医学知识图谱研究与应用综述

医学数据数字化推进过程中,如何选择合适的技术来对医学数据进行高效处理和准确分析,是当今医学领域普遍面临的问题。利用具有优秀联想与推理能力的知识图谱技术来对医学数据进行处理与分析,能更好地实现智慧医疗、辅助诊断等应用。医学知识图谱的完整构建过程包括知识抽取、知识融合和知识推理。其中知识抽取可细分为实体抽取、关系抽取和属性抽取,知识融合则主要包括实体对齐和实体消歧。首先,对现今医学知识图谱的构建技术和实际应用进行归纳整理,针对每一具体构建过程阐明技术发展脉络。在此基础上,对相关技术进行介绍并说明其优点和局限性。其次,介绍几个已成熟运用的医学知识图谱。最后,根据知识图谱在医学领域的技术与应用现状,给出未来知识图谱可进行的技术兼应用性的研究方向。

金属改性生物炭基催化剂催化生物质热解制备生物基芳烃

为了提高芳烃的产率,提高生物油的品质,该研究采用金属改性的生物质来源的活性炭为催化剂,催化生物质热解二维气相重整制备芳烃,探讨了金属的种类(Al、Cu、Zn、Ni)以及金属的负载量(1%、5%、10%)对热解产品的产率以及选择性的影响,同时采用X-射线衍射仪、比表面积和孔径分布仪、化学吸附仪、扫描电子显微镜、傅里叶红外光谱和元素分析等对催化剂进行表征,结果表明:金属改性有效提高了催化剂的活性位点以及酸性,进而通过电子转移和电荷转移相互作用促进脱甲氧基和脱氧反应生成碳氢化合物,不同金属产生的最大碳氢化合物质量分数为:10%Ni/AC催化剂产生的最高为73.78%,其次为5%Zn/AC催化剂,达到了55.14%,10%Cu/AC和5%Al/AC催化剂产生的最少,分别为42.53%和40.75%。高Lewis酸含量的Al促进了烯烃和酚类化合物的生成,低酸性的Cu促进了焦炭含量增加,而高Bronsted酸含量的Zn和Ni促进了单环芳烃的生成,使苯及其同系物、苯酚、烷基酚的选择性增加,脱氧和脱甲氧基效果显著,当Ni的负载量达到10%时,其生成的碳氢化合物的成分占比最高为73.78%,芳烃化合物的成分占比达到67.54%,苯的选择性达到了52.15%,有效提高了生物油的品质。