本品是为提高银杏叶制剂的安全与功效为目的，基于中药配伍减毒增效原理，采用刺梨汁粉与银杏叶提取物配伍，进行了单、复方银杏叶减毒增效作用比较研究，经20多年的研究结果表明，刺梨与银杏叶配伍，不仅可降低制剂中银杏酸的含量和毒性，还具有降低甘油三酯作用的同时兼保护肝脏、改善消化及循环功能的优势。项目进展已获得保健食品批准证书。应用前景随着我国老龄人口增加，高脂血症已为脑梗塞、冠心病、老年性痴呆等老年慢性疾病的主要诱因，发病率和死亡率持续上升，且发病年龄趋向年轻化。高甘油三酯血症患病率是我国临床高脂血症构成中最常见的类型。但现有的降甘油三酯的主要代表药力平之，虽效果肯定，但因伴随肝损害、横纹肌溶解、皮肤过敏等不良反应，使用相对受限，仅以他汀类药物替代治疗。而他汀类药物主要是降胆固醇为主，降甘油三酯效果并不明显。且存在很大的副作用。鉴于本品降低甘油三酯、改善微循环、抗氧化功能确切,预计本品上市，可与现有降脂药物及单方银杏叶制剂竞争市场。不仅是更为安全，而且具有护肝、健脾、活血化瘀的整体调理健康之特色。预计本品将对高脂血症相关的心脑血管疾病的干预有着广阔的市场空间。

（专利号：ZL 201310493923.0） 简介：本发明公开一种三叶片立轴风力机，属于风能发电设备技术领域。该风力机包括风向舵、上转臂、立柱、下转臂、减速箱、传动箱、箱体、立轴、叶片等；风向舵位于上转臂的上方并通过立轴穿过空心立柱与减速箱的输入轴联接，立柱上端与上转臂固接而下端与下转臂固接形成回转支架，减速箱上部固定于下转臂而下部固定于箱体，三个叶片均匀布置在以立柱轴线为中心的圆周上，叶片上端支承于上转臂，叶片下端支承于下转臂，三叶片

银杏叶提取物、金艺华、连翘、丹参、红景天、水飞蓟等重要提取前沿技术和专业人才

XM-614大脑分叶模型   XM-614大脑分叶模型可拆分为2部件，大脑作正中矢状切面，左侧大脑半球作水平切面，并剖开颞叶显示间脑，小脑作矢状剖面，按不同功能部位进行定位，并用颜色加以区别。 尺寸：自然大，21.5×17×14cm 材质：PVC材料

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：

断奶前仔猪腹泻是养猪生产中的常见疾病，给世界养猪业造成了巨大的经济损失，肠毒素大肠杆菌（ETEC）F4ac是引发断奶前仔猪腹泻的最主要致病菌。本项目在国家863、国家科技支撑计划、江西省科技创新重大专项等项目支持下，通过6年多的研发，在国际上首次确定了MUC13为决定断奶前仔猪腹泻易感性的ETEC F4ac受体基因。发现了对ETEC F4ac易感和抗性个体鉴别准确率大于97%的关键突变位点。由此首次在国际上发明了高精准度的、具有完全自主知识产权且广泛适用于杜洛克、长白和大白三个主要商业猪种的断奶前仔猪腹泻抗病育种新技术。本项目在动物遗传育种领域有影响的国际性学术期刊发表本发明技术直接相关的SCI论文10篇，其中1篇为国际专业杂志封面文章。获国家授权发明专利2项。培养博士3人，硕士15人，1篇博士论文获全国优秀百篇博士论文提名奖。 2008年以来，通过国家生猪现代产业技术体系平台，进行了大面积的专利技术推广应用，结合常规育种，系统地在我国20个生猪主产省（市）35家国家级重点种猪场的84个核心育种群（14396个体）中开展了抗F4ac仔猪腹泻病的专门化新品系选育。经过3年的选育改良，使受试种群中的杜洛克、大白、长白易感个体的比例分别下降20%，25.1%和25.4%，显著提高了这些核心育种群的断奶前仔猪腹泻抗性。 本项目实现了我国种猪抗病育种技术的重大自主创新，有力地推动了我国种猪业的行业科技进步和健康可持续发展。

本发明属于动物传染病防制技术领域。具体涉及一种高效快速构建猪肠道冠状病毒重组病毒的方法。利用CRISPR/Cas9系统对含有PEDV AJ1102株全长cDNA的BAC质粒进行切割，再通过同源重组方式获得EGFP基因替换PEDV AJ1102株ORF3基因的重组BAC质粒，转染细胞后拯救出重组病毒rAJ1102‑△ORF3‑EGFP。由于不同的猪肠道冠状病毒具有相似的基因组结构与复制策略，本发明也适合于其它猪肠道冠状病毒重组病毒的构建。与传统方法相比，本发明具有靶点选择宽泛，特异性强，操作简单，效率高和实验周期短等突出优点，在一周之内便可获得重组病毒，是一种高效快速构建猪肠道冠状病毒重组病毒的方法。 （注：本项目发布于2019年）

2020年2月12日，湖南大学联合苏州系统医学研究所、中国国家流感中心和中山大学等单位，成功开发基于分子标记物的流感病毒表型预测平台FluPhenotype，并在国际生物信息学专业权威期刊《Bioinformatics》发表题为“FluPhenotype-a one-stop platform for early warnings of the influenza A virus"的文章进行相关介绍。该文章的第一作者为湖南大学生物学院硕士研究生卢聪毓和博士研究生蔡泽娜，通讯作者为湖南大学生物学院副教授彭友松与苏州系统医学研究所蒋太交教授。 研究人员通过整合流感病毒核苷酸和氨基酸水平的分子标记物，以及基于分子标记物的抗原和宿主等预测模型，开发了快速预测流感病毒的抗原、宿主、致病性、耐药性等多个表型的预测平台FluPhenotype。