XiaoMi-AI文件搜索系统
World File Search Systemtypes
胰腺癌的单细胞和空间分辨地图集揭示了与临床结果相关的免疫表型
摘要 - 胰腺导管腺癌（PDAC），占胰腺肿瘤的90％的占90％的特征，其预后不良，5年生存率仅为12％。大多数患者被诊断出患有转移性或局部晚期疾病，只有15％有资格进行治疗切除术。PDAC表现出对化学疗法，靶向疗法和免疫疗法的抗性，这主要是由于其高度异质性肿瘤微环境（TME）。在这项研究中，我们对公开可用的SCRNA，空间转录组学和批量RNA测序数据集进行了整合分析，以研究TME组成和肿瘤结构对PDAC进展，治疗反应，治疗反应和临床结果的影响。我们确定了具有不同细胞组成，功能特征和免疫调节性细胞 - 细胞相互作用的TME亚型。在空间上不同的细胞壁细分市场和基因模块揭示了原发性肿瘤和转移性病变的异质性。发现与患者生存相关的独特集群，为TME生物学及其临床意义提供了新的见解。这些发现强调了整合多摩管方法以揭示PDAC TME复杂性的重要性，并强调了其为治疗策略提供信息并改善患者结果的潜力。
深度学习揭示了成人人类肠道微生物组的功能原型，这是个体间变异性和混淆疾病信号的基础
了解肠道微生物组的功能多样性对于解码其在健康和疾病中的作用至关重要。使用深入学习框架，我们确定了三种定义成年肠道微生物组的功能原型，每个原型都以特定的代谢潜力为特征：带有分支链氨基酸和细胞壁合成（原型1）的糖代谢，脂肪酸酸和TCA循环循环代谢（Artype型2）和Armino Acid Acid Acid and nIristy（Armogen nitrisp）（Armogen Mentiast）（Armogen Mentiast）（Armogen Mentiast）。原型接近度与稳定性有关，原型2代表最弹性的状态，这可能是由于其代谢灵活性所致。功能多样性在与疾病相关的微生物特征中成为混杂因素。在炎症性肠病中，我们观察到原型特异性的转移，包括在原型1-主导样本中增加碳水化合物代谢和3种样品原型中的炎症途径，这表明了微生物组靶向的干预措施的不同机会。该框架解决了微生物组研究中的关键挑战，包括个人间
交流材料：建筑行业的混凝土开发
摘要：虽然胚泡sp。是全球人类粪便中最常见的肠道原生动物，有关该寄生虫的频率和循环仍有待研究。这种情况是东南亚的一些发展中国家由于不卫生的条件而显示出更高的寄生虫感染风险。尽管已经进行了几项流行病学调查，例如在泰国，越南等邻国很少或根本无法获得数据。因此，为了确定胚泡sp的患病率和亚型（ST）分布。和阐明寄生虫的传播，在该国进行了第一次分子流行病学调查。为此，总共从Da Nang家族医院招收的患者那里收集了310个凳子标本，然后对存在胚泡SP的存在进行了测试。通过实时聚合酶链反应（QPCR），然后是分离株的亚型。 在此越南队列中，寄生虫的总体患病率达到34.5％。 在寄生虫感染与性别，年龄，有症状状态，与动物接触或饮用水来源之间没有发现显着关联。 在107名阳性患者中，近一半出现了混合感染。 因此，某些相应的样品通过终点PCR重新分析，然后是PCR产物克隆和测序。 在88个总亚量分离株中，ST3占主导地位，其次是ST10，ST14，ST7，ST1，ST1，ST4，ST6和ST8。通过实时聚合酶链反应（QPCR），然后是分离株的亚型。在此越南队列中，寄生虫的总体患病率达到34.5％。在寄生虫感染与性别，年龄，有症状状态，与动物接触或饮用水来源之间没有发现显着关联。在107名阳性患者中，近一半出现了混合感染。因此，某些相应的样品通过终点PCR重新分析，然后是PCR产物克隆和测序。在88个总亚量分离株中，ST3占主导地位，其次是ST10，ST14，ST7，ST1，ST1，ST4，ST6和ST8。因此，我们的研究是东南亚人口中首次报告ST8，ST10和ST14的研究。ST3在该越南人群中的占主导地位，再加上其低的ST遗传变异性，反映了大型人类间传播，而ST1的传播不仅是拟人化的，而且可能与动物或环境来源相关。引人注目的是，考虑到动物起源的分离株（ST6-ST8，ST10和ST14）占亚期分离株的50％以上。这些发现改善了我们对胚泡sp的流行病学和循环的了解。在东南亚，尤其是越南，并强调了该国寄生虫的重大负担，也强调了人畜共动传播的高风险，主要来自家禽和牲畜。
废水恢复系统类型和应用
处理当前全球能源危机影响的最有效方法之一是减少能源消耗并依靠能源管理策略。因此，废热/能量回收可能是降低能源成本和环境效应的有用选择。它需要找到一种实用方法来应用任何工程系统的浪费热量，在该热量中，全球热量的百分比过高。在这种情况下，废水是浪费能量的丰富来源，如果回收，可以大大减少全球使用的电量。在此框架内，本研究论文在性能，设计，工具和应用方面对废水回收系统（WWHRS）进行了彻底的分析。此外，它强调了与WWHR相关的关键要素，包括用于废水恢复的文献中使用的废水来源和方法。此外，本文证明了从排水废水对经济上的热量回收的影响，并讨论了使用WWHR的技术障碍。将证明，从废水中恢复热量的可行性可能会大大降低住宅或工业应用的能源消耗成本。此外，用于热恢复系统的主要工具是使用各种类型的热交换器，并且热换热器的选择强烈影响。最后，所有讨论和介绍的研究都表明，WWHR有很大的好处，可以考虑新的住宅建筑。©2023作者。此外，根据文献综述，研究表明，研究热恢复系统的热性能的方法是实验性和/或数值的，在某些情况下，该研究是通过分析进行的。由Elsevier Ltd.这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。
预计未来的气候强迫植被类型的全球分布
大多数排放场景表明，在未来500年内，温度和降水状态将在全球范围内发生巨大变化。这些变化将对生物圈产生巨大影响，物种被迫迁移以遵循其首选的环境条件，从而移动和分散的生态系统。但是，气候变化影响的大多数预测仅达到2100，这限制了我们对气候影响的时间范围的理解，并可能阻碍了适当的适应性动作。为了解决此数据差距，我们使用一般循环模型在不同的CO 2排放场景下，从2000年至2500年对未来的气候变化进行建模。然后，我们将生物群体模型应用于这些建模的气候期货，以调查全球植被的气候强迫的转变，实施这些建模植被变化所需的迁移的可行性以及基于现代人类的人类土地使用的潜在重叠。在一个公平情况下，多达40％的陆地区域预计将适合于2500。冷适应的生物群落，尤其是北方森林和干苔原，预计将遭受合适面积最大的损失。没有缓解的情况，这些变化可能会对全球生物多样性和提供生态系统服务产生严重的影响。本文是主题问题的一部分，“生态新颖性和行星管理：转化生物圈中的生物多样性动态”。
慢病毒载体假型：改善造血细胞基因修饰的珍贵工具用于研究和基因治疗
摘要：通过将病毒转化为病毒载体，已将病毒重新用于用于基因递送的工具。最常用的载体是慢病毒载体（LVS），这些载体源自人类免疫缺陷病毒，允许哺乳动物细胞中有效基因转移。它们代表了影响造血系统的最安全，最有效的治疗方法之一。LV通过不同的病毒信封（假型）进行修饰，以改变和改善其对不同原发性细胞类型的端主。囊泡口腔炎病毒糖蛋白（VSV-G）通常用于假型，因为它增强了基因转移到多种造血细胞类型中。然而，VSV-G假型LV无法在静态血细胞（例如造血干细胞（HSC），B和T细胞）中赋予有效的转导。为解决此问题，可以将VSV-G交换为其他异源病毒包膜糖蛋白，例如麻疹病毒，狒狒内源性逆转录病毒，Cocal病毒，Nipah病毒或仙境病毒的糖蛋白。在这里，我们提供了这些LV伪型如何改善HSC，B，T，T和自然杀伤（NK）细胞的转导效率，并通过多个体外和体内研究强调了拟型LV提供治疗基因或基因编辑工具的概括性遗传和癌细胞的概述。
对欧洲流感A亚型的流感疫苗有效性：2021 - 2022年I-Move初级保健多中心研究的结果
1。Kissling E，Valenciano M，Buchholz U等。在一个季节，欧洲的流感疫苗效果估计值，具有三种流感类型/亚型循环：I-MOVE多中心病例对照研究，2012/13年流感季节。欧元监视。2014; 19（6）：20701。 doi：10.2807/1560-7917.ES2014.19.6.20701 2。 Kissling E，Valenciano M，Pozo F等。 2015/16 i-Move/i-Move +多中心病例对照研究：针对流感A（H1N1）PDM09的中等疫苗有效估计值和针对儿童中谱系不匹配的流感b的估计值较低。 流感其他RESPI病毒。 2018; 12（4）：423-437。 doi：10.1111/irv.12520 3。 Kissling E，Valenciano M，Cohen JM等。 I-MOVE多中心病例对照研究2010 - 11：欧洲流感疫苗有效性的总体和分层估计。 PLOS ONE。 2011; 6（11）：E27622。 doi：10.1371/journal.pone.0027622 4。 Valenciano M，Kissling E，Cohen JM等。 欧洲大流行性流感疫苗有效性的估计，2009年至2010年：欧洲（I-MOVE）MULTICENTRE病例对照研究的流感监测疫苗有效性的结果。 plos med。 2011; 8（1）：E1000388。 doi：10。 1371/journal.pmed.1000388 5。 Kissling E，Valenciano M，Falc〜Ao JM等。 “ i-move''迈向监视季节性和大流行性流感疫苗的有效性：lesons从欧洲的一项试验性的多中心病例对照研究中学到的，2008 - 9年。 欧元监视。 2009; 14（44）：19388。 doi：10.2807/ese.14.44。 19388-en 6。 2022。2014; 19（6）：20701。 doi：10.2807/1560-7917.ES2014.19.6.20701 2。Kissling E，Valenciano M，Pozo F等。2015/16 i-Move/i-Move +多中心病例对照研究：针对流感A（H1N1）PDM09的中等疫苗有效估计值和针对儿童中谱系不匹配的流感b的估计值较低。流感其他RESPI病毒。2018; 12（4）：423-437。 doi：10.1111/irv.12520 3。 Kissling E，Valenciano M，Cohen JM等。 I-MOVE多中心病例对照研究2010 - 11：欧洲流感疫苗有效性的总体和分层估计。 PLOS ONE。 2011; 6（11）：E27622。 doi：10.1371/journal.pone.0027622 4。 Valenciano M，Kissling E，Cohen JM等。 欧洲大流行性流感疫苗有效性的估计，2009年至2010年：欧洲（I-MOVE）MULTICENTRE病例对照研究的流感监测疫苗有效性的结果。 plos med。 2011; 8（1）：E1000388。 doi：10。 1371/journal.pmed.1000388 5。 Kissling E，Valenciano M，Falc〜Ao JM等。 “ i-move''迈向监视季节性和大流行性流感疫苗的有效性：lesons从欧洲的一项试验性的多中心病例对照研究中学到的，2008 - 9年。 欧元监视。 2009; 14（44）：19388。 doi：10.2807/ese.14.44。 19388-en 6。 2022。2018; 12（4）：423-437。 doi：10.1111/irv.12520 3。Kissling E，Valenciano M，Cohen JM等。I-MOVE多中心病例对照研究2010 - 11：欧洲流感疫苗有效性的总体和分层估计。PLOS ONE。 2011; 6（11）：E27622。 doi：10.1371/journal.pone.0027622 4。 Valenciano M，Kissling E，Cohen JM等。 欧洲大流行性流感疫苗有效性的估计，2009年至2010年：欧洲（I-MOVE）MULTICENTRE病例对照研究的流感监测疫苗有效性的结果。 plos med。 2011; 8（1）：E1000388。 doi：10。 1371/journal.pmed.1000388 5。 Kissling E，Valenciano M，Falc〜Ao JM等。 “ i-move''迈向监视季节性和大流行性流感疫苗的有效性：lesons从欧洲的一项试验性的多中心病例对照研究中学到的，2008 - 9年。 欧元监视。 2009; 14（44）：19388。 doi：10.2807/ese.14.44。 19388-en 6。 2022。PLOS ONE。2011; 6（11）：E27622。doi：10.1371/journal.pone.0027622 4。Valenciano M，Kissling E，Cohen JM等。欧洲大流行性流感疫苗有效性的估计，2009年至2010年：欧洲（I-MOVE）MULTICENTRE病例对照研究的流感监测疫苗有效性的结果。plos med。2011; 8（1）：E1000388。 doi：10。 1371/journal.pmed.1000388 5。 Kissling E，Valenciano M，Falc〜Ao JM等。 “ i-move''迈向监视季节性和大流行性流感疫苗的有效性：lesons从欧洲的一项试验性的多中心病例对照研究中学到的，2008 - 9年。 欧元监视。 2009; 14（44）：19388。 doi：10.2807/ese.14.44。 19388-en 6。 2022。2011; 8（1）：E1000388。doi：10。1371/journal.pmed.1000388 5。Kissling E，Valenciano M，Falc〜Ao JM等。“ i-move''迈向监视季节性和大流行性流感疫苗的有效性：lesons从欧洲的一项试验性的多中心病例对照研究中学到的，2008 - 9年。欧元监视。2009; 14（44）：19388。 doi：10.2807/ese.14.44。 19388-en 6。 2022。2009; 14（44）：19388。 doi：10.2807/ese.14.44。19388-en 6。2022。欧洲疾病预防与控制中心（ECDC），世界卫生组织欧洲区域办公室（WHO/欧洲），世界卫生组织。流感新闻欧洲。2021-22季节概括[Internet]。[引用2022年7月17日]。可从：https：// flunewseurope.org/archives/getfile?fileid = 696 7。世界卫生组织（WHO）。建议在2021 - 2022年北半部流感季节使用流感病毒疫苗[Internet]。2021。可从：https：// www.who.int/publications/i/item/recommended-composition-of-- actryenza-virus-virus-virus-varus-varus-virus-virus-use-use-in-the-the-2021-2021-2022-northern-horthern-horthern-horthern-memisphere-influenza-season 8。Valenciano M，Ciancio B，I-Move学习团队。i-Move：衡量流感疫苗有效性的欧洲网络。欧元监视。2012; 17（39）：20281。 doi：10.2807/ese.17.39.20281-en2012; 17（39）：20281。 doi：10.2807/ese.17.39.20281-en
地热能网络： - 转换我们的热...
“参议员，我们放置广告”一词已成为Facebook在2018年使用人工智能帮助广告工作的标志性提醒。尽管对该主题的意见可能有所不同，但不可否认的是，AI彻底改变了社交网络有效针对客户的能力。但是，许多人难以理解AI，机器学习和深度学习之间的细微差别。参议员Cornyn对Facebook内部运作的困惑对于那些试图掌握这些复杂概念的人来说是一种普遍的经历。要阐明AI，ML和DL之间的差异，必须从技术进步的基本构建基础开始：算法。算法是导致解决问题的顺序列表，就像烹饪方面的食谱一样。指令的顺序很重要，如遵循随机或不一致步骤的荒谬性所举例说明。人工智能可以被视为“假情报”，但该标签并不能公正其能力。而不是将人工称为“错误”或“不是人”，而是更准确地描述为可以从大量数据中处理和学习的高级计算机智能。尽管科学界就“人造”的含义进行了辩论，但可以肯定的是：AI已成为当今技术景观中必不可少的工具。注意：我在保持其原始含义完整的同时重写了文本，引入了偶尔的拼写错误（SE），以避免翻译并保持与原始语言相同的语言。注意：我随机选择了此文本的“添加拼写错误（SE）”方法。使计算机像人类一样思考的追求导致了人工智能（AI）的发展，这使机器能够从经验中学习，适应新的输入并执行类似人类的任务。AI分为三种类型：狭窄或弱的AI，一般AI（AGI）或强AI和有意识的AI。当前正在使用的大多数AI都是狭窄的AI，旨在自动化特定任务并随着时间的推移改善其执行。示例包括自动驾驶汽车，面部识别系统以及智能手机上的准确天气预报。但是，最终目标是创建AGI，这将使机器通常像人类一样思考，并基于学习而不是以前的培训做出决定。这将涉及从经验中独立学习，机器可以学习，推理和做出与人类类似的判断。AGI的发展是一个持续的挑战，有四个测试作为该概念的主要定义：Turing测试，Loebner奖和另外两个尚未赢得的奖品。年度竞赛在各种挑战中相互对抗的年度比赛已经结束。在2007年，苹果联合创始人史蒂夫·沃兹尼亚克（Steve Wozniak）对旨在模仿人类智能的机器人进行了新的测试。根据沃兹尼亚克（Wozniak）的说法，机器人不可能在没有大量学习的情况下真正理解咖啡生产和操作机器的概念。由Ben Goertzel设计的机器人大学学生测试，将机器人放置在模拟的大学环境中，他们必须完成课程工作并通过考试才能展示其能力。这是四个主要方法：1。此测试要求机器人适应新情况并从其经验中学习。在2005年，尼尔斯·约翰·尼尔森（Nils John Nilsson）提出了一种用于图灵测试的替代方法，该方法的重点是评估机器人执行类似人类任务的能力。这种观点强调了理解人工智能发展中人类认知和行为的重要性。在其核心上，机器学习是人工智能的一个子集，它使系统能够在无明确编程的情况下从经验中学习。机器学习有四种主要类型：监督，无监督，半监督和加强学习。监督学习涉及对标记数据进行培训算法以预测未来的结果，就像教儿童基本算术操作或识别对象的图像一样。Machine Learning Through Supervised Learning ----------------------------------------------- The algorithm learns by comparing its actual output with correct outputs to find errors and then modifies the model accordingly.这是通过监督学习来实现的，这是一种在历史数据预测未来事件的应用中使用的常见技术。例如，如果通常错误地计算出6+3，则该机器可以预期该组合可能会产生9的不同结果。可以在日常示例中看到此功能，例如检测欺诈性信用卡交易或确定哪些保险公司更容易提出索赔。监督学习通常分为分类和回归任务。2。3。4。分类涉及识别具有标记数据的模式，而回归侧重于预测连续值。相比之下，无监督的学习在没有正确的输出或输出之间的相关性的情况下进行操作。无监督的机器学习缺乏一组预定义的答案或参考点，需要算法探索数据并发现隐藏的结构模式。这种方法在交易数据中特别有效，例如识别具有针对性营销活动特征相似特征的客户组。对无监督的机器学习的日益兴趣源于其朝着人工智能（AGI）发展的潜力，这是一个比传统狭窄的AI更复杂，更雄心勃勃的目标。通过在没有事先指导的情况下导航问题，AI系统必须仅依靠其逻辑操作才能得出结论。这个过程类似于目睹运动新手，试图通过直接观察来理解规则和策略，而没有现有的知识可以借鉴。无监督学习的最终目标在于它通过利用其固有的认知能力来使机器“自学”的能力。AI算法采用各种学习方法，每种方法都具有其独特的特征和应用。**开/关逻辑**：在这种方法中，AI系统仅依靠其内部逻辑机制来学习而没有任何外部指导。**半监督学习（SSL）**：SSL通过使用标记和未标记的数据来结合受监督和无监督学习的好处。不同类型的AI。当可用的参考数据与不完整或不准确的信息之间保持平衡时，此方法特别有用。通过利用未标记的数据，SSL减少人类偏见并提高结果的精度，同时最大程度地减少成本。**强化学习**：这种动态的编程方法使用奖励和惩罚来训练算法。AI代理人通过与环境互动，获得奖励，以获取正确的行动和对不正确的行为的惩罚。目标是最大程度地提高奖励并最大程度地减少惩罚，从而在特定情况下导致最佳绩效。强化学习使机器能够确定最佳行为并实现预期的结果。**未指定的学习方法**：这种方法涉及使用标记和未标记数据的组合训练AI系统。当可用的参考数据与不完整或不准确的信息之间保持平衡时，该方法特别有用。通过利用未标记的数据，这种方法可以减少人类的偏见，并提高结果的精度，同时最大程度地减少成本。注意：原始文本仅将强化学习视为第四种方法，但似乎省略了另一种学习。如果您打算将半监督学习作为四种方法之一，请指定缺少哪一种方法。重写文字如下：宠物是通过为其学习量身定制的奖励和惩罚而训练的。，如果不这样做，它会因出去外面或鼻子擦拭而收到一种享受。强化学习通常用于游戏，机器人技术和导航。该算法通过反复试验发现了最佳步骤，从而获得了最大的回报。此过程称为马尔可夫决策过程。Facebook的新闻提要是大多数人可以理解的一个例子。Facebook使用机器学习来个性化用户的提要。如果您经常与特定朋友的活动进行互动，则您的提要将开始以更多的朋友的帖子在顶部。如果您停止以相同的方式进行交互，则将更新数据集，并且您的提要将进行相应调整。深度学习是一种专业的机器学习形式，可以模仿人脑在处理数据中的功能并创建决策模式。它也被称为深神经学习或深度神经网络。深度学习使用层次的人工神经网络进行机器学习过程，类似于人脑的工作方式。与传统的程序建立线性网络不同，深度学习系统可以实现数据的非线性处理。标准的机器学习工作流程涉及手动从图像中提取功能。然后将这些功能用于创建用于分类对象的模型。深度学习工作流程不同，因为相关特征会自动提取。深度学习还执行“最终学习” - 它得到了原始数据和一项任务，例如分类，并学习了如何自行完成。在机器学习中，您可以手动选择功能和分类器来对图像进行排序。具有深度学习，特征提取和建模步骤是自动的。AI的两种类型是什么。两种类型的AI。然而，人们对通过深度学习实现人工通用智能（AGI）的潜在陷阱提出了担忧，尤其是基于现实世界中的常识和知识的开放式推理。加里·马库斯（Gary Marcus）的论文总结了关键问题，包括开放式推理中深度学习的局限性以及如果培训数据包含它们，则获得了偏见。这是重写的文本：结果，AI系统经常在其发现和预测中反映这些偏见。尽管对深度学习感到兴奋，但克服这一挑战仍然是一个重大障碍。尽管进步令人印象深刻，但将机器学习不仅仅是识别模式而言，需要花费时间和精力。因此，您拥有它 - 现在您将有能力自信地与朋友或同事在下一次辩论中讨论AI，ML和DL之间的差异。如果没有，我们期待看到有关您受到参议员Cornyn启发的“错误”的幽默模因。如果您正在寻求与该领域保持一致的新角色或为您的公司需要新的人才 - 我们很乐意为您提供帮助。人工智能类型是什么。2人工智能的主要类型。有多少种类型的人工智能。
评估玉米（Zea Mays L.）基因型的遗传变异性和相互关系归因于白人尼罗河状态的基因型，苏丹
玉米是世界许多国家人类生活中卡路里和蛋白质的重要来源，是非洲的主要主食食品，特别是在非洲东部。在苏丹，玉米的低收益主要是由于使用低屈服的陆地。有必要执行繁殖计划，以处理高产，适应性新品种的生产。因此，本研究旨在估计特征之间的遗传变异性，遗传力，基因型性能和相互关系。在2021年和2022年的两个季节中，在农业研究公司（ARC）的WAD MEDANI SUDAN的Kosti White Nile Research Station Farm评估了十种玉米基因型。大多数评估的基因型在11个测得的特征中表现出广泛而显着的变化。在两个季节中，记录了几天的变异和遗传进展的基因型基因型系数，每行耳朵直径（CM），每行谷物数量（T/HA）。记录了高遗传力和遗传进展的谷物产量，耳长，耳朵高度，植物高度，每耳朵的行，耳朵重量，天数至50％的流苏，100粒的重量以及天数至50％丝线。超过了，谷物产量与每耳的行数（r = 0.479），耳朵长度（r = 0.381），100粒重量（r = 0.344）和天数到50％的流苏（r = 0.214）。在整个季节中，最高的五种基因型是TZCOM1/ZDPSYN（4.2 T/HA），EEPVAH-3（4.2 T/HA），F2TWLY131228（4.1 T/HA）（4.1 T/HA），PVA SYN6F2（3.9 T/HA）和MAIMIE SIMIED MAIMIES SURGITION和EEPVAH-9（3.8 T/HA），以使其稳定稳定。释放的声音建议。
上limb运动中的超拟化类型的效果
©作者2023。Open Access本文是根据Creative Commons Attribution 4.0 International许可获得许可的，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您对原始作者和来源提供适当的信誉，请提供与创意共享许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http://creativecommons.org/licenses/4.0/。Creative Commons公共领域奉献豁免（http：//creativecom- mons.org/publicdomain/zero/zero/1.0/）适用于本文中提供的数据，除非在数据信用额度中另有说明。