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。

产品详细介绍    该实验室结合图形化编程（Scratch）和代码编程（Python）方式，以【数学知识+信息技术+3D设计+编程】为主要切入点，选用IME3D系列化软件中的3D编程设计软件Scrath3D和Python3D，及其配套的项目制（PBL）基础和主题课程体系，将编程逻辑、3D设计和开源硬件相结合，开展编程式3D设计教育课程和各项活动。 该实验室的课程内容特色： 充分结合所学的数学知识，如圆锥、圆柱、直线/曲线的斜率等基本概念，并将其通过Scratch、Python等编程方式进行3D数学建模，对生活中常见的物品进行模仿设计，使其成为具有一定功能的创意产品 运用Scrtach3D和Python3D设计软件让学生学习3D编程设计的方法，提升学生自主设计能力和联系理解学科知识的能力，在揭示3D建模背后原理的同时，为学生提供理解编程学习的独特平台 完成一定内容学习和尝试后，结合多种设计方法，进行综合运用性的主题作品设计制作，如用数学的方法来测量学校建筑物的高度，分析模型的特点和结果，并利用合适的编程式3D设计软件构建其模型和3D打印完成作品 结合开源硬件，在给定主题的引导下，进行功能分析、3D设计和编程操作，同时利用3D打印成品进行产品组装，实现功能 编程教学软件：

四川新尚人工智能科技有限公司（简称“新尚AI”）是新尚集团旗下专注于人工智能与机器人领域，集研发、制造及销售于一体的科技企业（制造子公司：四川德创机器人科技有限公司），同时也是本科教育、职业教育、K12教育全阶段、贯穿式教育解决方案提供商。 新尚AI基于新尚集团16所双一流高校资源及电子科技大学联合实验室，在K12、高职及本科教育方面形成合力。新尚AI为K12教育打造领先、综合、完整的科创教育解决方案，实现从教、学、管、评、赛、培（教师培训）、研（教学研究）、创（科创）所有环节的全链条覆盖和闭环打通；同时新尚AI也为本科教育、职业教育提供新工科、新职教教育创新解决方案，以校企协同为契机，通过递进式培养、项目制课程、实验室建设和专业共建等方式赋能教育，建设高校科技成果转化中心，打造产教融合示范样板。

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。

本发明提出一种含苯磺酰基喹啉类化合物的合成方法，属于有机合成领域，该方法直接使用廉价易得的苯硫酚类化合物作为合成原料，无需金属试剂和有机溶剂的参与，环境友好，适合工业化生产。该技术方案包括向反应容器中分别加入喹啉类化合物和苯硫酚类化合物，在双氧水和水作用下，于室温下用3W蓝色LED灯光照反应0.5‑1小时；反应结束后，进行柱色谱分离，得到含苯磺酰基喹啉类化合物。本发明能够应用于含苯磺酰基的喹啉类化

【发 明 人】梁侨丽 ; 李军 ; 雷玲玲 ; 邹娜姝 ; 俞晶华 ; 吴启南【技术领域】本发明涉及医药技术领域，具体的说是涉及一种从荆三棱中分离到的具有抗肿瘤和抗菌活性的茋类新化合物荆三棱酚II以及该化合物的制备方法【摘要】本发明涉及抗肿瘤抗菌新化合物荆三棱酚II及其制备方法，属医药技术领域。荆三棱酚II为新顺式茋类化合物，结构如下式。它可以从莎草科蔗草属植物荆三棱的干燥块茎中提取制备，即用80%乙醇提取，减压浓缩，再分别以石油醚，乙酸乙酯萃取。乙酸乙酯萃取部分反复用硅胶柱层析纯化，石油醚：乙酸乙酯梯度洗脱得到纯品。荆三棱酚II具有很好的抗肿瘤和抗菌作用，对人子宫颈癌Hela细胞的IC50值为7.218μM，对金黄色葡萄球菌和白色念珠菌的MIC值皆为79.3ug/ml。

本发明提供了一种3‑苯甲酰基香豆素类化合物的合成方法，属于有机合成领域，能够直接利用香豆素类化合物与醛类化合物为原料合成3‑苯甲酰基香豆素类化合物，该方法简单，合成产物产率高，且无金属参与，环境友好。该合成方法包括如下步骤：向反应瓶中分别加入香豆素类化合物、醛类化合物和二叔丁基过氧化物，并在100‑200℃的温度下反应10‑24小时；待反应结束后，利用有机溶剂进行萃取，合并有机相；待对所述有机相干燥后，进行色谱分离，得到3‑苯甲酰基香豆素类化合物。本发明可用于3‑苯甲酰基香豆素类化合物的合成制备中。

研发阶段/n本发明公开了具抗肿瘤活性的羊毛甾烷型三萜化合物及其制备方法和应用。其制备方法包括：制备灵芝子菌丝体或子实体的乙醇提取物；将灵芝子菌丝体或子实体的乙醇提取物清膏以水分散后，用石油醚反复萃取，再用乙酸乙酯萃取，得乙酸乙酯提取物；将乙酸乙酯提取物通过正相、反相以及凝胶柱层析反复分离得到三部分；用制备高效液相色谱，分别以乙腈－甲醇－水体系洗脱，收集相应组分后，减压蒸干后即得。本发明从灵芝子实体或发酵菌丝体中分离得到５种新的羊毛甾烷衍生物，经生物活性评价，本发明新分离的５种羊毛甾烷衍生物能够有效抑