：10, 29，48 mm 轴径：6.35 mm 最大转速：30转/秒 光学编码器：2000 分区/转，双向 充电电池：锂聚合物 连接方式：直连USB或通过蓝牙4.0 无线力/加速度传感器 受力量程: ±50 N （力杠杆臂结构下可拓展至250N） 分辨率：0.03 N 精度：0.1 N 加速度量程：±16 g 电池：可充电锂聚合物 连接方式：直连USB或蓝牙4.0 传感器带有数据存储功能，可进行离线数据采集，可在测试之后再进行下载。 测试样品组 包含三种不同直径的钢丝样品 每种样品10根   实验内容与典型实验数据 多种金属材料应力-应变关系测量 计算材料的杨氏模量 找出材料的弹性区，塑性区，屈服点和断裂点等参数，并分析材料特性   订购列表 型号 描述 数量 BEX-8104 材料拉力与杨氏模量测量实验装置 1 不包含在BEX-8104中的必备件： UI-5400 PASCO Capstone软件 1 PS-3500 USB蓝牙适配器 1   部件列表 部件型号 部件描述 数量 BEM-5229 材料拉力小型测试台 1 PS-3220 无线转动传感器 1 PS-3202 无线力/加速度传感器 1 BEM-5230 材料拉力测试样品组 1   包装清单 实验装置1套（见部件清单），手册1本。

成果介绍本发明公开了一种虚拟家装室内场景设计中的阴影渲染方法。包括阴影映射图生成步骤，半影估计步骤，基于泊松碟采样的百分比渐近滤波步骤，最后通过加入漫反射环境光，生成具有真实感的虚拟家装室内场景阴影效果图。本发明方法能够高效且能改善阴影映射图锯齿走样的问题。技术创新点及参数本发明提供一种真实感强烈，生成了场景中物体的软阴影而且速度快， 可以满足虚拟家装实时渲染要求的虚拟家装室内场景设计中的阴影渲染方法。市场前景本发明方法结合阴影映射图与百分比渐进滤波技术实现虚拟室内家装 的实时阴影效果渲染，不仅能够生成具有真实感的家装室内设计中的阴影渲染，而且 不会随着场景中三维物体复杂度增加而增加，无需预处理能够满足实时应用需求。该 技术对计算机虚拟现实在虚拟家装领域的应用具有重要意义。

本成果以专利形式体现（专利号 201310723968.2 ），生命科学大多以微生物为研究对象，有很多物种都是近缘的，无法用普通方法区分，本方法通过 PCR 方法可以快速区分，建立了一种设计特殊引物的方法。

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：