本发明公开了一种基于人工蜂群算法和量子粒子群算法的优化计算方法，其包括以下主要步骤：(1)根据实际问题编制待优化目标函数；(2)输入算法的通用运行参数：种群数目、迭代次数、变量维数、变量取值范围、待优化目标函数；(3)选取ABC、QPSO、QPSO+ABC和ABC+QPSO的一种或多种计算方法进行计算；(4)若只使用一种，直接判断结果是否满足优化要求；若多于一种计算方法，综合比较计算结果及评价最优的结果是否满足此次优化的要求；(5)若满足要求，运算结束，输出计算结果和迭代曲线；(6)否则，修改算法的

探究了AI自动勾画的临床应用价值，即AI能够为临床医生提供多大的帮助。在8位医生完成人工勾画两个月后，由他们对AI自动勾画的结果进行修改（AI自动勾画+医生修改，即AI辅助勾画）。结果显示，AI辅助勾画提高了5位医生的勾画准确性（平均由74%提高至79%），减少了55%的勾画者间差异。     本研究是AI在全期别鼻咽癌放射治疗靶区勾画方面的首个研究，样本量大、技术合理、测试全面，是AI在肿瘤学领域应用的一项重要进展。研究结果显示AI辅助勾画提高了鼻咽肿瘤勾画的准确性，能够让经验较少的医生达到近似专家水平的勾画，将会对肿瘤控制和患者生存产生积极影响，同时极大地提高了医生勾画的效率，为实现精准而又高效的鼻咽癌放射治疗靶区勾画提供了解决方案。

安徽大学人工智能学院在人工智能、控制科学、信号处理等领域取得了多项顶级研究成果

本发明涉及自适应控制技术领域，具体为一种基于人工智能的运营期建筑节能低碳控制方法及系统，包括以下步骤：收集并分析房间使用情况和光照强度，得到活动类型识别结果。本发明中，基于对房间使用情况和光照强度的实时分析，识别不同区域的使用模式，并结合自然光变化和室内活动需求，动态计算所需照明强度和色温调整参数，实现对照明环境的精准匹配。通过实时监测照明设备的调整状态，结合房间使用模式的变化，建立动态反馈机制，对照明偏差进行自适应修正，避免能源浪费。强化学习的引入使通风策略能够通过历史数据和实时反馈不断优化，实现个性化的空气质量管理，而非基于固定阈值执行单一调节。

4月22日，饶燏课题组与武汉大学宋保亮课题组合作在《药物化学杂志》（Journal of Medicinal Chemistry）发表题为“降解对比抑制：开发靶向3-羟基-3-甲基-戊二酰辅酶A还原酶的降解小分子”（Degradation Versus Inhibition: Development of Proteolysis-Targeting Chimeras for Overcoming Statin-Induced Compensatory Upregulation of 3-Hydroxy-3-methylglutaryl Coenzyme A Reductase）的研究论文。HMGCR（3-Hydroxy-3-methylglutaryl Coenzyme A Reductase）是胆固醇（ cholesterol）合成途径中的限速酶，并且是经典的治疗血脂异常的药物靶点。它的抑制剂（ statin,他汀类化合物）如阿伐他汀（atorvastatin,立普妥®，辉瑞）在临床被用于预防和治疗心血管疾病，并取得了极大的成功。但是有相当一部分人对他汀类药物不耐受，比如会发生骨骼肌损伤等较为严重的副作用，这有可能与服用他汀类药物后体内通过负反馈调节导致HMGCR补偿性表达升高有关。因而在该工作中，研究人员利用蛋白靶向降解嵌合体（Proteolysis-Targeting Chimera, PROTAC）的技术，对HMGCR在进行降解而起到抑制胆固醇合成作用的同时可以避免HMGCR的高表达，从而有望降低副作用。 图1.抑制剂与PROTAC对HMGCR的影响 在该工作中，研究人员首先筛选出SRD15细胞系作为细胞测试的基础，然后基于HMGCR的配体阿伐他汀和E3链接酶CRBN的配体泊马渡胺进行了一系列的构效关系研究，发现化合物P22A作为PROTAC具有较好地降解活性（DC50~100 nM）。相比之下，抑制剂阿伐他汀对HMGCR引起了明显的上调作用（图1）。 图2.抑制剂和PROTAC对LDLR和胆固醇的影响 接下来，研究人员通过一系列的生化和细胞生物学实验证实了PROTAC通过泛素-蛋白酶体系统发挥作用的机制；通过蛋白组学的研究发现抑制剂和PROTAC引起的组学应答也有很大不同。抑制剂和PROTAC对胆固醇合成抑制和通过SREBP通路引起的低密度脂蛋白受体（LDLR）表达水平上调的能力相当（图2）。 HMGCR是位于内质网上的八次跨膜蛋白, PROTAC对此类蛋白的降解能力往往有限，该工作首次证明利用PROTAC技术对内质网蛋白进行降解的可行性。另外，靶蛋白上调的现象还出现在很多其它的抑制剂中，该工作展示了面对此种情况时是PROTAC一个很好的应用场景。 宋保亮课题组博士生李美欣和饶燏组博士后杨毅庆为本工作共同第一作者，饶燏和宋保亮课题组罗婕为共同通讯作者。本研究得到了国家自然科学基金、清华-北大生命联合中心以及中国博士后基金的大力支持。 原文链接： https://pubs.acs.org/doi/10.1021/acs.jmedchem.0c00339

技术分析(创新性、先进性、独占性) 为了充分利用先进的人工智能的新技术，提高医疗影像辅助诊断的水平，使得智能医疗诊断技术提高临床诊断的质量和效率，使其尽快走入家挺、社区，满足人们的医疗健康的需要。研究临床医学影像的2D病灶精细分割和三维跨模态的影像三维重建技术。首先，通过建立多层感知的神经网路，对医学影像的特征进行充分学习，得到影像的几何映射的关系，从而实现对医学影像的三维重建，克服了现有的三维重建技术中度量关键问题，关键技术对于医学影像的精准度量，具有现实意义:其次，在2D病灶分割中，利用半监督学习技术，实现少标签情况下的分割技术，半监督学习技术可以有效解决医学影像中标签难以获取的问题。技术的研究成果的特点是医学影像跨模态辅助诊断技术，对于超声、CT以及核磁共振等影像都有效，并且攻克的神经网络过于复杂的关键问题，所研究技术适用于临床快速便捷辅助诊断。此外，在医学度量方面的关键技术中，突破了人体腹腔及皮下脂肪的精细分割技术的关键技术，可以用于临床辅助诊断中，在关键技术探索中，实现对腔内脂肪特征的精细学习，该技术仅需要少量的影像标准数据，就可以实现皮下脂肪的准确分割，并证明了关键技术的有效性。