XM-307肌肉定点、动点、动态模型   XM-307肌肉定点、动点、动态模型由骨盆矢状切和股骨小腿骨、足骨连接而成，并分别在髋关节、膝关节和踝关节处装上转动轴将它们连成下肢骨关节，利用富有弹性的乳胶发泡制成股后肌群(半腱肌、股二头肌长头)和腓肠肌，按其起点、止点的位置分别将它们安装在下肢骨关节上制成该动态模型，可利用此模型演示说明肌肉的定点、动点概念及演示肌肉收缩中定点、动点的可变性。 尺寸：自然大，15×17×96cm 材质：PVC材料

苏州点通教育科技有限公司是一家专注于教育信息化技术、教育互联网科技产品及多媒体互动技术研究、开发和推广的综合型高科技企业，是中国探索和践行智慧教育理念与方法的先行者！ 点通教育秉承“用心服务教育，用爱帮助孩子！”的理念，以促进教育公平、教育均衡和优质教育资源共享为发展目标，立足于中国教育国情的发展并在努力研发的同时产品和服务又保持与国际教育前沿接轨，让教师可以更加轻松高效地教学，让孩子可以更加轻松愉快地学习！ 点通教育的研发团队大多数来自国内外的知名科技公司，是一个有着非常丰富的工作经验和创新激情的高科技团队，目前为止已累积申请国内外发明技术专利25件。  

南京恒点信息技术有限公司(以下简称“恒点”)是一家专注人工智能软件及教育装备的研发、生产、咨询、营销、服务的高新技术企业。公司提供虚拟仿真、人工智能、空间智能、具身智能等最新教育软件及装备，赋能高等教育、职业教育数字化转型，为教育及政企单位的实验实训教学和管理质量提升，持续输出教育新质能力。 公司为教育用户、行业用户、政企单位提供各岗各专业的智能实验实训空间的整体设计方案及教育实施方案。在智能数字教师、教师AI应用能力培训、新型研创中心、AI+XR赋能专业实训中心建设、MOOT(大规模在线实训平台)、"AI+虚拟仿真"赋能智慧实验课程建设、未来学习中心建设、虚拟仿真实训基地、XR数字融合创新设计中心、未来学习中心、人工智能典型案例建设、产教融合实训条件、产学合作、中文+职业教育等方面，为客户提供虚拟仿真课程、智慧实验、智慧实训、智能+智慧教学、碎片化实验实训、虚拟现实专业课程、AI教研与学习空间、智能数字教师、教育大模型、教师AI教学素养、数字教材等产品和服务。恒点产品和服务现已走进全国300+所学校，服务师生800000+，更多案例持续增长中。 恒点坚持自主创新，建立了内容、软件和硬件的统一标准。现已拥有自主知识产权的虚拟资源生成编辑引擎、实训平台、交互追踪、MR空间互联和显示硬件等关键技术，使公司能够提供全方位的解决方案，确保产品和服务的质量和一致性。恒点拥有一支稳定、优秀的研发团队，目前，共有员工80余名，其中50%为专业技术人员，20%为教育教学研究人员。 高等教育：恒点每年新增160余项虚拟仿真一流课程定制案例，累计800余项，涉及电气工程、航空航天、武器装备、医学、中医药、中文教育、智能制造、管理、文学、思政、建筑、土木工程等40余个专业方向。 职业教育：参与支持20所国家级职业教育示范性虚拟仿真示范基地建设。累计180余个“AI+XR”虚拟仿真专业建设方案，涉及：智能制造、护理、医学影像、新能源汽车、机电一体化、旅游、数字电商、非遗文化、数字媒体技术、航空、虚拟现实、环艺、应急安全、思政党建等。 公司产品从AI内容引擎、课程编辑器工具等内容创作软件到具身智能终端、空间智能应用平台等智能装备，构建产品生态，打通教育应用的各个环节。通过向行业产业公司输出生产开发能力，整合资源开发企业，进行大规模、高标准的资源开发。智能技术与行业需求双驱动，布局产品生态，从技术源头化解“信息孤岛”、“兼容度低”、“资源匮乏”、“体验感差”、“终端单一”等虚拟仿真教育行业痛点。 以服务之恒心 点亮教育之未来

选址中国由北京址点科技发展有限公司倾力打造，致力于搭建企业与园区之间的信息共享平台，为企业选址提供真实、可靠、细致、专业、高效的选址服务，以及信息咨询、经纪服务、顾问服务。为企业解决问题，节约时间。 选址中国拥有10年以上产业地产服务经验，坚持以企业为本，将经验与数据结合，为企业匹配最合适的空间。 核心团队均来自知名产业地产运营商、国际一流企业服务机构、权威咨询公司，力图为企业选址提供多维度分析。 选址中国先后在环渤海、长三角、珠三角、西南等地区，北京、天津、上海、重庆、广州、武汉、沈阳、成都、无锡等三十多个城市为57个产业园区提供咨询服务并发表了100余篇区域及产业研究报告、企业选址报告。能够针对不同企业的需要，匹配孵化器、创投园、厂房、土地、科技园、商务园、总部园等各种空间形态，让专业与资源并驾齐驱。

XM-307肌肉定点、动点、动态模型   XM-307肌肉定点、动点、动态模型由骨盆矢状切和股骨小腿骨、足骨连接而成，并分别在髋关节、膝关节和踝关节处装上转动轴将它们连成下肢骨关节，利用富有弹性的乳胶发泡制成股后肌群(半腱肌、股二头肌长头)和腓肠肌，按其起点、止点的位置分别将它们安装在下肢骨关节上制成该动态模型，可利用此模型演示说明肌肉的定点、动点概念及演示肌肉收缩中定点、动点的可变性。 尺寸：自然大，15×17×96cm 材质：PVC材料

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：

本发明的目的在于克服现有技术的不足，提供一种基于门限的低复杂度MPA算法， 该算法通过设置置信度门限来及时对可靠的码字进行译码，或对发送概率极低的码字进行 舍弃，从而有效地降低了原始MPA算法的复杂度。

本发明公开了一种并行 LLL 高维模糊度降相关算法，首先通过混合利用 Cholesky 下三角 LTL 分解 以及上三角 UTU 分解，提高 LLL 算法针对高维模糊度降相关的计算效率，增强高维模糊度降相关的能 力。其次为了得到降相关能力较强的 Z 变换矩阵，所以在每一次 QR 分解变换过程中，变换系数矩阵要 获取较小的整数值，因此在每次下三角分解前先对模糊度协方差矩阵的行向量按内积大小进行升序排序， 而在上三角分解前先对矩阵的列向量按内积大小进行降序排列，由此求得的 Z 变换降相关性能更佳。最 后把算法正交变换过程中的取整运算移至在求 Z 矩阵时取整，可以避免算法迭代过程中反复取整而引起 的误差累积，解决算法发散的问题，从而进一步提高并行 LLL 算法的计算效率和稳定性。 

随着计算智能方法得到更广泛的应用，其从问题本身学习的能力亟待增强。为此，越来越多研究提出使用机器学习模型来驱动计算智能。通常，这种基于模型的进化算法的性能高度依赖于所采用模型的训练质量。而传统机器学习方法需要大量训练数据进行模型训练，而且受维度灾难的影响，这类方法通常很难解决维度较高的问题，约束了计算智能方法的应用范畴。课题组在