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。 

成果描述：聚乙烯醇缩丁醛树脂（Polyvinyl Butyral，简称PVB），是由聚乙烯醇树脂（PVA）在催化剂存在下和正丁醛进行缩聚反应得到功能性树脂。 聚乙烯醇缩丁醛树脂分为低粘和高粘两类，低粘度PVB主要用于制备一般的薄膜、粘结剂、涂料、纸张处理、陶瓷等领域；高粘聚乙烯醇缩丁醛树脂PVB主要用于汽车、飞机、高层建筑玻璃幕墙、潜艇等用安全玻璃的夹层材料，可以在保持良好透光性的前提下提高安全玻璃的抗冲击性性能。 本成果在高品质PVB树脂的合成技术的研究开发上进行了卓有成效的工作，应用新型高效混合剪切反应技术、洗液/滤液循环利用技术、无乳缩醛化反应技术和新型高效强制外循环缩醛化反应器成功地解决了现阶段国内PVB树脂普遍存在的问题，改善了高分子链条微观结构，避免高分子链条间的交联，使缩醛度更高更均匀，由此树脂制得的膜片具有高透光率和低雾度等光学性能，完全可以满足安全玻璃中间膜的需要。 同时，该技术成果避免了传统工艺上的低温反应，可以使初始反应温度从20℃开始，避免了使用冷冻带来的高能耗。且工艺过程大大提高了丁醛利用率，降低了生产成本，适合工业化转化。市场前景分析：聚乙烯醇缩丁醛树脂分为低粘和高粘两类，低粘度PVB主要用于制备一般的薄膜、粘结剂、涂料、纸张处理、陶瓷等领域；高粘聚乙烯醇缩丁醛树脂PVB主要用于汽车、飞机、高层建筑玻璃幕墙、潜艇等用安全玻璃的夹层材料，可以在保持良好透光性的前提下提高安全玻璃的抗冲击性性能。 目前，世界上生产高品质聚乙烯醇缩丁醛树脂的公司主要集中在美国、日本和西欧等经济发达地区， 主要是美国首诺公司( SOLUTION) 、杜邦公司(DUPONT) 、日本积水化学工业公司( SEKESUI) 和德国佳氏福公司( TROSIFOL) 。 我国聚乙烯醇缩丁醛树脂及膜片的生产企业大概有十余家，树脂总生产能力达到40000吨/年，膜片总生产能力达到35000吨/年。但其中低粘度聚乙烯醇缩丁醛树脂占80%以上，安全玻璃用高粘度产品（包括回收国外废PVB料）不到10%，且品质和国外相比还存在较大差距，主要表现在：颜色发黄、酸值偏高、缩醛度较低（国内一般70%以下，国外可以达到80%以上），透明度、雾度和柔软性较差等等，每年需要直接从国外进口高粘度高品质的PVB树脂和膜片，以满足国内汽车工业和建筑工业的发展所需。 对于国内需求量来说，现在低端产品市场已趋于饱和，但中高端产品市场仍供不应求，许多高端产品仍需从国外大量进口。目前国内仅汽车工业对安全玻璃用的高粘度聚乙烯醇缩丁醛树脂需求在1.5万吨/年，且年增长率大约在15%-20%左右，市场发展前景广阔。与同类成果相比的优势分析：以500吨/年的规模计算，该项目的投资额大致在1300万元左右（其中100万元为流动资金）。据可行性分析计算，聚乙烯醇缩丁醛树脂的直接生产成本为1.43万元/吨，车间成本为2.046万元/吨，工厂成本为2.68万元/吨，销售成本为2.71万元/吨。现目前该产品的市场售价为3.3万元/吨。企业的年纯利润为220.76万元，净投资收益率为16.98%。 国际先进。

本发明提供了一种基于仿射摄动的区间不确定性结构能量响应预示方法，建立各子系统的确定性结构的统计能量控制方程，进而引入区间因素，获取区间不确定性结构的区间统计能量控制方程，设定不确定性参数的区间参数，基于仿射摄动算法得到各区间变量的仿射区间表达式，设定各变量的摄动分析表达式，进而基于区间仿射算法的运算法则，推导得到考虑区间不确定性结构的子系统区间能量表达式，给定初始边界参数和求解频率后，计算得到区间不确定性结构的区间能量响应。通过本发明方法使得区间不确定性结构区间能量响应的区间宽度大大缩小、区间能量响应的预示精度大大提高，从而可以更加精确地评估区间不确定性结构的高频动力学特性，具有重要的工程应用价值。

本项目针对人工速生林木材密度小、强度低的特点，研究开发出木材化学改性与干燥一体化工艺技术及装备。本技术能够大幅度提高速生材性能，同时解决了常规木材改性技术中改性剂浸透困难、环保性差，改性材功能单一、尺寸小，无法满足工业生产要求等问题；解决了传统木材改性技术工艺“先干燥-再浸渍处理-再二次干燥”的能耗高的问题。本项目技术获国家发明专利授权2项，已在多家企业应用。

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。

动物捕食植物种子（下称种子捕食）是动植物协同进化的重要方面。动物捕食植物种子可影响植物种群更新和繁衍；植物通过调节各种性状，如种子大小、蛋白质含量，调节动物捕食行为。植物性状对种子捕食调节能力的评估对理解动植物协同进化具有重要意义。 因此，建立一种用于种子捕食追踪的人工种子系统，对于种子捕食追踪及相关研究，理解动植物协同进化，促进野生植物尤其是珍稀濒危植物保护具有重要的作用。

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：

本发明提供了一种复制式人工关节间隔物的制作方法，包括以下步骤：1）首先在容器内铺设固化剂，将人工关节假体包裹在容器内的固化剂中，制备人工关节假体阴模；2）然后向阴模内注入硬化剂制备复制式人工关节间隔物。可事先在阴模中放置金属棒或块以增加间隔物的强度。本发明能在较短时间内精确制备出尺寸和外形与拟选用人工关节假体一致的间隔物，以缩短手术时间，改善间隔物的作用效果，制备方法经济且简便易行。植入的关节式间隔物可使得患者在术后获得部分正常的关节功能，术后满意度提高。并有效防止了软组织的挛缩，为再次手术奠定了基础。

采用前沿的深度学习算法和相关数据处理技术，经过不断优化和创新，能够在极短时间内完成 CT 图像的人体器官勾画功能，目前已实现 30 多种器官的自动勾画。大量历史病例数据集和模型的不断创新使 DeepViewer 多种器官的勾画精准度达到 95%以上。