XiaoMi-AI文件搜索系统
World File Search System南山区
用于体内神经记录的印刷可拉伸液态金属电极阵列
R. Dong、Prof. S. Liu、Prof. X. Jiang 哈尔滨工业大学生命科学与技术学院 中国哈尔滨市南岗区益矿路 2 号 150001 电子邮件：shaoqinliu@hit.edu.cn； jiang@sustech.edu.cn 董荣军，杭聪，陈哲，刘晓玲，钟玲，齐建军，黄勇，蒋晓玲教授 南方科技大学生物医学工程系 中国广东省深圳市南山区学院路 1088 号 518055 王林博士，王林教授，陆英教授 中国科学院脑连接组与操控重点实验室，脑认知与脑疾病研究所 中国科学院深圳先进技术研究院 深港脑科学研究院-深圳基础研究中心 深圳 518055，中国 电子邮件：lp.wang@siat.ac.cn; luyi@siat.ac.cn
ZS3 超声波系统 - 使用说明
ZONARE、ZONARE 徽标、ZS3 和 z.one pro 均为深圳迈瑞生物医疗电子股份有限公司的商标。所有其他商标均属于其各自所有者的财产。ZS3 超声平台及其衍生产品（例如但不限于带和不带 SP UI 选项的 ZS3 和 z.one pro）受以下一项或多项专利保护：6,251,073；6,569,102；6,618,206；6,663,567；6,685,645；6,733,455；6,773,399；6,866,631；6,866,632；6,896,658；6,936,008；6,980,419； 6,997,876; 7,022,075; 7,087,020; 7,226,416; 7,238,157; 7,352,570; 7,361,145; 7,510,529; 7,627,386; 7,382,309; 7,699,781; 8,002,705; 8,226,561; D461,814; D462,446; D467,002; D469,539; D469,877 深圳迈瑞生物医疗电子股份有限公司中国深圳市南山区高新技术产业园科技南十二路迈瑞大厦 邮编：518057
ZS3 超声波系统 - 使用说明
ZONARE、ZONARE 徽标、ZS3 和 z.one pro 均为深圳迈瑞生物医疗电子股份有限公司的商标。所有其他商标均属于其各自所有者的财产。ZS3 超声平台及其衍生产品（例如但不限于带和不带 SP UI 选项的 ZS3 和 z.one pro）受以下一项或多项专利保护：6,251,073；6,569,102；6,618,206；6,663,567；6,685,645；6,733,455；6,773,399；6,866,631；6,866,632；6,896,658；6,936,008；6,980,419； 6,997,876; 7,022,075; 7,087,020; 7,226,416; 7,238,157; 7,352,570; 7,361,145; 7,510,529; 7,627,386; 7,382,309; 7,699,781; 8,002,705; 8,226,561; D461,814; D462,446; D467,002; D469,539; D469,877 深圳迈瑞生物医疗电子股份有限公司中国深圳市南山区高新技术产业园科技南十二路迈瑞大厦 邮编：518057
z.one pro 超声波系统 - 图片
ZONARE、ZONARE 徽标、ZS3 和 z.one pro 均为深圳迈瑞生物医疗电子股份有限公司的商标。所有其他商标均为其各自所有者的财产。z.one pro 超声平台及其衍生产品（例如但不限于 z.one pro 以及带和不带 SP UI 选项的 z.one pro）受以下一项或多项专利保护：6,251,073；6,569,102； 6,618,206； 6,663,567； 6,685,645； 6,733,455； 6,773,399； 6,866,631； 6,866,632； 6,896,658； 6,936,008； 6,980,419； 6,997,876； 7,022,075； 7,087,020； 7,226,416； 7,238,157； 7,352,570； 7,361,145； 7,510,529； 7,627,386； 7,382,309； 7,699,781； 8,002,705； 8,226,561; D461,814; D462,446; D467,002; D469,539; D469,877 深圳迈瑞生物医疗电子股份有限公司 中国深圳市南山区高新技术产业园科技南十二路迈瑞大厦 邮编：518057
拟南芥群体感应信号和模式触发免疫中胼胝质和纤维素的平衡生物合成
1 南洋理工大学生物科学学院，新加坡 637551，新加坡 2 南阿拉巴马大学生物系，阿拉巴马州莫比尔 36688，美国 3 墨尔本大学生物科学学院，维多利亚州帕克维尔 3010，澳大利亚 4 波鸿鲁尔大学生物与生物技术学院，德国波鸿 44810 5 南洋理工大学新加坡环境生命科学工程中心，新加坡 637551，新加坡 6 南方科技大学医学院，深圳市南山区 518055，中国 7 哥本哈根大学植物与环境科学系（PLEN），丹麦 1871 Frederiksberg C 8 哥本哈根大学哥本哈根植物科学中心，丹麦 1871 Frederiksberg C 9 上海交通大学-南京大学杂交水稻国家重点实验室代谢与发育科学联合国际研究实验室上海交通大学生命科学与技术学院阿德莱德农业与健康联合中心, 上海 200240
使用多标签学习和社区检测方法 (DTI-MLCD) 预测药物-靶标相互作用
1 上海交通大学微生物代谢国家重点实验室、生命科学与技术学院，上海 200240；2 深圳市南山区西丽街道万科云城一期 8 号楼鹏程实验室，518055；3 卡尔加里大学 摘要 识别药物-靶标相互作用 (DTI) 是药物发现和药物重新定位的重要步骤。为了降低大量的实验成本，蓬勃发展的机器学习已被应用于该领域并开发了许多计算方法，尤其是二元分类方法。然而，当前方法的性能仍有很大改进空间。多标签学习可以减少二元分类学习所面临的困难并具有较高的预测性能，并且尚未得到广泛探索。它面临的关键挑战是指数级的输出空间，考虑标签相关性可以帮助它。因此，我们通过引入用于 DTI 预测的社区检测方法 (称为 DTI-MLCD) 来促进多标签分类。另一方面，我们更新了2008年提出并沿用至今的金标准数据集。我们在更新前后的金标准数据集上执行了所提出的DTI-MLCD，结果表明它比其他经典机器学习方法和其他基准提出的方法更具优越性，证实了它的有效性。本研究的数据和代码可以在https://github.com/a96123155/DTI-MLCD找到。 关键词：药物-靶标相互作用，数据集更新，多标签学习，标签相关性，社区检测 1.引言 对于药物开发来说，药物发现（即发现潜在的新药）和药物重新定位（即获得具有新功效的旧药）是两个重要且成本高昂的策略[2]，而实现它们的重要步骤就是预测DTI。近年来，许多研究将流行的机器学习技术应用于实现智能医疗，在一定程度上加速了药物开发的进程。对于DTIs预测，利用机器学习技术不仅可以缩小实验研究的实验范围，而且可以对实验研究起到指导作用。近年来有很多综述文章[3-7]总结了机器学习方法在DTIs预测领域的进展，二分类方法是其中一个重要分支。对于二分类方法