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。

天中依脉是较早专注于中医诊疗客观化的高新技术企业，核心技术脱胎于天津中医药大学、天津大学历届专家及从上世纪80年代开始的“中医客观化技术”研究。依脉人工智能医疗科技（天津）有限公司是天中依脉的全资子公司，致力于发展“中医云脑”智能化云中医服务，参与国家“一带一路”中医文化传播与技术推广，全面支持国家医联体建设、家庭医生签约服务等领域的中医药服务，践行健康中国战略。 2009年创立至今，天中依脉与国内三十余家高校及高级医疗机构建立了长期深入的科研合作关系，拥有200多项国家专利及软件著作等知识产权，产品服务于500余家医疗机构，成为中医智能行业的领航者。  

松鼠AI（原乂学教育）隶属于上海松鼠课堂人工智能科技有限公司。成立于2015年，与美国斯坦福研究中心（SRI）成立了人工智能联合实验室，成为与世界知名学府建立合作研究关系的中国教育品牌。 我们专注于K12领域智能个性化辅导的智适应教育，通过开发出拥有完整自主知识产权、结合国际前沿算法与中国学情的自适应学习引擎，为每一个学生智能推荐专属的学习路径，尊重每个学生的宝贵个性。解决了当前智慧教育的一大痛点，为“因材施教”提供了更科学的可能，并走在了当前国内互联网教育行业的前沿。

人工智能语音交互实验套件是一款用于人工智能语音方向的AI实验套件。开发板搭建Linux系统，可自主进行嵌入式生态系统的应用软件开发，支持深度的语音识别、语音唤醒、语音合成等诸多人工智能领域的应用开发。通过这套设备的学习，可以认识了解 AI 人工智能嵌入式设备的架构、硬件部署、软件在 AI 领域中语音识别、语音合成等应用上的实现，是一套 AI 前端实践性极强的学习套件。        套件配套实验清单（含知识点），由资深工程师编写，全面涵盖语音交互技术的实验过程。并提供教学指导、实验视频、实验手册、实验PPT等，便于师生更好的理解实验项目，是高职、本科院校相关专业在 AI 智能语音方向课题的专用教学实验套件。 

IECUBE-676X 人工智能创新实验进阶套件是在 IECUBE-6760 人工智能创新实验基础套件的基础上，针对已经具有一定人工智能应用开发经验的开发者，设计的具有一定复杂性和系统性的综合项目制实验开发套件。该套件将人工智能技术与更专业、更复杂的学科场景相结合，在更开放的软硬件平台环境下，鼓励学生自主完成人工智能与各学科的融合。 

一、所属类别 基础、教学科研类实验设备类；实习实训设备及配套等。 二、相关专利技术 CN202010106007.7    履带车底盘、全地形履带车及全地形行走方法 CN202011613628.0    机器人运动控制方法、装置、控制器及存储介质 CN202111261356.7    双足机器人的运动轨迹规划方法、装置、设备及介质 CN202110232263.5    开关机的控制电路及方法 CN202110232355.3    机器人动作模仿方法、装置、设备及存储介质 CN202011501534.4    一种舵机的补偿控制方法及舵机补偿电路 CN202110574796.1    机器人的偏差信息确定方法、装置、处理设备及介质 CN202011644180.9    机器人抗扰动控制方法、装置、电子设备及存储介质 CN202110311455.5    双足机器人控制方法、装置以及双足机器人 CN202011611800.9    质心轨迹的获取方法、装置、机器人及存储介质 三、基本情况 （一）应用对象 应用于机械类、自动化类、电子信息类、计算机类等相关专业人才培养，适用场景包括实验实训、教学科研及竞赛等，方案以人才培养为目标和课程建设为核心，基于机器人载体，提升人工智能与机器人技术教学科研水平。 （二）核心优势 核心产品为双足人形机器人，该系列机器人获得“小型双足人形机器人步态算法”创新纪录，“高韧性强扭矩复合材料舵机”打破国外技术封锁，核心零部件实现国产化。 其中Aelos小型双足机器人载STM32、Raspberry Pi-4B双运算系统，支持二次深度开发，支持多语言开发环境，满足高校对于编程开发、人工智能应用学习等需求，助力高校在机器人系统结构、步态规划、运动控制、算法开发、场景应用等方面的实践学习。 Aelos小型双足机器人 Roban中型双足机器人基于ROS应用平台，搭载深度摄像头，嵌入V-SLAM视觉算法，可以通过导航技术进行建图，实现自主路径规划和步态规划，涉及运动控制、计算机视觉、图像处理、运动规划等多领域课程，能够较好地满足相关专业实验实训、研究开发、参加竞赛等需求。 Roban中型双足机器人 （三）商业模式 公司与高校在复合型人才培养、专业建设、课程建设、科研合作、师资培训、实训室搭建等方面开展深入合作，相关产品被用于各类学校的实际教学、实践、实训。推广路径通过各类研讨会、展会、大赛和专业渠道商进行拓展。 四、推广情况 （一）应用案例 1.清华大学 与清华大学电子系合作共建《智能机器人设计实践》专业限选课，基于人形机器人载体，学习机器人结构原理，图像识别，路径规划，AI芯片等内容。合作入选中国高等教育学会“校企合作双百计划”典型案例。 2.哈尔滨工业大学 与哈工大开展人才联合培养全面合作，双方在开发校企联合课程、共建联合实验室、共建校外实习实践基地、共同筹办BOTEC智能机器人技术挑战赛等方面进行合作，并入选中国高等教育学会“校企合作双百计划”典型案例。 3.南方科技大学 与南科大机器人研究院共建的机器人联合研究中心，在机器人关键核心技术攻关、专业课程建设、人才联合培养等领域开展合作。双方共建的基地被广东省教育厅认定为广东省联合培养研究生示范基地。 （二）应用成效 解决了高校人工智能机器人方向的实验实训、教学科研、参加竞赛等需求，有助于打造高水平、专业化的实践科研条件。年均支撑高校开展教学科研项目不少于1项，科技竞赛不少于2项，协助申报产学合作协同育人项目等。 （三）推广计划 高校新增人工智能等新专业成为热门，传统工科专业也面临课程改革要求，因此，通过开展智能机器人设备的应用与实践，推动相关专业人才的培养与发展，已是大势所趋。推广模式包括课程案例展示、以赛促教、举办研讨会等。

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：