“NMT界乔布斯”许越先生推荐创新平台 中关村NMT产业联盟推介成员单位创新产品 “全球抗疫，人人有责”   推出背景： 中国的疫情目前已得到有效抑制，但全球的疫情形势依旧严峻。在这种情况下，中国尽全力向世界各国分享抗疫的经验和成果，这充分显示出大国的奉献与担当，同时彰显了为人类命运的共同繁荣而奋斗的精神。 但大家也清醒地认识到，与新冠肺炎的科技斗争才刚刚拉开序幕，未来任重道远，尤其是在研究技术及方法的竞争上更是世界各国竞争的焦点！ 作为中国的高新技术企业，中关村NMT联盟的会员单位，旭月（北京）科技有限公司充分响应国家对于生物安全的政策。在短时间内，利用20多年的技术积累，为解决动物医学领域缺少组织水平研究手段这一短板隆重推出： 《NMT活体组织代谢仪》系列产品！   应对挑战： 1）组织器官水平研究：随着研究的深入，单细胞的生理状态，以及对不同环境的生理反应，与处于机体组织器官中的细胞的差异，已逐渐成为研究中的瓶颈。NMT不仅可以检测单细胞，还可以实现对细胞的原位检测，以及对活体组织器官的在体检测，很好地弥补了这一研究手段的空白。 2）活体研究：可在离体或在体的情况下，对活体组织，开展代谢研究，无需提取、无需染色。   分类及用途： 1）《NMT活体组织代谢仪》（型号：NMT-MLT-100） 基于底层核心NMT技术，以及成熟的技术解决方案，让科研人员可以马上投入相关科研创新工作。   2）《NMT活体组织代谢仪》（型号：NMT-MLT-200） 基于底层核心NMT技术，结合自身科研兴趣，以及其它相关技术参数，在我方技术人员协助下形成技术解决方案，让科研人员建立更具独有创新特色的实验平台。   《NMT活体组织代谢仪》（型号：NMT-MLT-100） 应对挑战： 1）组织器官水平研究：随着研究的深入，单细胞的生理状态，以及对不同环境的生理反应，与处于机体组织器官中的细胞的差异，已逐渐成为研究中的瓶颈。NMT不仅可以检测单细胞，还可以实现对细胞的原位检测，以及对活体组织器官的在体检测，很好地弥补了这一研究手段的空白。 2）活体研究：可在离体或在体的情况下，对活体组织，开展代谢研究，无需提取、无需染色。 用途： 基于底层核心NMT技术，以及成熟的技术解决方案，让科研人员可以马上投入相关科研创新工作。 参数 1.基本功能： 1.1针对活体组织代谢研究设计 1.2活体、原位、非损伤检测 1.3可检测指标：H+、K+、Na+、NH4+、Ca2+、Mg2+、Cl-、O2、H2O2 2.性能： 2.1自动化操作 2.2长时间实时和动态监测 2.3无需标记 2.4立体3D流速检测 3.软件： 3.1imFluxes智能软件，可直接检测、输出离子分子的浓度与流速 《NMT活体组织代谢仪》（型号：NMT-MLT-200） 应对挑战： 1）组织器官水平研究：随着研究的深入，单细胞的生理状态，以及对不同环境的生理反应，与处于机体组织器官中的细胞的差异，已逐渐成为研究中的瓶颈。NMT不仅可以检测单细胞，还可以实现对细胞的原位检测，以及对活体组织器官的在体检测，很好地弥补了这一研究手段的空白。 2）活体研究：可在离体或在体的情况下，对活体组织，开展代谢研究，无需提取、无需染色。 用途： 基于底层核心NMT技术，结合自身科研兴趣，以及其它相关技术参数，在我方技术人员协助下形成技术解决方案，让科研人员建立更具独有创新特色的实验平台。 参数 1.基本功能： 1.1针对活体组织代谢研究和研发设计 1.2活体、原位、非损伤检测 1.3可检测指标：H+、K+、NH4+、Na+、Ca2+、Mg2+、Cl-、O2、H2O2 1.4可实时监测和记录检测时的环境参数：温度、湿度、大气压、海拔、经纬度 1.5可拓展检测指标：HCO3-、NH3、葡萄糖、NADPH、ATP 2.性能： 2.1自动化操作 2.2长时间实时和动态监测 2.3无需标记 2.4立体3D流速检测 3.软件： 3.1imFluxes智能软件，可直接检测、输出离子分子的浓度与流速，以及检测时的环境参数

2020年2月3日，复旦大学张永振团队在Nature 在线发表题为“A new coronavirus associated with human respiratory disease in China”的研究论文，该研究报告了一名在海鲜市场上工作的患者，该患者于2019年12月26日入住武汉市中心医院，患有严重的呼吸系统综合症，包括发烧，头晕和咳嗽。支气管肺泡灌洗液样品的基因组RNA测序，鉴定了一种新型的RNA冠状病毒，在此称为为WH-Human-1冠状病毒（也是后面称为的2019-CoV）。 

发展了国际领先的完整的单细胞高通量测序技术体系，将其创造性地应用于人类发育生物学和生殖生物学的前沿研究，并进一步在深入的基础研究基础上推广到临床应用上，使我国胚胎植入前遗传诊断技术处于世界领先水平。

项目简介： 在生物学研究中， 生物学家常常通过具有扩散的偏微分方程来描述种群迁移等现象。例如，当原始微生物与环境相互作用（如粘液霉菌形成、胚胎发育、肿瘤侵入健康组织等） 时，个体的非结构化行为在宏观层面上将转变为相当复杂的动力学行为，其中一个重要因素是

 细胞死亡是最重要和普遍存在的生命现象之一。目前我们所认知的细胞死亡的两种主要方式是：细胞坏死（necrosis）和细胞凋亡（apoptosis）。长期以来，细胞坏死被认为是不被调控的，然而近些年研究表明某些细胞坏死也是一种程序性的细胞死亡，受到基因严格调控。细胞坏死参与很多重要的生理过程中，并与许多人类疾病的发生密切相关，如：肿瘤、急性胰腺炎、缺血性心脑管疾病、以及神经退行性疾病等。因此，深入研究细胞坏死的分子机制和与之相关疾病的治疗方法具有重要的科学意义和社会意义。然而，由于许多和细胞死亡相关的调控基因都存在“致命性”，而且相关信号转导通路非常复杂，目前经典生物学研究方法遇到了很大瓶颈。因此，开发出通过运用小分子探针，且具有高效、可视、可控、和定量化的化学方法来研究细胞死亡的生物作用机制和调控方法具有重要意义。

现有伴随诊断主要是基因检测，而基因突变并不等于蛋白质表达，更不意味着靶点激活。本项目基于蛋白组学，特异性捕获磷酸化酪氨酸激酶（最主要靶点），直接检测靶点激活状态，极低成本为肿瘤用药提供最精准指导。

南科大医学院教授张文勇、研究助理教授栾合密等在国际著名生物信息学与计算生物学期刊Bioinformatics上发表题为“CPVA: a web-based metabolomic tool for chromatographic peak visualization and annotation”的论文。该研究创新提出了以色谱中心策略算法（CCS）提高基于质谱的组学数据质量，并搭建了R-Shiny的Web应用CPVA，实现了组学数据在线交互式的处理。 该论文提出了色谱中心策略算法（CCS），并开发了在线互动工具来解决该领域普遍存在的问题。色谱中心策略是指通过对组学数据中提取的色谱峰形状进行数字化描述，包括对称性（Symmetry）、锯齿度（Jaggedness）、形态（Modality）、色谱质量指数（MCQ）等，并以在线互动的方式直接展示色谱峰的形态特征。

主要创新性成果包括：发现鱼类GH分泌活动受多种神经内分泌因 子的调控，其中促性腺激素释放激素（GnRH）、促甲状腺素释放激素（TRH）、多巴胺及其激动剂等都 能刺激GH分泌，而生长抑素（SRIF）则抑制GH分泌；发现刺激GH分泌的神经内分泌因子等通过口服途 径能显著促进GH分泌和提高鱼体生长速率，且这些因子共同使用，其叠加作用产生的促生长效果更为显 著；构建了斜带石斑鱼等鱼类cDNA文库，克隆了生长激素（GH）及其受体，类胰岛素生长因子Ⅰ、Ⅱ （IGF-Ⅰ，IGF-Ⅱ）及其受体，脑垂体腺苷酸环化酶激活多肽（PACAP）、神经肽Y(NPY)、生长素释放 素（ghrelin）等生长相关功能基因；研制了基因重组GH，采用投喂方法证明它能为鱼消化道吸收而促进鱼 体生长。

产品详细介绍

“现阶段医生需要在大量影像数据中快速诊断出新冠肺炎的病例，此外还需要诊断出病灶分布的位置、大小等来评估严重程度。”薛向阳介绍，针对临床的现实需求，团队将设计目标定位于“肺炎分类鉴别”和“关键病灶检测”两大功能，前者是为区别健康状态、新冠肺炎、其他病毒性肺炎、细菌性肺炎，后者则为找到并分隔出磨玻璃影等病灶区域。针对这些需求，团队设计诊断算法模型，让机器利用模型进行训练，学习不同类型肺炎在CT影像表现上的不同特征，最终具备智能辅助诊断的能力。而这需要突破小样本学习、小目标检测等多个技术难题。“小样本学习”即在较少训练数据样本的条件下进行机器学习。在疫情发生前期，能够获取的新冠肺炎影像数据相对较少，且由于一线影像医生任务繁重，无法获得大量专家标注，因此需要算法在少量样本的条件下“自学成才”。为此，团队采用基于自迁移学习的半监督学习等技巧，使算法具备一定的“小样本学习”能力，在不增加医生标注工作量的情况下较好地提高了算法模型的普适性。由于CT影像切片中的病灶区域有大有小，且往往大中小病灶区域面积悬殊，如何使算法能同时检测大、中、小各个目标是另一大难题。团队利用神经网络的层次性特点与病灶区域的大小进行对应，“网络的底层关注细节，即小病灶区域，而网络中层到高层所关注的病灶区域则越来越大，因此模型通过不同层次的加权和融合，最终便能达到同时检测大小病灶区域的目标。”薛向阳解释道。“不过，即便有诊断‘神器’，影像科医生也是不可替代的。”薛向阳说，人是复杂的机体，病毒在不同人体内感染的反映也不一定相同。”他表示，当遇到机器未曾学习过的微小病变或疑难病例时，仍需要影像医生的经验和智慧。以解决实际问题为目标，该项目在研究过程中始终与临床应用紧密结合。无论是机器学习数据，还是测试评估数据，都来源于临床真实病例。在算法模型定型过程中，为了检验模型的准确率和泛化性，团队也利用现实疑似病例进行了测试。