新冠肺炎下《汽车三维建模基础》远程竞教结合模式探索

当前严峻的新肺炎疫情下,为实现“停课不停教,停课不停学”的目标,文章提出使用互联网远程教学,并通过广泛流行的大学生机械创新竞赛以及创新创业竞赛,与机械类设计较为紧密的三维设计建模的教学相结合,创造性地探索出新的具有专业特色的远程竞教结合的教学模式,将创新理念融入到教师教学和学生学习与实践当中去。     

COVID-19疫情对我国港航业发展影响的调查和应对措施

针对2020年春节期间发生的新型冠状病毒肺炎(COVID-19)疫情给我国的经济发展带来严重影响的状况,为客观地了解此次疫情对我国港航业发展的影响,以广州航运交所开展的问卷调查收集的数据为样本,对与此次疫情相关的数据进行梳理分析。在此基础上,结合已有研究,提出在该疫情的影响下港航业应采取的应对措施。统计分析结果表明,面对不确定性因素,提振市场信心是对恢复港航企业发展最有效,也是最容易忽视的因素,在应对该疫情过程中,需予以重视。     

GM-CSF基因修饰的卵巢癌细胞NuTu-19/GM-CSF的构建

目的构建能分泌表达粒细胞-单核细胞集落刺激因子(GM-CSF)的卵巢癌细胞NuTu-19/GM-CSF。方法将T-h GM-CSF重组质粒转化入感受态大肠杆菌中,筛选出耐药性单克隆菌落送测序。利用PCR技术扩增出GM-CSF目的基因片段,将PCR产物连入pGEM-T easy载体,转化入大肠杆菌中扩增,用SDS碱裂解法提取Teasy-GM-CSF重组质粒,用限制性内切酶酶切Teasy-GM-CSF重组载体,连入经相同酶酶切的pLXSN反转录病毒载体中。用磷酸钙沉淀法转染PA317包装细胞系进行病毒包装,用含有病毒的上清液感染卵巢癌NuTu-19细胞,经G418加压筛选感染成功的NuTu-19/GM-CSF细胞,用免疫细胞化学和ELISA法检测NuTu-19/GM-CSF分泌表达GM-CSF蛋白的情况。结果T-h GM-CSF重组质粒测序结果与GenBank Accession#:NM_000758基因序列对比后确定为人类GM-CSF基因编码序列;PCR产物酶切电泳在Mark 400-500 bp中有一条带,符合GM-CSF基因序列长度;重组Teasy-GM-CSF质粒用EcoRⅠ、BamHⅠ限制性内切酶酶切后,电泳鉴定在400-500 bp之间有一目的条带,重组反转录病毒质粒pLGM-CSFSN酶切电泳有目的条带;G418加压筛选感染后的NuTu-19细胞,14 d后慢慢形成单克隆继续生长;免疫细胞化学检测到感染成功的NuTu-19细胞膜表面有明显的棕褐色颗粒沉淀,ELISA法检测细胞培养上清液中GM-CSF的质量浓度为150 pg/mL。结论成功构建了能分泌表达人GM-CSF蛋白的卵巢癌细胞NuTu-19/GM-CSF,为以后研究卵巢癌免疫治疗提供必备、有效、可靠的工具基础。     

新冠肺炎疫情对铁路货运的影响及对策探讨

2020年初的新冠肺炎疫情对供应链上下游企业影响的波及,导致全社会货运量均受到不同程度的影响.在分析疫情对铁路货运量的影响基础上,针对货运总体需求下降、运输组织效率有待提高、营销激励机制有待加强等问题,通过畅通信息渠道、快速应对市场需求变化、建立"互利共赢"合作机制促进企业复工复产,通过加强运输组织、优化货运产品结构提...     

新冠肺炎疫情下对我国应急交通运输体系的思考及建议

应急交通运输是国家应急管理体系的重要组成部分,但其在新型冠状病毒肺炎疫情防控中暴露出一定程度的不足。为完善我国应急交通运输体系,首先剖析了我国应急交通运输体系存在的问题,即应急物资保障能力不足、重大疫情防控救助措施和手段有待提升、重大疫情联动响应机制尚需优化等;然后,总结了美国和日本应急运输的经验做法;最后,提出完善我国应急交通运输体系的一些政策建议,如进一步完善顶层设计,在交通运输部常设国家应急管理交通运输协调中心,充分发挥交通运输的社会性功能,优化联动响应机制等。     

美国大流行性流感防控机制对我国交通运输部门防控新冠肺炎疫情的启示

通过对《美国大流行性流感国家战略》《大流行性流感国家战略实施计划》《大流行性流感准备、响应和恢复指南——重点基础设施和关键资源》等3份文件核心要点的解读,介绍了美国联邦运输部在大流行性流感防控中发挥的作用及采取的措施,提出美国大流行性流感防控机制对我国交通运输部门防控新型冠状病毒肺炎疫情的启示,包括：借鉴美国大流行性流感防控理念,完善我国交通运输部门应对突发公共卫生事件的机制;建议我国交通运输部门在充分总结现有经验的基础上,参考美国大流行性流感防控体系,制订我国交通运输业防控大流行性传染病的顶层计划,为应对未来疫情暴发做好准备;在疫情防控过程中和疫情结束后,始终加强科学研究,通过大数据分析等手段,科学决策,完善各类政策、法规和标准。     

推进交通运输治理现代化:论应对新冠肺炎疫情的中国交通之治

面对新冠肺炎疫情防控人民战争、总体战和阻击战的重大考验,交通运输行业主动担当、积极应对,充分发挥了有力的支撑保障作用,同时也暴露出了一些问题与不足。面对新冠肺炎疫情“大考”,首先,系统总结了“中国交通之治”的积极成效与经验,并进一步剖析存在的主要问题及其原因;其次,在全面把握疫情防控对交通运输治理深远影响的基础上,提出了推进交通治理体系和治理能力现代化面临的重大机遇与挑战;最后,从树立“交通之志”、汇聚“交通之智”、完善“交通之制”、成就“交通之治”等四个方面,提出了加快推进交通运输治理体系和治理能力现代化的政策建议。研究成果可为交通运输部门深化治理改革与管理决策提供参考。     

新冠肺炎疫情下我国海港卫生防控机制的完善

国际范围内新冠肺炎疫情的持续升级不断冲击着我国海港的卫生防控.经过半年以来的疫情防控,我国海港卫生防控机制虽逐步优化,但仍存在一些问题.文中通过总结海港卫生防控机制的要素,剖析其中不足之处,提出完善我国海港卫生防控机制的具体措施.     

COVID-19 Interpretable Diagnosis Algorithm Based on a Small Number of Chest X-Ray Samples

The COVID-19 medical diagnosis method based on individual's chest X-ray (CXR) is achieved dif-ficultly in the initial research,owing to difficulties in identifying CXR data of COVID-19 individuals.At the beginning of the study,infected individuals' CXRs were scarce.The combination of artificial intelligence (AI)and medical diagnosis has been advanced and popular.To solve the difficulties,the interpretability analysis of AI model was used to explore the pathological characteristics of CXR samples infected with COVID-19 and assist in medical diagnosis.The dataset was expanded by data augmentation to avoid overfitting.Transfer learning was used to test different pre-trained models and the unique output layers were designed to complete the model training with few samples.In this study,the output results of four pre-trained models in three different output layers were compared,and the results after data augmentation were compared with the results of the original dataset.The control variable method was used to conduct independent tests of 24 groups.Finally,99.23％ accuracy and 98％recall rate were obtained,and the visual results of CXR interpretability analysis were displayed.The network of COVID-19 interpretable diagnosis algorithm has the characteristics of high generalization and lightweight.It can be quickly applied to other urgent tasks with insufficient experimental data.At the same time,interpretability analysis brings new possibilities for medical diagnosis.     

Multi-Model Ensemble Deep Learning Method to Diagnose COVID-19 Using Chest Computed Tomography Images

Deep learning based analyses of computed tomography (CT) images contribute to automated diagnosis of COVID-19,and ensemble learning may commonly provide a better solution.Here,we proposed an ensemble learning method that integrates several component neural networks to jointly diagnose COVID-19.Two ensemble strategies are considered:the output scores of all component models that are combined with the weights adjusted adaptively by cost function back propagation;voting strategy.A database containing 8347 CT slices of COVID-19,common pneumonia and normal subjects was used as training and testing sets.Results show that the novel method can reach a high accuracy of 99.37％ (recall:0.9981;precision:0.9893),with an increase of about 7％in comparison to single-component models.And the average test accuracy is 95.62％ (recall:0.9587;precision:0.9559),with a corresponding increase of 5.2％.Compared with several latest deep learning models on the identical test set,our method made an accuracy improvement up to 10.88％.The proposed method may be a promising solution for the diagnosis of COVID-19.