‘壹’ 卢煜明研究成果
在牛津大学攻读医学期间，卢煜明对传统的产前孕妇诊断检查方法——羊膜穿刺术，提出了质疑。他思考能否利用孕妇自身的血细胞进行检测，经过几个月的深入研究，他发现孕妇血细胞确实含有胎儿的DNA，然而含量非常微小，无法直接用于医学诊断。尽管多年努力，他在提升孕妇血细胞中胎儿DNA含量方面并未取得突破。与此同时，美国的一个研究团队也在这一领域投入巨资，但同样只能在40%的孕妇血细胞中检测到胎儿DNA。
一次关于癌症研究的论文发表，启发了卢煜明的思路。他意识到，癌细胞在人体血浆中释放DNA的现象与胎儿在母体内相似。因此，他决定将研究重心转向孕妇血浆，寻找胎儿DNA。令人惊讶的是，他在血浆中发现了男性DNA，这是由于母亲体内不存在男性DNA，因此只能是来自胎儿的证据。
卢煜明的发现证实了母亲血浆中存在胎儿DNA，并发展出一套精确分析和测量这一现象的新技术。他揭示了这一未被广泛认知的自然规律，如胎儿DNA浓度与怀孕期的关系以及产后清除速度等，对产前诊断领域产生了深远影响。卢煜明的研究项目在国际基本医学领域中具有里程碑意义，对未来的产前诊断技术进步具有重要推动作用。
在血浆DNA研究领域，卢煜明的贡献卓着，他在全球顶尖期刊如《新英格兰医学杂志》（IF38.6）、《柳叶刀》（IF21.7）、《PNAS》（IF10.5）和《美国人类遗传学杂志》（IF12.3）上发表了107篇被SCI收录的论文，其中73篇影响因子超过5，12篇在IF10以上，7篇IF20以上，1篇IF35以上。这些论文的总引用次数达到1199次，被他引次数为857次。他的研究成果已获得7项国际专利，并在40次国际学术会议上进行了报告。
卢煜明（LO Yuk Ming Dennis）是分子生物学的临床应用专家。尤其致力于研究人体内血浆的DNA和RNA。卢煜明最重大的研究成果为1997年发表的《母亲血浆中胎儿核酸的探索与应用》。
‘贰’ 基因芯片发展历史
在基因芯片领域，俄罗斯科学院恩格尔哈得分子生物学研究所和美国阿贡国家实验室（ANL）的科学家们提出了用杂交法测定核酸序列（SBH）新技术的想法，当时用的是多聚寡核酸探针。与此同时，英国牛津大学生化系的Sourthern等在载体固定寡核苷酸及杂交法测序上取得了国际专利。这些技术储备下，1994年在资助下研制出了一种生物芯片，用于检测地中海病人血样的基因突变，筛选了一百多个外地中海贫血已知的突变基因。这种生物芯片的基因译码速度比传统方法快1000倍，成为一种快速测序方法。
生物芯片目前处于激烈的市场竞争状态。Packard仪器公司专注于以凝胶为基础的中等密度的芯片，而Affymetrix公司则成功应用了光导向平板印刷技术直接在硅片上合成寡核苷酸点阵的高密度芯片，领先于芯片分析领域。该公司与惠普公司合作，开发出专用扫描仪，同时开发出平行通过几块芯片的流路工作站和计算机软件分析系统，组成一套完整的芯片制造、杂交、检测扫描和数据处理系统。
欧洲公司也投入竞争，如GeneticCo．UK研制出QBot点样器、Q-Pix克隆挑拣仪及Q－Fill制芯片设备。Sequenom推出250位点的Spectrochip并采用质谱法测读结果。德国肿瘤研究所则用就位合成的肽核酸低密度探针芯片进行表达谱及诊断研究。DNA芯片在基因序列分析、基因诊断、基因表达研究、基因组研究、发现新基因及各种病原体的诊断等生物医学领域展现出巨大的应用前景。
1997年，世界上第一张全基因组芯片——含有6166个基因的酵母全基因组芯片在斯坦福大学Brown实验室完成，标志着基因芯片技术迅速在全球得到应用。
基因芯片(genechip)（又称DNA芯片、生物芯片）的原型是80年代中期提出的。基因芯片的测序原理是杂交测序方法，即通过与一组已知序列的核酸探针杂交进行核酸序列测定的方法，在一块基片表面固定了序列已知的八核苷酸的探针。当溶液中带有荧光标记的核酸序列TATGCAATCTAG，与基因芯片上对应位置的核酸探针产生互补匹配时，通过确定荧光强度最强的探针位置，获得一组序列完全互补的探针序列。据此可重组出靶核酸的序列。
‘叁’ ECCV 2024 | 提升GPT-4V、Gemini检测任务性能，你需要这种提示范式
浙江大学、上海人工智能实验室、香港中文大学、悉尼大学和牛津大学的研究者们提出了一种新方法，旨在提升多模态大模型在检测任务中的性能。这个名为DetToolChain的方法，通过设计视觉提示，直接在图像中绘制以缩小视觉信息和文本信息之间的差距，同时将精细的检测任务分解为简单任务，并通过chain-of-thought逐步优化检测结果。DetToolChain包含两部分关键设计：全面的视觉处理提示和全面的检测推理提示。它适用于各种检测任务，包括开放词汇检测、描述目标检测、指称表达理解和定向目标检测。
DetToolChain的框架包含四个步骤：Formatting、Think、Execute和Respond。在Formatting阶段，任务的原始输入格式转化为指令模板，作为多模态大模型的输入。Think阶段将复杂检测任务分解为更简单的子任务，并从检测提示工具包中选择有效的提示。Execute阶段按顺序迭代执行特定的提示。Respond阶段运用模型自身的能力，监督整个检测过程并返回最终响应。
视觉处理提示包括Regional Amplifier、Spatial Measurement Standard和Scene Image Parser。Regional Amplifier旨在增强多模态大模型对感兴趣区域的可见性，提供更明确的参考，如叠加尺子和指南针。Scene Image Parser标记预测的物体位置或关系，利用空间和上下文信息实现对图像的空间关系理解。
检测推理提示则帮助多模态大模型解决潜在问题并检查预测结果。Problem Insight Guider突出困难问题并提供有效的检测建议，Spatial Relationship Explorer和Contextual Object Predictor确保检测结果符合常识，Self-Verification Promoter增强多轮响应的一致性。
实验结果表明，在open vocabulary detection和指称表达理解任务上，使用DetToolChain的方法显着提升了GPT-4V和Gemini模型的性能。在RefCOCO、RefCOCO + 和 RefCOCOg数据集上，DetToolChain在zero-shot条件下展示了优越的指称表达理解和定位性能。
‘肆’ 英国入境最新规定1月需持72小时内阴性检测证明
最近英国的疫情的形势非常的严重，而在最近英国也宣布了入境人员必须持72小时内阴性检测证明，防止病毒再次进入英国。而且检测报告的翻译件将不被接受，必须是原件。关于英国入境最新规定如下。
更多最新关于从国外回国隔离政策以及机票信息，可以下载：心神旅行app
心神旅行下载地址：http://m.k1u.com/az/2341.html
长按二维码，查看大图，然后长按识别二维码下载
据最新消息，英国首相鲍里斯上周在唐宁街新闻发布会上表示，政府将“采取措施，确保我们对进入英国的人进行检测，防止病毒再次进入英国”。
而英国交通部也表示，他们正在考虑要求国外旅客入境时提供核酸检测阴性证明。“入境前进行检测等额外措施，有助将新确诊的输入量减至最低。”
根据英国政府网最新信息，英国时间2021年1月18日凌晨4点起，入境英格兰地区、或登机前需要出示72小时内的阴性新冠检测证明。违者将罚500镑。
除核酸检测阴性证明外，还需在抵达英国前48小时内在网上填写英国公共卫生旅客定位表。所有从不在英国政府旅行走廊名单上的地方抵达的人，仍必须自我隔离10天。
若想缩短入境后的隔离期，可以选择在隔离第5天之后自费核酸检测，检测结果呈阴性即可解除隔离。
政府表示，所有形式的PCR测试都在接受审核范围内。而其他形式的测试——包括具有97%的灵敏度和99%的特异性的检测也将被接受。
可接受的检测类型
英国政府建议，建议提供以下测试：
满足特异性≥97%，灵敏度≥80%，病毒载量样本超过10万拷贝/毫升
检测需为以下方式
核酸测试，包括PCR核酸检测，或牛津大学研发的LAMP核酸检测;
抗原测试，例如侧流抗原检测(Lateralflowtest)
检测结果必须包括的信息
检测结果必须为英语、法语或西班牙语三种语言之一。翻译件将不被接受，您必须提供最原始检测结果证书。
它必须包含以下信息：
您的姓名，该姓名应与旅行证件上的姓名一致(yourname)
您的出生日期或年龄(yourdateofbirthorage)
检测结果(theresultofthetest)
检测提供者收集或接收测试样品的日期()
检测提供者的姓名及其联系方式()
检测设备的名称(thenameofthetestdevice)
检测结果如不包含以上信息，则提供者可能无法登机;如果抵达时被发现没有包含以上内容，则将构成刑事犯罪(criminaloffence)，并罚款500镑。
测试结果可以以打印出的文档的形式提供，也可以通过电子邮件或短信的形式提供，可以在手机上给检察人员检查。请确保您的设备已充电以供查看。
如果结果为阳性，则旅行将被禁止。请遵守当地防疫规则进行相应的隔离和治疗。
如果结果为不确定，则必须再次进行测试。
‘伍’ 牛津大学等提出：Point Transformer
Point Transformer论文，由牛津大学、港中文(贾佳亚等)和Intel Labs联合提出，将自注意力网络引入3D点云处理领域，显着提升点云分类和语义分割任务性能。在S3DIS和ModelNet40数据集上，Point Transformer表现出色，超越了KPConv、InterpCNN等模型。论文的主要贡献在于设计了适用于点云任务的自注意力层，构建了自注意力网络来执行语义场景分割、object part分割和对象分类等任务。实验结果显示，在具有挑战性的S3DIS数据集上，Point Transformer在Area 5上的mIoU达到70.4%，领先于现有模型。同时，论文分享了3D点云学习交流群信息，鼓励对3D点云任务感兴趣的读者加入交流。推荐关注CVer知乎账号和CVer微信公众号，获取最新CV论文信息。相关论文和研究包括但不限于Cell-DETR、PED、行为识别全面调研、实时高分辨率图像抠图网络、量化医学图像分割置信度等。这些研究覆盖了细胞实例分割网络、行人检测、行为识别、实时车道线检测、图像分割技巧、行人重识别方法、实时目标检测、场景理解、脑肿瘤分割、车辆速度估计、目标检测改进、知识蒸馏、无人机目标跟踪、基于深度学习的实时语义分割、即插即用的CNN加速技术、不平衡图像分类、行人检测技术、基于深度学习的实时语义分割方法、目标检测/实例分割系统、医学图像分割技术、深度学习的端到端人脸识别技术等。相关代码已开源，方便研究和实践应用。
‘陆’ 什么是人工智能AI
AI是主要研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。AI是计算机科学的一个分支，它尝试了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域研究包括机器人、语言识别、图像识别、自然语言处理等。
人工智能在计算机上实现时有2种不同的方式。工程学方法采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。另一种是模拟法，不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。