本发明通过对黄柄曲霉固体发酵和对其发酵产物的甲醇提取物进行分离纯化，得到 18 个细胞松弛素类新化合物，通过抗肿瘤活性评价，发现化合物 1 黄柄曲霉菌素 A 对白血病细胞 HL-60，人肝癌细胞SMMC7721，人肺癌细胞 A-549，人乳腺癌细胞 MCF-7，人结肠癌细胞 SW480 有一定的抑制作用。本发明人采用 4 株癌细胞(人早幼粒白血病细胞 HL-60、急性早幼粒白血病细胞株 NB4、结肠癌细胞株 RKO、人结直肠癌细胞 HCT116)和两株正常细胞(肾上皮细胞 293T 和结肠上皮细胞

共晶技术是提高化合物水中溶解度的有效手段，通过控制分子间相互作用，在不改变化学结构的情况下，改变原料药的理化性质。本课题合成了3个氨鲁米特新共晶，新共晶的水中溶解度与原料相比，均有明显提高。 一、项目分类 关键核心技术突破 二、技术分析 研发背景：氨鲁米特（Aminoglutethimide，3-乙基-3-(4-氨基苯基)-2，6-哌啶二酮）是一种肾上腺皮质激素抑制药及抗肿瘤药。结构：   氨鲁米特的抗癌机理是P450芳香化酶的抑制剂，阻止雄激素转变为雌激素。进而抑制肿瘤细胞的生长。临床适应症是：用于绝经后或卵巢切除后的晚期乳腺癌，对雌激素受体或孕激素受体阳性患者疗效较好。用于皮质醇增多症(柯兴综合征)，抑制肾上腺皮质功能。 需要解决的问题：氨鲁米特在水中极微溶解，溶解度约为2mg/ml。属于微溶物质。不仅影响了药物的生物利用度，而且严重影响该药物的新药开发和临床使用效果。 创新性： 本课题合成了3个氨鲁米特新共晶，新共晶的水中溶解度与原料相比，均有明显提高。新共晶结构见图1、图2、图3。 图1氨鲁米特-3,5-二硝基苯甲酸共晶 图2氨鲁米特-间甲基苯甲酸共晶 图3 一种氨鲁米特+2-硝基苯甲酸 技术先进性：共晶技术是提高化合物水中溶解度的有效手段，通过控制分子间相互作用，在不改变化学结构的情况下，改变原料药的理化性质。共晶体使活性药物成分(API)除了物理化学性质外，其流动性、化学稳定性、压缩性和吸湿性也发生变化。共晶体成为一种潜在的新药固体形式，有很好的开发和应用前景[1-3]。 推广应用价值：提高药物水中溶解度的方法很多，共晶技术是其中比较有效的一种手段，该合成技术不需要特殊条件和设备，成本低、容易实现。具有开发成新药的市场应用前景。 本课题合成的三个氨鲁米特新共晶的溶解度与国外文献报道氨鲁米特共晶溶解度对比情况，见表2。 表2 三个氨鲁米特新共晶与国外文献报道情况对比 化合物名称 水中溶解度 （mg/mL） 水中溶解度提高倍数（倍） 氨鲁米特原料药 2.025   氨鲁米特-3,5-二硝基苯甲酸共晶 (AG-DNBA)# 6.064 3 氨鲁米特-间甲基苯甲酸共晶 (AG-m-TA)# 3.660 1.8 氨鲁米特-2-硝基苯甲酸共晶 (AG-2-NTA)#   6.0 3 氨鲁米特-咖啡因共晶 （AMG-CAF）* 6.0 3 氨鲁米特-尼古丁共晶 （AMG-NIC）* 5.5 2.75 氨鲁米特-乙酰胺共晶 （AMG-NIC）* 4.8 1.9   注：#是本课题组合成的氨鲁米特共晶水中溶解度情况。 *是文献报道合成的氨鲁米特共晶水中溶解度情况[4]。

本发明涉及巯基丙酰胺类化合物及其在制备抗菌药物中的用途。具体地，本申请公开了巯基丙酰胺类化合物、或其药学上可接受的盐、或其立体异构体或其溶剂合物、或它们与医学上可接受的载体组成的药物组合物，以及在制备用于金属β‑内酰胺酶NDM‑1的抑制剂，以及在制备用于预防和/或治疗革兰氏阴性耐药菌感染的药物中的用途。本发明提供的该类化合物能够靶向金属基质蛋白酶NDM‑1，抑制β‑内酰胺类抗生素的水解，有效降低革兰氏阴性菌如大肠埃希菌或肺炎克雷伯菌的抑菌浓度，可与美罗培南等β‑内酰胺类抗生素联用制成复方制剂用于治疗革兰氏阴性耐药菌引发的感染等疾病。

超级电容器是一种新型绿色储能器件，拥有比功率大、充放电效率高， 寿命长等优点，在低碳经济时代展现出巨大应用前景，已经被广泛应用于电 子产品、电动汽车、混合电动汽车、无线通讯设施、信号监控、太阳能及风 力发电等领域。开发具有高能量、高循环性和低成本的超级电容器是该领域 未来重要研究之一。电极材料作为超级电容器的核心组成部分，对其储能 性能有着至关重要的影响，而具有高理论容量、低价格的过渡金属基化合物 （Fe、Co、Ni）是实现高容量、低成本超级电容器首选的电极材料。以过渡金 属基化合物为主要研究对象，对其组分及结构进行了调控，通过储能性能测 试及储能机理分析，为开发高性能、低成本的活性电极材料提供实验依据。 这一研究的开展，给组装超高能量密度的超级电容器并使其从实验室走向我们 的日常生活带来了新的前景。 1.先进性及产业化前景：提高性能、降低成本一直以来都是超级电容器发展的 主旋律，其中能量密度低是超级电容器发展面临的主要问题，因此开发出具 有高能量、成本低的超级电容器迫在眉睫。就提高性能而言，超级电容器的 电极改进是重点，主要途径是通过提高电压窗口和提高电极材料的比电容。 目前针对超级电容器电极材料的研究主要集中在：(1)改进现有的电极材料; (2)开发新型电极材料；(3)改进生产工艺，实现低成本化。目前在全球范 围内达到工业化生产水平的超级电容器基本都是以双电层为储能机制的活性 碳基超级电容器，而以贋电容为储能机制的超级电容器尚处于实验室开发阶 段，因此超级电容器还有很大的发展空间。 2.对所在行业和关联产业发展和转型升级的影响：根据超级电容器的容量大小 和功率密度，可以将其用作后备电源、替换电源和主电源。当主电源发生故障 而不能正常使用时，超级电容器便起到后备补充作用，它具有寿命长、充放电快 和环境适应性强等优点。当用作替换电源时，主要应用于对环境变化有特殊要 求的场合，例如白天太阳能提供电源并对超级电容器充电，晩上则由超级电 容器提供电源。作为主电源时，主要利用超级电容的大功率密度，一般是一个或几个超级电容器通过一定的方式连接起来持续释放几毫秒至几秒的大电 流，放电之后，再由低功率的电源对其充电。 3.市场分析：根据IDTechEX数据统计，2014年超级电容器全球市场规模为11 亿美元，预计到2018年，超级电容器全球市场规模将达到32亿美元，年复合 增长率为31%,并预测将会以此速度预计到2018年，超级电容器全球市场规模 将达到32亿美元，年复合增长率为31%,并预测将会以此速度继续增长。我国 将“超级电容器关键材料的研究和制备技术"列入到《国家中长期科学和技 术发展纲要(2006-2020年)》，作为能源领域中的前沿技术之一。有数据显示， 2015年国内超电市场规模已经超过了 70亿元，因此，在这样的一个大背景下， 研究新材料以开发具有超高能量密度的超级电容器具有非常大的市场前景。

成果描述：2,5-呋喃二甲醛（DFF）是一种多用途的有机合成中间体，可以用来合成药物、大环配体、抗真菌剂和呋喃，也可以作为单体形成各种高聚物，例如聚频哪醇和聚乙烯。采用5-羟甲基糠醛（HMF）为原料，通过氧化反应合成DFF，是目前工业上唯一可行的制备DFF的方法。但因获得HMF需要复杂的分离纯化过程，故HMF价格昂贵使得DFF的生产成本很高，其生产迄今没有工业化。碳水化合物被视为目前最有希望的“可再生资源”。将廉价的碳水化合物直接作为原料，利用无需分离HMF的二步转化方法制备DFF, 可以克服已有技术成本高，能耗高和收率低的缺陷，更为经济实用，更符合经济的绿色可持续发展。 常压下反应，以碳水化合物（葡萄糖、果糖或蔗糖）为原料，采用不分离HMF的一锅两步法合成DFF：第一步碳水化合物脱水生成HMF，第二步HMF原位氧化生成DFF。本方法的技术优势在于：1. 适用原料广，尤其可以用廉价的葡萄糖作原料得到较高的DFF产率，降低了生成成本，具有工业化应用前景；2. DFF产率高，以碳水化合物计（葡萄糖：51%，果糖：68%，蔗糖：50%）；3. 催化剂廉价易得，易于分离（离心分离）；4. 反应条件较温和，常压，低温，反应时间相对较短；5. 反应过程操作简单，反应副产物少，对环境友好。市场前景分析：生物质化工领域，精细化学品合成。与同类成果相比的优势分析：由葡萄糖制备DFF： DFF产率>40 %，选择性>60 % 由果糖制备DFF： DFF产率>55 %，选择性>65 % 由蔗糖制备DFF： DFF产率>45 %，选择性>65 % 国内先进。

新冠肺炎常规通过病史、CT等进行病情评估，但重症病房应用超声不便，还需要评估重症患者的心脏等多器官，然而操作者绝大多数不是专业超声医生，这为如何在治疗重症患者的过程中更好地发挥超声的作用提出了难题。深圳国际研究生院袁克虹团队与深圳华声医疗技术股份有限公司合作，用人工智能技术赋能5G超声设备，增添采集心肺关键标准切面的导航以及关键参数的自动测量等功能，辅助医生对重症病人进行动态评估和治疗。 袁克虹团队与深圳华声医疗技术股份有限公司1月中旬组成研发团队，在已有合作工作的基础上，针对新冠肺炎重症患者临床超声的迫切需求开展联合攻关，半个月就获得了较好的成果。该技术从2月初开始在武汉协和西院等多家医院使用，在一定程度上辅助了医生对重症患者进行疾病的动态评估和治疗指导。 目前该技术正由国家感染性疾病临床研究中心（深圳市第三人民医院）牵头开展进一步研究，将完善和改进现有功能，优化远程诊断流程，实现超声为医生治疗重症患者提供更智能、更可靠、更专业的帮助。

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）致癌性预测服务器首页致癌性预测结果页相关综述对本服务器的介绍RF-hERG-Score预测药物引起的hERG相关心脏毒性2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。特异性重打分函数显著虚拟筛选性能显著较高筛选出两个候选抑制剂3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。lncRNA-蛋白质相互作用预测模型的性能比较lncRNA-蛋白质相互作用预测服务器相关软件著作权：

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。 成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.） 致癌性预测服务器首页 致癌性预测结果页 相关综述对本服务器的介绍 RF-hERG-Score预测药物引起的hERG相关心脏毒性 2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。 特异性重打分函数显著虚拟筛选性能显著较高 筛选出两个候选抑制剂 3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。 lncRNA-蛋白质相互作用预测模型的性能比较 lncRNA-蛋白质相互作用预测服务器相关软件著作权：

青少年人工智能资源与创新平台为激发青少年利用原创算法解决真实复杂问题的兴趣，面向全国中小学发布覆盖人工智能主要技术领域的研究问题，设立相应选题。 一、项目分类 关键核心技术突破 二、技术分析 主要功能： 资源中心。资源中心包含各个名师人工智能课程及应用案例，还包含各类精品开源软硬件资源的汇聚。 资讯通知。公告元卓计划工作的最新动态及行业内的最新消息。 直播频道。邀请专家进行直播互动。 在线编程。可以在网页页面中直接编写代码和运行代码。 互动论坛。注册用户可以在网站论坛讨论课题。

Yanshee 机器人采用Raspberry Pi + STM32 开放式的硬件平台架构，有丰富的开源资源持。具有17 个自由度的高度拟人设计，并支持模块化拆装；支持AI 语音/ 视觉技术；支持多传感器及通信模块，并兼容多种开源传感器包；提供自研工具软件并适配专业开源软件，支持Python、Java、C/C++、BLockly 等多种编程语言及多种AI 应用的学习和开发。