XiaoMi-AI文件搜索系统
World File Search SystemKA
参考 - ETD UGM
H.，Anshori，I.，Febriana，E.，Firdiyono，F.，Sulistiyono，E.，Prasetyo，A。B.，Lusiana和Astawa，I。N. G. P.（2024）。减少了氧化石墨烯/纳米 - 硅氧基石（RGO/N-SIO2）纳米复合材料，用于具有高循环稳定性的超级电容器的电极材料。南非化学工程杂志。 Rout，L.，Kumar，A.，Dhaka，R.S.，Reddy，G.N.，Giri，S。，＆Dash，P。（2017年）。 bimetallic南非化学工程杂志。Rout，L.，Kumar，A.，Dhaka，R.S.，Reddy，G.N.，Giri，S。，＆Dash，P。（2017年）。 bimetallicRout，L.，Kumar，A.，Dhaka，R.S.，Reddy，G.N.，Giri，S。，＆Dash，P。（2017年）。bimetallic
![特别项目7 [开幕式]第1 jsh-tasl-kasl（...](/simg/3/31ba74131027a51c42407fca46b3ba23aeac0d9d.webp)
安德鲁·戴维斯（Andrew Davis） - ukaea的多物理学
英国原子能管理局成立于1954年，当时英国政府成立了一个新机构来监督美国的核研究计划。角色是为英国的原子武器提供威慑，并为未来的核电站开发反应堆技术。
（Jurnal Ilmiah Perikanan Dan Kelautan）
一个淡水鳗（Anguilla spp。）被分类在Anguillidae家族中，并将其包括在Catadromous组中。这项研究旨在确定线粒体DNA的COI基因序列，分析遗传距离和系统发育学，并表征Kuari River Bengkulu中淡水鳗鱼栖息地的物理和化学参数。这项研究是从2020年11月至2021年4月进行的。条形码EEL物种中使用的方法是使用PCR（聚合酶链反应）的DNA分离，DNA扩增，电泳和MTDNA中COI基因区域的测序。在35个循环中，从PCR的结果中获得了COI mtDNA基因片段30秒。对EEL样品AM3和AM4的BLASTN分析与Anguilla Marmorata的相似性最高为99.82％-100％，而样品AB2-AB5表示，与Anguilla Bengalensis的标识最高99.84％-100％。系统发育物种表明Anguilla Marmorata和Anguilla Bengalensis形成了两个不同的亚群体。Bengkulu Kuari河的水品质是温度26.5-27.5°C，pH 7.1-8.7，溶解氧6.19-9.54 mg l-1，亮度21-47 cm，ammonia，ammonia 0.16-0.41 mg l-1，总碱性20–52 mg l-1，33-1，TDS 33-1，TDS M. 0.3-0.4 PPT和水速度0.5-0.8 ms-1。通过将COI基因的DNA序列与GenBank中的现有数据库进行比较，DNA条形码中的COI基因非常适合用于鉴定Anguilla SPP物种。
书目 Agustini，AI (2018)。影响 ...
西登巴萨 I 健康中心提供纯母乳咨询前后情况（助产学系博士论文，2018 年）。 Brets，R.（2008 年）。学习媒体及其应用。英语：英语。
SREKA 靶向脂质体用于高转移性乳腺癌治疗
摘要 化疗仍然是各种肿瘤的主要治疗方法，由于转移，化疗通常伴有不良预后。含有 CREKA 靶向部分的聚乙二醇化脂质体是众所周知的治疗剂，尤其是在高度转移的实验模型中。CREKA 专门针对存在于原发性和转移性肿瘤部位的肿瘤相关 ECM。为了更好地了解靶向部分的功能，我们决定设计各种脂质体配方，其中不同数量的靶向部分附着在其 DSPE-PEG 分子上。此外，设计了一种新的肿瘤归巢五肽 (SREKA)，并设计了一种 SREKA 和 DSPE-PEG 之间的新型结合策略。首先，研究了载药脂质体的体外增殖抑制及其货物的细胞摄取。然后，测量了小鼠血液中的脂质体稳定性和不同组织中的药物积累。此外，还检查了不同脂质体制剂在体内的肿瘤生长和转移抑制效力。根据我们的比较研究，SREKA-脂质体在配制后具有统一的表型，并且具有与 CREKA-脂质体相似的特性和肿瘤归巢能力。然而，在结合过程中将 N 端半胱氨酸交换为丝氨酸可提高产量，并且在与 DSPE-PEG 结合时具有更好的稳定性。我们还表明，SREKA-脂质体对原发性肿瘤生长和转移发生率有显著的抑制作用；此外，还提高了荷瘤小鼠的存活率。此外，我们提供的证据表明，附着在 DSPE-PEG 上的靶向部分的数量在很大程度上决定了脂质体的稳定性，因此它在毒性和靶向性方面起着重要作用。
哈萨克语的释义模型
本文旨在通过研究两个最先进的生成模型（扩散模型和变压器）的适应来弥合这一差距，以在哈萨克州进行文本生成。扩散模型（例如denoising扩散概率模型）在英语的高质量和多样化的文本生成中显示出令人鼓舞的结果[2]。这项研究为哈萨克语和土耳其语的自然语言处理领域做出了宝贵的贡献，为确定语法类别提供了工具。它的优势在于使用机器学习算法和广泛的数据集，这些算法与语言处理的复杂性以及算法适用性的潜在局限性相平衡[3]。同样，在下游任务上进行了微调的经过验证的变压器在各种NLP基准测试中占主导地位[4]。尽管在释义数据集上进行了一些工作[5]。该研究重点介绍了基于样本的机器翻译的基本方面：确定句子之间的相似程度。这涉及将输入句子与数据库中的相应示例对齐，选择该句子的片段，然后对其进行调整或释义以产生预期的翻译[6]。所审查的文章介绍了搜索系统中信息检索技术的新的语言和算法解决方案的开发，考虑到语法和语义的元素，包括turkic文本[7]。该文档提供了总结哈萨克文文本的方法的详细描述[8]，这些研究并不能解决我们解决的问题。此外，还有一些努力在哈萨克语[9]中定义语义上的单词[9]，以及使用生成的预先训练的预先训练的变压器对哈萨克语文本生成的一些初步工作，THR研究涉及对哈萨克语的文本生成模型的经验评估，其特征在于其有限的资源和复杂的形态[10]。研究研究了哈萨克语的语法特征[11]。然而，这些作品都没有全面解决哈萨克（Hazakh）的文本发电挑战，这是一种低资源，形态上丰富的突厥语。
