Cloud-MRI 系统整合了分布式云计算、6G 带宽、边缘计算、联邦学习和区块链技术，旨在解决 MRI 数据存储安全、传输速度、AI 算法维护、硬件升级和协同工作的问题，从而提高诊断准确性和工作效率。

Oct, 2023

本研究旨在设计一种算法，通过实施贪心和 A * 搜索等 AI 策略，自动化分析骨架蛋白 NMR 数据，以解决后基因组时代在了解新发现基因编码的许多未知蛋白质的结构和功能信息方面所面临的挑战。

Jun, 2015

通过使用人工智能的智能信号处理方法，我们展示了人工智能在核磁共振应用中超越传统技术的新机遇。我们开发和训练了几个人工神经网络，应用在我们的新工具箱 MR-Ai 中，解决了三个 “不可能” 的问题：仅使用传统 Echo/Anti-Echo 方案中 Echo（或 Anti-Echo）调制进行象限检测；获取由任何给定方法处理的光谱中每个点信号强度的不确定性；以及定义一个无需参考的评分来定量评估核磁共振光谱质量。我们的发现突显了人工智能技术改变核磁共振处理和分析的潜力。

May, 2024

Brainchop 是一款前瞻性的浏览器神经影像工具，采用预训练的全脑深度学习模型，可实现对结构性 MRI 的体积分析，无需技术专长或繁琐的设置程序，同时保护端用户的数据隐私和居留权；此外，该前端工具具有可扩展性、低延迟、易于操作、跨平台兼容性和更高的可访问性。本论文概述了 Brainchop 的处理流程，并评估了模型在各种软件和硬件配置下的性能，结果表明在资源受限的浏览器环境下，借助稳健的 MeshNet 架构，客户端处理体积数据是可行的。

Oct, 2023

本文介绍了一个基于云平台的系统，旨在通过共享原始数据和云端快速后处理来提取用户定义的新特性，以实现计算材料科学社区的数据共享和新见解。

Aug, 2022

利用迭代自训练的深度学习模型，我们提出了一种预测原子二维核磁共振（NMR）位移并标记实验光谱峰值的方法，该方法能准确处理中等和大分子，包括多糖。

Mar, 2024

本研究介绍了一种基于化学语言处理技术的云实时平台，该平台利用从 MolFormer 中推断出的分子嵌入来筛选感兴趣的分子；通过平台的三个任务，最近邻检索、化学空间可视化和属性预测，可以自动化化学和化学工程研究，并协助药物发现和材料设计任务。

Aug, 2022

本文提出了一种在无需进行结构阐明的情况下，利用核磁共振（NMR）数据直接对化合物进行分类的方法，使用卷积神经网络（CNN）进行分类，并表明深度学习可以解决化学信息学中的自动化问题。

Nov, 2022

在此论文中，研究者介绍了一种新方法 QNet，它使用深度学习来准确计量 Magnetic Resonance Spectroscopy (MRS) 中存在挑战的代谢物信号，通过直接预测非完美因素和背景信号来降低最终的计量问题的复杂性，并在大量测试数据和健康体内数据中得到验证和应用。

Jun, 2023

分子表示学习（MRL）是一种将分子转化为数值表示并保留其化学特性的功能强大的工具，在机器学习和化学科学之间架起了桥梁。在糖科学领域，MRL 方法的探索相对较少，这主要归因于糖特定数据集的有限可用性和缺乏针对糖数据所提出的机器学习流程。为了解决这个挑战，推动糖科学的进展，丰富 MRL 社区的数据资源，我们引入了 GlycoNMR，其包含两个经过精心策划的数据集，共有 2,609 个糖结构和 211,543 个标注的核磁共振（NMR）化学位移以进行精确的原子级预测。我们针对这个问题定制了特定于糖的功能并改进了现有的 MRL 模型，在我们的新数据集上对四种修改后的 MRL 模型进行了基准测试。

Nov, 2023