XM-416-2静脉立体结构模型   XM-416-2静脉立体结构模型以中静脉组织结构光镜立体模型图设计而成，采用静脉的一段端，模型呈园筒状，从内向外分别显示内膜、中膜和外膜，内膜薄，内弹性膜不明显，中膜比动脉中膜薄很多，外膜较厚，由结缔组织组成，无外弹性膜。 尺寸：放大，18.5×15.5×23cm 材质：PVC材料

XM-416-1动脉立体结构模型   XM-416-1动脉立体结构模型以中动脉组织结构光镜立体模式图设计而成，采用动脉一段端，模型呈园筒状，从内向外分别显示内膜、中膜和外膜，内膜主要显示内皮、内皮下层和内弹性膜，中膜有多层平滑肌和外弹性膜，外膜由疏松结缔组织和成纤维细胞及毛细血管。 尺寸：放大，18.5×15.5×23cm 材质：PVC材料

XM-408心肌超微结构模型   XM-408心肌超微结构模型从心肌纤维的纵切和横切面以及游离部分超微结构的形式显示：肌节、明带（Ⅰ）、暗带（A）、H带M膜、Z膜、粗丝和细丝及它们在肌节中的分布位置，还显示相邻肌纤维（肌细胞）之间的连接（即闰盘）的主体结构。 尺寸：放大，27×22×37cm 材质：PVC材料

产品详细介绍根据ASTM B311、B328，MPIF Standard 42、57，JIS Z2505、Z2506，GB÷T5163等海内规范，采用阿基米得原理浮力法原理，直读所测粉末冶金生胚件、烧结件和含油轴承的密度、有效孔隙率、体积和含油率。 　　QL－120P 粉末冶金生胚密度计，高精准度粉末冶金密度计，台湾玛芝哈克（matsuhaku） 粉末冶金生胚密度计厂家推荐，专业测试各种粉末冶金生胚件、烧结制品和含油轴承的密度、孔隙率、吸水率和含油率。 粉末冶金结构件体积密度测试仪 QL－120P的规格参数：1、型号：QL－120P（另有QL－300P、QL－600P两种型号的机型可选）2、称重范围：0。001g～120g（另有称重范围为0。01g～300g、0。01g～600g可选）3、密度解析精度：0。0001 g÷cm34、测量时间：约10秒5、测试种类：粉末冶金生胚件、烧结件和含油轴承，及各种固体、颗粒体、薄膜、浮体QL－120P 高精准度粉末冶金密度计，密度测试精度为万分之一（0。0001g÷cm3），秉承测量值高精准度、操作方便、设计简单吝啬、故障率低、经久耐用；等理念，专门为粉末冶金行业设计！ 　　 QL－300Q轴承含油率检测仪、轴承含油率测试仪采用阿基米德原理浮力法。只有三个步骤，自动显示含油率，改变传统人工计算的方式，勤俭时间、更快速、更方便。可直接测量含油轴承的含油率，测量精度高达0。001，非常相宜转动部件的铜基、铁基、铁铜基等含油轴承含油率、孔隙率等方面的检测。测量快速、专业、精准、方便！ 含油轴承含油率测试仪QL－300Q的技术参数：1：测量范围：0。01g～300g2：油率解析：0。1％3：度精度：0。001 g÷cm34：试时间：约5秒5：试种类：粉末冶金含油轴承，粉末冶金生胚、毛坯件、烧结成品等6：粉末冶金含油轴承、压铸件、铜套，可直接读取其含油率；7：对粉末冶金烧结成品等，可直接读取产品的视密度和体积；8：针对粉末冶金生胚、毛坯件等，可应用煮沸法、真空抽取饱和法，准确快速读取产品的体密度、湿密度、比重、有效孔隙率和体积； QL－300Q轴承含油率检测仪免掀盖精致一体成型铝合金测量平台，透明水槽。精度更高、操作更简便、更快速、更人性化，更符合新材料实验室作业规范。可显示混淆物主要材质含量百分比，相宜新材料研究与开发。能自动判定待测样品合格与否，具有报警提示功能。可应用于：铜基、铁基、铁铜基含油轴承；铜基、铁基、铁铜基结构轴套；不锈钢合金基轴承、打印机齿轮、压缩机齿轮、缝纫机零件、抽风机、电扇之轴承相关零组件；等材料的含油率密度，比重检测。 

 在本研究工作中，该团队利用信息论和统计物理两个领域中熵的相关理论，对网络结构预测极限进行了研究。直观地说，一个可以仅用几个词描述的网络结构意味着它很简单，其边也很容易预测。例如二维晶格或一维链状结构。相反，如果一个网络需要很长的语言才能描述清楚，那么它应该具有非常复杂的结构，其结构很难预测。在计算机领域，任何网络的结构都可以被编码成二进制字符串。这启发了团队探寻最短二进制编码字符串长度，也就是熵，和可预测性之间的关系。       通过研究，该团队发现来自不同领域，很多大小不一的网络，其结构的最短压缩长度和可预测性之间存在一个普遍的线性关系。基于香农信源编码定理，该团队在随机网络上证明了这种线性关系。       进一步，利用这一线性关系，该团队推导出网络结构预测算法的性能上界，揭示出包括机器学习在内的预测算法性能尚存在多大的提升空间。因此，该性能界可用于指导未来在线商业推荐系统、蛋白质相互作用探测等场景中的算法设计。另外，该理论的一个有趣的用途是，可以实现在无需任何预测算法的情况下，通过网络结构压缩数据大小来估计一个网络数据集的商业价值。 

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：