Notch通路失调与多种疾病密切相关，包括多种血液系统恶性肿瘤、实体瘤及遗传病等。尽管目前已有十余种针对Notch信号通路的靶向药物进入临床试验阶段，但针对携带Notch激活突变的癌症均收效甚微。特异性靶向活化Notch及其下游转录复合物药物的缺乏与其复杂的转录调控机制密切相关。

本发明提供了一种表面具有纳米纤维多孔结构的羟基磷灰石/聚酰胺复合生物材料，该材料由成型基体及覆盖在成型基体表面并与成型基体结合成一体的纳米纤维层组成，所述纳米纤维层中的纳米纤维之间相互交错形成多孔结构，所述成型基体和纳米纤维层均为羟基磷灰石/聚酰胺复合材料。其制备方法如下：羟基磷灰石/聚酰胺复合材料和氯化钙溶解在无水乙醇中形成纺丝液；将成型基体置于接收屏上，采用静电纺丝法将纺丝液纺丝于成型基体上即得。本发明所述复合生物材料有利于细胞及组织的黏附生长，植入体内后容易血管化，与骨组织的结合性能良好。

面向我国能源结构调整的重大战略需求，提出了利用二氧化碳高效开发页岩气的新理论与新方法，成功指导了我国首次陆相页岩气超临界二氧化碳压裂现场试验，实现了页岩气高效开发与二氧化碳地质封存一体化的突破。

本发明公开了一种用于一氧化氮氧化的催化剂，其特征在于， 所述催化剂为莫来石型复合氧化物，化学通式为 A1-xA'xB2-yB'yO5， 其中，A 和 A'各自独立地为稀土金属或碱土金属元素中的一种，B 和 B'各自独立地为过渡族金属元素中的一种，且 0≤x≤1，0≤y≤2。该 催化剂可以在较宽的温度范围内高效地将一氧化氮催化氧化为二氧化 氮，且成本低，具有很好的热稳定性，能长时间保持较高的催化活性， 明显提高汽车尾气

能源与环境问题是目前人类面临的两个重大危机，也是科研工作者关注的重点领域。钙钛矿太阳能电池以其独特的物理性质、醒目的光电转化效率和良好的工业应用前景等特点，被认为是一种拥有巨大解决能源问题潜力的光伏器件。但其电池效率衰减(稳定性)等问题是其走向工业化应用急待解决的课题。现行钙钛矿电池比较普遍使用的空穴传输材料是一种比较昂贵的螺二芴结构化合物(spiro-OMeTAD)，需要通过掺杂锂盐以提高电池的性能，但这同时加剧了钙钛矿电池的不稳定性。所以一直以来研究人员希望寻找更加廉价和稳定的空穴传输材料来替代传统材料。 酞菁铜是一种具有优异光电特性的廉价小分子半导体材料。但其有机溶解性比较差，不利于廉价液相工艺规模制备光电器件。许宗祥课题组从分子设计层面出发，开发八甲基取代的酞菁铜并制备纳米材料，通过酞菁纳米材料与廉价商业化的高分子材料聚噻吩复合，开发出了具备更高载流子迁移速率及环境稳定性的空穴传输材料，实现溶液法制备出光电转换效率为16.61%的钙钛矿太阳能电池，效率高于传统商业化的螺二芴结构化合物(spiro-OMeTAD)。同时器件的稳定性大幅度提高。

凹凸棒石是一种天然的一维纳米矿物，具有独特的棒状纤维结构，是潜在的环保型橡胶补强材料。该项目对凹凸棒石进行改性处理，制得纳米级橡胶添加剂，进而利用乳液共絮共凝法制得橡胶/凹凸棒石纳米复合材料。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。

该研究采用污水处理厂改造前后的运行数据，对传统活性污泥法和膜生物反应器（MBR）两种污水处理工艺进行技术经济上的严格配对比较研究，对比分析污水处理厂采用两种工艺时的成本能耗、净利润和技术效率，采用敏感性分析评价计算结果的可靠性，为污水处理工艺的选择和应用提供技术经济方面的理性参考。

西安交通大学能源与动力工程学院微区X射线荧光光谱仪竞争性磋商