第二类超导体中量子化磁通的运动行为对超导材料和器件的电磁输运性质起着关键作用。人为调控超导磁通量子的运动行为，不但可以有效提高超导体的临界电流密度，还可实现具有新功能的超导电子器件，如超导磁通整流器、磁通二极管等。以往的磁通量子调控手段往往缺乏原位可调性，极大限制了相应超导电子器件的应用。近日，南京大学吴培亨院士领导的超导电子学研究所王永磊教授和王华兵教授研究团队设计出了一种可调控的新型人工自旋冰与超导异质结构器件，不但实现了超导电性的原位开关，还实现了可开关和可反转的磁通霍尔效应。 人工自旋冰是具有集体相互作用的纳米小磁体阵列，其特殊的几何排列使得系统具有很高的简并度、新奇的低能激发态（如磁单极子）、丰富的相变和磁畴。近年来该团队致力于人工自旋冰和超导纳米结构器件等方面的研究，不但设计出了可擦写的人工自旋冰，并且于国际上首次设计和制备出了人工自旋冰与超导的异质结构器件，实现了可调控的超导磁通阻挫效应和磁通整流效应。近日该团队又设计出了一种基于风车型人工自旋冰与超导的异质结构器件，利用风车型人工自旋冰易于调控的链条状磁荷结构，以及磁荷与超导磁通量子间的强耦合作用，实现了对超导磁通运动的原位操控，展示了超导零电阻态与耗散态之间的原位开关，同时实现了可编程的磁通霍尔效应。

盐碱、干旱、高温、冻害和洪涝等逆境胁迫严重影响作物的正常生长发育，是造成农作物减产和品质下降的主要原因之一，严重影响农业的可持续发展。另一方面，对于粮食作物和多数经济作物来说，其功能叶片中的同化产物和衰老叶片中的营养物质不断向产量器官的转运，对作物产量和品质性状的形成具有重要的作用，作物的过早衰老不仅直接影响粮食作物的产量和品质等要素，对于绿叶类作物和观赏花卉还会影响到其货架寿命以及观赏价值等。 克隆叶片衰老和逆境抗性相关基因，并利用生物工程技术调控其在主要经济作物中的表达方式和表达水平，是提高和稳定作物产量、改善作物品质性状的有效手段，具有重大的经济效益和社会效益。然而，很多衰老或逆境抗性相关基因在植物细胞中高表达后，在增强转基因植株对特定胁迫的抗性、延缓植株衰老的同时，往往伴随着对植株正常生长和发育的不利影响，如导致植株矮小、生长迟缓或产量下降等，导致该基因无法直接应用于抗逆作物的培育。如果可以特异性地表达这些基因，让它们在特定的发育阶段或胁迫条件下高表达，而在正常的生长过程中维持在较低的基础水平，可以大大提高它们在基因工程中的应用性。 课题组前期克隆了一个植物叶片衰老的负调控因子。在转基因植物中过表达该基因可以显著延缓植物的衰老，并赋予植物对高盐、干旱等胁迫的抗性，但是，转基因植物的生长发育受到明显抑制，导致该基因无法被直接应用于抗逆作物的育种工作。课题组前期还分离鉴定了一段含有 14 个氨基酸的多肽序列，命名为 WX01。我们对 WX01的功能研究发现其包含独特的蛋白降解信号，能够响应发育与环境信号，在转录后水平调控与它融合的目的蛋白的稳定性，从而使目的蛋白在光下正常旺盛生长的植株中降解、但在启动衰老或者高盐、高温和失水等多种逆境胁迫条件下特异积累。我们利用 WX01 与前述衰老负调节因子构建了融合基因 WX02，并转入模式植物拟南芥中，发现该融合基因可以恢复衰老负调节因子积累造成的植株矮小、生长抑制的表型，但是保留了其延缓衰老、促进光合和提高转基因植物对高盐、干旱等逆境胁迫的抗性的功能。课题组进一步将 WX02 融合基因转入经济作物大豆中进行功能验证，获得了可稳定遗传的多个株系单拷贝纯合转基因大豆材料。对转基因大豆的表型分析同样证明，WX02 转基因大豆对高盐、干旱胁迫的抗性显著提高。上述研究结果表明 WX02 融合基因在抗逆转基因作物新品种培育中具有重要的应用价值。围绕该项目已经申请了 2 项国家发明专利，1 项国际 PCT 专利，其中 1 项国家发明专利已经获得授权。 

本发明公开了一株植物乳杆菌在降低大规模肉鸡养殖时抗生素残留中的应用，属于畜禽饲用微生态制剂领域。本发明将植物乳杆菌P?8发酵液作为饲料添加剂，结果发现其可以有效降低大规模肉鸡养殖过程中抗生素在鸡肉中的残留，从而避免对环境造成的污染，以及避免抗生素残留肉鸡对人类健康造成的危害，具有重要的经济意义和社会意义。

针对分布式风光发电在配电网中的高比例接入态势，源荷存在时空不匹配特性，导致功率倒送和节点过电压等问题，面向电网网架相对薄弱地区，开展考虑风光发电不确定性的储能的选址定容研究，实现不同运行方式下储能的优化配置；提出基于有功/无功电压控制分区的新型配电系统电压控制策略，实现配电网电压的分散式与集中式协同控制，满足高渗透率风光并网场景下的电能质量要求。

“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。

2019年12月以来，由SARS-CoV-2病毒感染导致的新型冠状病毒疾病（COVID-19）在全球开始蔓延。报道显示，SARS-CoV-2感染患者的中位住院时间为10天，而武汉患者在发病10天后症状有可能加重。因此，住院时间是COVID-19临床预后的重要指标之一。 目前，CT影像学已成为COVID-19肺炎的诊断和监测工具，主要表现为磨玻璃影、实变及混合密度影。然而，现阶段的影像学研究主要集中于对病灶的定性和半定量描述，缺乏对病灶的全定量分析。因此，基于前期提出的CT定量监测COVID-19肺炎病程，团队假设在CT病灶背后的高通量影像特征“隐藏”了患者预后转归的“秘密”。 本研究纳入了兰州、安康、丽水、镇江、临夏5家新冠肺炎定点医院，自2020年1月23日到2月8日期间住院患者的临床资料和首次CT资料，所有患者经RT-PCR证实SARS-CoV-2病毒感染。至2月20日，研究共纳入31例治愈出院的患者（排除14例未出院患者和7例首次CT检查无肺炎表现患者），并将10天作为住院时长的二分类阈值。基于有限的样本量，团队将4个中心作为训练队列，另外一个中心作为验证队列。通过自动分割肺叶和半自动分割病灶，31名患者中累计分割出72个病灶。在对病灶图像预处理后，提取影像组学特征并筛选。为了研究影像组学特征的稳定性，团队使用了Logistics回归模型和随机森林模型对筛选的特征分别进行建模和验证。​结果发现，6个筛选出的二阶特征在两种不同分类器中均表现出良好的预测价值。在外部测试队列中，Logistics回归模型的AUC为0·97(95%CI 0·83-1·0), 敏感性 1·0, 特异性0·89；随机森林模型的AUC为0·92 (95%CI 0·67-1·0),敏感性 0·75, 特异性1·0。随后，研究又纳入了2月20日-28日新出院的6名患者，利用已建立的影像组学模型可以正确预测所有6名患者的住院时间。