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：

本发明提供了一种高含油量花生的定向筛选方法，本发明利用在培养基中添加羟脯氨酸来筛选高含油量花生，在添加有羟脯氨酸的培养基中，耐脱水能力弱、一般含油量花生的细胞因失水而凋亡；耐脱水能力强、高含油量花生的细胞才能存活，凡是能在该培养基上成活和正常发育的花生细胞，其含油量必定是高的；凡是不能在该培养基上成活和正常发育的花生细胞，其含油量必定是低的；以此技术形成了高含油量花生的定向培育技术。本发明通过定向

利用目前已上市靶向抗癌药物索拉非尼（sorafenib）作为先导化合物，在分析其基本化学结构基础上，设计合成一系列结构类似的衍生物。通过系统的药理毒理学研究，对所合成的新化合物进行有目的筛选，从而发现新药，并对其进行系统的研究，目标是研制出具有自主知识产权的靶向抗癌新药。在未来的肿瘤治疗发展中，针对分子靶点的新一代抗肿瘤药物将凭借其特异性与靶向性，在抗癌治疗中将发挥重要作用。尤其是以酪氨酸激酶为靶点进行抗肿瘤药物的研发，具有十分广阔的前景。江苏省药物研究所原名南京药物研究所，始建于1962年7月，2006年12月整体划转南京工业大学，是具有独立法人资格的专门从事新药创新与开发研究的专业科研机构。至今共取得新药证书158份。江苏省药物研究所有限公司学科建设和科研设备齐全，以江苏省药物研究所为依托的“江苏省药物安全性评价中心”、“江苏省动物质量检测站”、“江苏省药物新剂型研究与工程化服务技术中心”是江苏省“三药”示范工程的重点配套设施。我所长期服务于企业，已与江苏省恩华药业股份有限公司、江苏亚邦药业集团股份有限公司、江苏四环生物股份有限公司等多家上市公司结为校企联盟，具有良好的产学研合作基础与传统。

研发阶段/n（1）采用BHIA培养基从患病鱼体病灶处（或者从肝、脾、肾、腹水）分离病原菌，在初培养的基础，挑取单个菌落进行纯培养并快速鉴定其种类。（2）将分离菌株接种在盛有适宜的培养基的平板中，采用药物纸片检测分离菌株的药物敏感性，确定分离菌株的药物敏感谱。（3）参照日本化学疗法学会的试管法，在药物系列试管中测定抗生素类药物对分离致病菌的抑、杀菌浓度，根据不同种类的抗生素类药物对分离菌株的最小抑菌浓度（MIC）的大小，选择治疗疾病的适宜药物种类和剂量用药。应用前景：适用于全国各地的海、淡水水产养殖区

原理：以蜜蜂为活体生物转化器，利用体内酶系进行生物转化，将果汁转化为果蜜创新点：世界上首次提出“以饲代采”生物酿蜜概念，以大宗水果为原料，经前处理，饲喂蜜蜂，实现定场养蜂，实现蜂蜜工业化生产应用案例：2023年，在沈阳建立200群的生物酿蜜示范基地，辐射东北地区成果获奖：第十五届“挑战杯”全国大学生课外科技活动大赛，三等奖成果评价：完全颠覆国内外几千年的蜂蜜生产模式，实现0→1的突破，为蜂蜜生产打开一扇全新的大门，规避了传统蜂蜜生产的限制因素以及不利因素，实现蜂蜜生产工业化、标准化、机械化、智能化，蜂蜜生产效率比传统提高3-4倍，解决了水果滞销、储运损失的问题。

北京豪思生物科技有限公司（简称豪思生物）是一家由留学归国人员创立的研发型高新技术企业，公司的研发及高层管理团队由多位留学欧美的资深学者和企业家组成，具有丰富的医疗技术研发及管理运行经验。 豪思生物在全球临床质谱研究领域权威科学家、公司首席科学顾问Gert Lubec 教授牵头指导下，公司自主研发了一系列临床质谱筛查产品，包括应用于阿尔兹海默症、心血管疾病、泌尿疾病等重大疾病早期筛查诊断、遗传代谢病筛查、药物浓度检测、代谢物检查（氨基酸、脂肪酸、胆汁酸）、类固醇激素检测、维生素谱检测等质谱检测产品和服务，尤其在阿尔兹海默症早期诊断、治疗与监测相关技术已具备国际领先水平。 同时，公司与美国梅奥医疗平台、清华大学质谱研究组、北京大学有着深度的合作关系，通过大力整合国内外先进技术资源，从而构建国际领先的质谱诊断平台。豪思生物的研究成果已在国内成功申请10项专利，国际专利申请工作也正同步进行。点击上方按钮联系科转云平台进行沟通对接！

南京大学电子智慧型服务机器人创新研究院融合AI+5G技术，研发出智慧服务机器人“小融”代替银行大堂经理，实现客户业务办理流程自动化，与中国工商银行合力开展智慧银行建设，在避免人人接触同时实现业务快速办理，提高了服务效率。智慧服务机器人“小艾”代替医院导医人员完成导诊、分诊等工作，有效避免了原有医护人员与患者直接接触而发生交叉感染的可能，降低病毒传播的风险。2020年2月18日，智慧服务机器人“小艾”首先进入南京市鼓楼医院门诊大厅，它不怕病毒，不需穿戴防护服及口罩，是新冠肺炎疫情防治期间鼓楼医院的智慧导医，也是医护人员的最佳助手。在鼓楼医院导医台，患者进入病区时，南大电子机器人首先会通过人脸识别对未佩戴口罩人员进行搜索，并向前温馨提示；通过机器人视觉及语音交互，她还可以对病区内发热、咳嗽等症状患者进行识别梳理，主动向前询问及排查筛选，并引导至发热门诊；在判断患者情况后，机器人可通过脸部大屏推送医院科室导视图，以语音加图片的形式引导患者去相关科室就诊，有效进行分流，减少人流聚集；对于医院概况、在班医生、楼层分布及基础设施等问题查询，机器人也可以通过语音交互帮助患者答疑解难，并精准引导推送；除完成导诊、分诊等日常工作外，机器人更可以对当天就诊情况及患者情况进行大数据分析统计。除智慧导医场景外，在防控期间，机器人还可以协助医护人员进行病情诊断、隔离区查房、远程会诊，更可以陪患者聊天进行心理疏导，服务场景及功能可进一步延伸。南大电子智慧型服务机器人创新研究院已迅速参与到科技抗疫的大军中，除驰援医疗行业外，南大电子智慧服务机器人还在政府单位、银行网点、街道社区等窗口单位上岗服务，用智慧力量共筑AI安全防线；同时，南大电子也将更好发挥人工智能赋能效应，用最好的产品及最优的技术支援抗疫，携手各行各业打赢这场疫情防控的攻坚战。