在创新创业项目孵化方面，天津市大学软件学院以促进人才培养与产业发展为目标，孵化了四类特色企业，在产教融合、成果转化、社会服务方面发挥了重要作用。

人工智能应用创新实训平台是一款专为人工智能领域专业学生设计的多功能教学工具，它集科研教学、实验实训和项目实践于一体，提供了一个全面的学习环境。该平台以国产高性能芯片RK3588作为其边缘计算的核心，支持本地化编程开发，使得学习者能够深入掌握人工智能技术。此外，平台还支持PyTorch、TensorFlow、NCNN等多种主流深度学习框架，便于学生进行模型训练和推理实践。 平台内置了丰富的案例资源，包括但不限于MobileNet、Fcn_Resnet、Resnet、Openpose、Unet、Retinaface、Yolov8pose、Yolov11等前沿模型，为学生提供了实际操作和学习深度学习模型的机会。这些内置模型不仅有助于学生理解深度学习算法的实际应用，也为他们的创新项目提供了坚实的基础。通过这样的实训平台，学生能够在实践中深化理论知识，提升解决实际问题的能力。 本平台融合了先进的多模态大模型智能体，并配备了一系列场景化实体组件，包括深度相机、双轴云台、多轴机械臂、微型输送带、工业级相机以及麦克风阵列等。这些尖端设备使得我们能够快速构建智慧工厂、智能分拣、智慧交通、智能家居等多种应用场景。

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：

1、产品介绍 国家大力鼓励信创产业发展的背景下，本实验箱基于OpenHarmony操作系统，是一款结合主流人工智能外设模块、物联网通信模块，满足实训需求，助力开发者提升OpenHarmony的应用开发。 OpenHarmony全场景实验箱，为开展鸿蒙系统实践教学的专用平台，通过该实验平台实现鸿蒙系统下的OpenHarmony北向应用开发、OpenHarmony南向设备开发等关键技术，使学生在深入了解鸿蒙系统的基础架构、技术原理、开发流程的同时，掌握基于标准鸿蒙系统和轻量级鸿蒙系统的应用开发的技能，为未来从事鸿蒙应用开发打下坚实的实践基础,打造智慧农业、智能家居、智能医疗、智能安防、智慧交通等现代智慧场景的综合应用的能力。 本实验箱适用于OpenHarmony操作系统在高校的移动互联、物联网、人工智能、创新创业等相关专业中实践教学的应用和推广。主要适用于高校、职业院校、培训机构、企业、开发者和相关师生。具备功能齐全、课程资源丰富、场景灵活组合等优势，实现了产学研创一体化的教育模式。 2、产品展示   图2.8 开源鸿蒙创新实验平台展示 3、产品特点 先进性 l性能卓越：搭载嵌入式边缘计算处理器RK3566/rk3568，配备4GB RAM与16GB存储空间，以及11.6英寸高清电容触摸屏，确保流畅的用户体验。 l支持多操作系统：鸿蒙（OpenHarmony）、Linux； 扩展性 l定制化设计：所有硬件单元均采用模块化设计，支持根据具体需求进行定制化选型和搭配。 l项目套件丰富：提供多种可选的项目套件模块，支持完成多样化的鸿蒙应用场景设计和创新。 实验箱采用磁吸式模块设计，不仅可以轻松地吸附在验箱上，从而简化了安装和拆卸过程，而且用户可以根据实际需求随时添加或更换模块，从而灵活地拓展实验箱的实验内容和应用场景。 配套 课程与实验：支持包括鸿蒙北向应用开发、鸿蒙南向设备开发等在内的丰富课程和实验。 该产品除软硬件双开源，可二次开发和学习使用外,还配备针对设备完整的实训指导书完整丰富的教学实训素材资源。本产品提供免费的安装部署服务和设备实训培训服务。

传统的抗肿瘤药物，如烷化剂、铂类试剂、作用于核酸合成的药物、作用于微管蛋白合成 的药物等，一般存在毒性较大、选择性较低等问题，因此，研究寻找安全有效、选择性较好的 靶向性抗肿瘤药物具有重大的科学意义和巨大的社会价值。 组蛋白去乙酰化酶 (Histone Deacetylase，HDAC) 是治疗肿瘤的新靶标，其抑制剂 Vorinostat (SAHA) 和Romidepsin (FK228) 已分别于2006年和2009年经美国FDA批准上市用于治 疗表皮T细胞淋巴瘤；该类抑制剂显示出良好的肿瘤治疗效果及较小的毒副作用，是目前最具 前景的抗肿瘤药物之一。 本项目综合运用分子动力学模拟、计算机辅助药物设计、化学合成、药理学活性测试等 方法，通过“设计－合成/修饰－测试”的多次循环，开发了一系列结构新颖的四氢-γ-咔啉骨 架的HDAC抑制剂。该类抑制剂可以有效抑制HDAC总酶及HDAC1的活性，多个化合物的酶 活性都低于50 nM；并且，该系列多数化合物对Hela、A549、HCT116、K562、MCF-7等肿瘤细 胞株表现出比阳性对照药物SAHA更高的活性，多个化合物对所测肿瘤细胞株的抑制活性低于 1 μM，而对于人类正常细胞无抑制活性；在动物模型试验中，代表性化合物对接种Lewis肺癌 荷瘤小鼠模型表现出良好的治疗效果，且没有观察到明显的体重变化和毒性反应。因此，该类 HDAC抑制剂可以作为药物先导化合物用于制备抗肿瘤药物，为广大肿瘤病患者带来福音，也 向开发我国具有自主知识产权的抗肿瘤药物迈进一步。 

高校科技成果尽在科转云

已有样品/n该项目瞄准肿瘤精准医疗技术发展中的关键问题，以肿瘤精准诊断和治疗为目标，围绕表观遗传组学在肿瘤预防、诊断和治疗中的研究和应用，开发表观遗传科学研究和表观药物高通量筛选开发的相关产品和服务平台，研发创新性表观靶点药物，为肿瘤精准医疗提供研究和诊疗的平台和药物。目前市场上大部分基因测序公司无法完成上游的ChIP 实验，项目具有很强的优势。较早的开发了ChIP 级别抗体库，在战略上具有领先优势。开

【项目来源】国家科技部“十一五”重大新药创制科技重大专项、国家自然科学基金和江苏省自然科学基金。 【类    别】化学1类新药。 【剂    型】注射剂、口服制剂。 【知识产权】主要活性成分及其系列衍生物在制药中的应用已获得国内专利授权；并申请了PCT专利，已获得美国授权。 【功能主治】用于急性和慢性心力衰竭，特别是充血性心衰的治疗。 【研发团队】 该项目研发团队为校优秀科技创新团队，团队成员中有三位国家新药评审专家，各主要成员均具有丰富的新药研发经验，在天然药物有效成分的结构修饰、生物效应评价、药物安全性评价、药代动力学研究、药物制备工艺、质量研究等相关领域具有深厚的积累和丰富的经验，获得多项新药证书，获得专利授权十几项。 【项目简介】 H168是南京中医药大学研究团队对中药活性成分经结构修饰得到的一个具有显著治疗心力衰竭作用的活性化合物，其特点是药效明确，但没有已上市同类药物常见的导致心律失常的副作用。 H168的作用靶点为心肌细胞内肌浆网蛋白SR Ca2+ ATP酶，该靶点为治疗心力衰竭的新靶点，到目前为止，尚未有基于该靶点的药物上市。 【推广应用前景】心力衰竭是迄今为止发病率仍在继续增长的心血管疾病，其主要发病原因为高血压病、冠心病与风心病，其住院率占同期心血管病的20%，死亡率却占40%。我国成年人中约有超过400万心衰患者，心衰药物的用药金额约40亿元，并且预测这一数字在5年后将成倍增长。与之同步，心衰治疗药物市场亦迅速扩大，到2020年，心衰治疗药物市场将达到到100亿元。 【进展情况】已完成临床前主要研究工作；获国内发明专利1项及PCT专利1项。  

本新药处方是本实验室通过长期对抗流感中药复方的处方筛选与处方优化而来，本处方由 8-10 味药食同源的传统中药组成；体内外抗流感病毒实验结果显示其具有抗H1N1、 H3N2、 H5N1、 H6N2、 H7N9、 H9N2 等多种流感病毒的作用，其药效明显强于已上市的多种中成药，且其与利巴韦林联合给药效果更好。安全性好，毒性低。