技术分析（创新性、先进性、独占性） 本项目已经具备具有200个CPU集群辅助计算，目前已建立了国际上领先的万个化学药物的化合物库和六万多种中药单体化合物库、利用国际一流的计算机辅助设计软件（Schrodinger, Discovery Studio, MOE等）进行大规模化合物数据库的虚拟筛选，并根据REOS预测、ADME/T性质的理论预测，结构聚类等，剔除成药性差的化合物。 目前已经针对多个靶点和药物做了国际创新性研究工作，相关成果在药学领域相关SCI期刊上共发表论文17篇，平均影响因子>4.5，他引460余次。

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：

为中小学校及校外教育机构提供课程整体规划、学习空间创新建设。

在清华大学基础研究基金，教育部科技重点项目，教育部清华大学自主研究项目等项目的资助下，掌握了多种传感器的制备工艺，创新性开发出石墨烯人工智能喉，利用多孔石墨烯的优势，制造出一种收发同体，适合穿戴的集成声学器件，有望在未来解决聋哑人的说话难题。 这种集成声学器件，利用石墨烯的热声效应来发射声音，利用石墨烯的压阻效应来接收声音，实现了单器件的声音收发同体。器件使用的多孔石墨烯材料具有高热导率和低热容率的特点，能够通过热声效应发出 100 Hz-40 kHz 的宽频谱声音。其多孔结构对压力也极为敏感，能够感知发声时喉咙处的微弱振动，可以通过压阻效应接收声音信号。因此，这种器件能够准确感知聋哑人低吟、尖叫等特殊声音，并将这种“无含义声音”转换为频率、强度可控的声音，有望在将来转换为预先录制的语言。

本项目中我们将从分子结构入手，设计开发BODIPY使其不仅可以诊断早期AD，并能干预抑制AD发展，开发出基于BODIPY的阿尔兹海默症人工智能药物，达到AD早期诊断和干预治疗的目的，为临床AD早期诊疗提供理论基础和技术支持。整个研究工作具备以下特点：（1）设计开发近红外BODIPY荧光探针对细胞和活体进行成像可避免生物背景荧光的干扰；（2）BODIPY对与AD早期相关的Aβ寡聚体具有特异响应，为临床前AD早期诊断提供科学依据；（3）BODIPY通过与Aβ聚集的作用点结合，呈现荧光，到达有效诊断的目的，在此基础上Aβ聚集缠结的作用点被BODIOY占据从而达到一定程度上抑制AD发展的目的；（4）将抑制Aβ聚集的天然小分子药物山柰酚与BODIPY有效结合，可进一步提高AD早期诊疗的效果。   Scheme 1. Aβ derives from the proteolytic cleavage of a larger glycoprotein named amyloid precursor protein. (A) A near-infrared BODIPY probe (NB-K) was synthesized which detected and drove self-assembly of FF. (B) NB-K designed according to the structure of FF and the two aromatic rings of FF overlap well with the two aromatic rings of NB-K. When NB-K binds to Aβ oligomers, free rotation of three benzene rings of NB-K is restricted resulting in 1650% increasing of NB-K fluorescence. (C) Overview of the amino acid sequences of the Aβ-related peptides Aβ1–40 and Aβ1–42. (D) Aβ produces β-folds and then aggregates to form tetrad oligomers. NB-K could be potentially useful in the early diagnosis (via imaging) of AD via binding to the FF of oligomeric Aβ. On the other hand, the tetramer could rotate 90° along the β-fold axis to form fibrils. Aβ源自β-和γ-分泌酶对糖蛋白（称为淀粉样前体蛋白（APP））的蛋白水解切割（Scheme 1C）。二苯丙氨酸二肽（FF）是Aβ折叠起始作用点，对Aβ聚集过程起着关键作用。四个β折叠的Aβ通过FF的π-π堆积作用和其它氨基酸之间的氢键作用以面对面的方式排列形成Aβ寡聚物，这是AD早期的重要生理标志，严重损害了大脑的健康。当β折叠的Aβ形成四聚体Aβ寡聚物时，FF几乎被完全暴露，这为近红外BODIPY荧光探针（NB-K）与FF有意组合提供了极好的机会（Scheme 1D），并能够通过荧光信号传输有效地诊测早期AD。Aβ寡聚物沿β折叠链方向逐渐以90°旋转，变成Aβ原纤维，其比Aβ八聚体更大，且与中期/晚期AD有关。当β折叠的Aβ形成原纤维时，疏水性片段（包括FF）聚集在球形结构的核心，大多数FF参与Aβ的自组装并形成球形结构，导致NB-K与Aβ原纤维的结合不良（Scheme 1D）。而且，Aβ单体表现出更大的自由弹性，这可能导致NB-K对Aβ单体的不良反应。总的来说，NB-K可以有效地分化以响应寡聚体和单体/原纤维，从而达到AD早期诊断的目的。如Scheme 1B所示，FF的两个芳环与NB-K的两个芳环很好地重叠，形成稳定的π-π结构。FF的羧基和氨基进一步促进了NB-K-FF的结合。NB-K和ThS在染色Aβ方面的主要区别如下：1）NB-K的分子量约为ThS的三倍。由于更大的空间位阻，NB-K不能进入由芳香环形成的浅槽，因此NB-K不能染色结合Aβ原纤维。 2）Aβ中的NB-K结合基段为FF。当Aβ形成β折叠时，折叠点恰好在FF，然后Aβ形成Aβ寡聚体。如Scheme 1所示，Aβ寡聚物中的FF几乎完全暴露，结果是NB-K会牢固结合识别响应Aβ寡聚物。    Figure 1. (A) Aβ aggregation assay: in vitro study to detect Aβ aggregation over time. ThT was used to detect formation of fibrillary Aβ species. Total fluorescence (%) was plotted as the fluorescence intensity divided by the maximum fluorescence intensity obtained during the plateau; (B) and (C) Fluorescence emission of NB-K and ThT response to buffer (background fluorescence, black line), oligomer and fibrils; (D) △I refers to the increased fluorescence intensity, I0 corresponds to background fluorescence of NB-K or ThT; Aβ morphology was evaluated by SEM after 160 hours incubation with NB-K (E) or ThT (F). 单体Aβ可以在24小时内衍变形成Aβ寡聚物，在72小时后开始有Aβ纤维形成。硫黄素-T（ThT）是市售检测Aβ原纤维的绿色荧光探针，以它为参照对比NB-K，以实时监测单体Aβ随时间的衍变聚集。在72小时后，ThT荧光强度略有增加，表明Aβ原纤维的形成（Figure 1A, ）。而对于NB-K，荧光强度在10小时后迅速增加，仅在40小时后才达到平稳状态，这表明NB-K缩短了Aβ衍变聚集成核相时间（Figure 1A, ）。 在24小时NB-K荧光强度急剧升高，这应与NB-K阳性Aβ物种有关，即Aβ寡聚体。换句话说，NB-K抑制寡聚体转变为原纤维。此外，使用荧光光谱法评价了NB-K在Aβ寡聚物和原纤维的溶液中区分识别Aβ寡聚物与Aβ原纤维的能力。对于Aβ寡聚物和Aβ原纤维，NB-K荧光分别增强了1650％±15％和450％±10％（Figure 1B, 1D）。相比之下，ThT荧光强度并未随Aβ寡聚物而增加，而随Aβ原纤维而增加了460％±10％（Figure 1C, 1D）。这说明ThT只对Aβ原纤维有荧光响应信号，而NB-K对Aβ寡聚物有很好的荧光响应信号，相比之下，NB-K对Aβ寡聚物的荧光响应性能高于ThT对Aβ原纤维荧光响应。此外，分别在ThT和NB-K存在下，Aβ单体衍变聚集160小时后，通过SEM观察Aβ单体最终衍变聚集形态。我们发现，在NB-K存在下，Aβ显示出六边形结构（Figure 1E），而在ThT存在下，Aβ显示出复杂的如斑块状的聚集体结构（Figure 1F）。这表明NB-K可能影响Aβ的构象聚集，从而产生有序排列的结构，而ThT对Aβ单体衍变聚集没有良性影响。    Figure 2. Epifluorescence microscopy of transgenic AD mouse (APP/PS1) brain stained with ThS or NB-K. ThS emission was obtained at 488 nm (left panels) and NB-K fluorescence was obtained at 561 nm (middle panels). Merged images of ThS and NB-K are shown on the right panels. Hippocampus is shown in A-C, whereas cortex is shown in D-F. G-I are magnified images from dotted squares in D-F, respectively. Scale bar: 100 µ (A-F), 50 µ (G-I). 在Aβ聚集的过程中，核心缠结成不溶性的原纤维，周围是由可溶性寡聚物组成的环状结构，这些可溶性寡聚物正在慢慢向原纤维衍变。AD脑组织的ThS / NB-K双重染色清楚地表明了这种现象，如Figure 2所示，Aβ原纤维的ThS绿色荧光染色被Aβ寡聚物的NB-K红色荧光染色所包围。 另外，在正常对照小鼠的脑切片中，未观察到NB-K染色，进一步说明NB-K对Aβ寡聚物的特殊识别性和荧光信号响应性，这对AD早期诊断预防研究无疑是一个有价值的信息。

人工智能技术飞速发展,我国大体上能够与世界先进国家发展同步。我国拥有自主知识产权的文字识别、语音识别、中文信息处理、智能监控、生物特征识别、工业机器人、服务机器人、无人驾驶汽车等很多智能科技成果已进入市场,但是9%以上是软件、算法产品，在人工智能神经网络芯片研发方向上,我国又是落后于美国5-10年左右，可以预见的是,将来我国的人工智能神经网络硬件又将进口大量的IBM、Google、NVIDA、Braodcom等公司的产品,遵循的标准又将按美国的标准,在市场上处于弱势地位。

神兽们一批批“归笼”，对于家长们来说，真是大舒一口气。不过为了孩子们的安全，各个学校可都费尽了心思。为了迎接学生返校，温州大学的南北校区大门口，都装上了人工智能防疫的神器。这套由学校大数据与信息技术研究院自主研发的“人工智能防疫系统”，是学校教师自己的研究成果，为学校即将到来的复学工作奠定基础，做好充分的安全准备。“人工智能防疫系统”是温州大学大数据与信息技术研究院基于数据挖掘技术自主创新研发的智能系统，在传统“亮码+人工核验登记”的通行方式上进行改进升级，与校园大数据、市民卡健康码等数据平台共享，通过人脸识别打造非接触式体征识别与统计管理方式。除此以外，这套系统还结合人流高峰与日常人行、车行、访客管理等多重场景模式，为师生数字化信息后端服务提供有效防疫应用保障，可实现无接触高精度体温检测，精准掌握风险点，降低防控成本、减少感染风险，大大提升防疫管理水平，提前阻断疫情蔓延渠道。此外，这套智能防疫系统可在学校数据库中搜集比对师生基本属性及假期行为数据，通过后台分析算法挖掘和模拟用户画像，自动摸排并动态监测师生异常，为学校相关管理部门提供管理和决策依据，提前做好疫情防护及应急预案工作。温州大学大数据与信息技术研究院成立于2019年10月23日，位于温州市龙湾区浙南云谷，是依托温州市人民政府与中国交通通信信息中心战略合作协议，由交通安全应急信息技术国家工程实验室、温州高新区（浙南科技城）管委会和温州大学共同建设、共同组织管理的研究开发机构。研究院科研主力多为温州大学计算机与人工智能学院博士教师。为保障开学，研究院向温州大学捐赠了两套系统，学校各部门对即将到来的开学潮充分调研，做好了充足准备。

主要研究自然语言处理研究领域的算法和应用实践。涉及语义解析、意图识别、FAQ 问答、多轮对话、知识图谱等关键技术，研究内容包括分词、向量表示、分类等文本预处理技术，以及将自然语言处理核心算法应用落实到智能客服、NLP 引擎、航天空管交互等实际场景中，团队研发的 AI 产品已经跟国内企业、研究所开展了长期合作并动态跟踪，获得了广泛的一致好评。 人工智能 NLP 引擎项目是基于多语种分词、多语种情绪识别、词句关系分析、意图识别、文本聚类等自然语言处理技术实现对海量录音文本的知识挖掘，识别重要信息。为录音服务行业下游业务的分析人员提供分析思路，以便得到多维度、多形式分析结果，将发现转换为可落地的业务决策，这些数据驱动的业务决策，包括客户体验、座席行为、产品改进、风险监测等多个方面，帮助企业改善用户体验、降低成本、提升效率、提升业绩、降低风险等。 1.多语种分词。分词指的是将一个字序列切分成一个一个单独的词，是将连续的字序列按照一定的规范重新组合成词序列的过程。文本在入库时调用接口进行了分词，分词可用于模型的匹配和热词的统计。 2.词句关系分析。根据词句关系接口识别的中心词，然后用中心词进行词频的统计，对于目标样本，统计出高频中心词用来概括目标样本中主要描述的对话内容。 3.意图识别。识别出客户语句的意图，以便进行相应的功能操作、信息推荐等。 4.多语种情绪识别。情绪识别是对包含主观信息的文本进行情感倾向性判断，正向或者负向（如果能提供训练数据集，可以识别更多种类的情绪）。为客户之声下游任务的口碑分析、话题监控、舆情分析等应用提供帮助。目前支持中文、粤语的情绪识别。根据情绪标识，用情绪进行搜索和统计分析。 5.文本聚类。文本聚类将一大段文本中心词和中心词的关联词、近义词生成一个图，用于可视化文本的内容。 6.自定义分词、意图。对分词分词、意图种类进行增删、扩展、微调等。

湍流-噪声-振动耦合与控制研究所作为人工智能控制湍流的先驱，结合机器学习方法，开创性地提出并研发具备“思维、创新”能力的人工智能控制湍流平台，并用于湍流射流控制，研究发现文献中从未报道过的湍流结构，其混合速率远超传统方法，主要成果即将在流体力学顶级期刊Journal of fluid mechanics上发表。鉴于该项成果在工程应用的重要前景，获国家自然科学基金“湍流结构的生成演化及作用机理”重大研究计划重点支持项目，亦作