近日，我校动科学院“肌肉生物学与猪遗传改良创新团队”在《PLOSBIOLOGY》期刊发表题为“OptineurinpromotesmyogenesisduringmuscleregenerationinmicebyautophagicdegradationofGSK3β”的研究成果，博士研究生史晓晨为论文第一作者，王永亮副教授与吴江维教授为共同通讯作者。

本研究通过详细分析与系统验证，发现了真菌非还原性聚酮合酶AN7909的硫酯酶结构域（thioesterase domain，TE domain），可以罕见地连续催化酯化、Smiles重排和水解等一系列非氧化反应，高效构建二芳基醚药物骨架。

近日，我校生物工程学院蔡孟浩课题组在毕赤酵母合成生物系统方面取得重要进展，通过设计灵活可控的新型人工转录器件库，实现了天然药物合成途径的精细表达控制，相关成果以“Yeast transcriptional device libraries enable precise synthesis of value-added chemicals from methanol”为题，在线发表于Nucleic Acids Research（《核酸研究》IF=19.610）。

采用核酸适配体及分子印迹等技术，辅助计算机模拟及信号放大等手段，筛选及合成了重金属等化学危害物残留的速测敏感元件；自制单克隆抗体，采用双水相纯化结合原位固定的方式制备了瘦肉精等兽药残留的速测敏感元件。在此基础上，与光电、量热传感器联用构建了系列传感器。

本发明公开了一种耦合热溶萃取和热解制备高品质生物油和气体的方法，首先采用热溶萃取法对生物质进行脱氧提质萃取，得到无水无灰、高碳含量、低氧含量和含有大量芳香碳结构的低分子量萃取物；然后将所述的低分子量萃取物进行热解，收集气体产物、液体产物(生物油)和固体产物(焦)。本发明通过耦合热溶萃取和热解技术所得到的生物油碳含量高、氧含量低、热值高，并且生物油腐蚀性低、高附加值的芳香烃类化合物含量高，可以大大减少生物油的后处理工艺。另外，所得到的气体产物的热值增大。本发明工艺简单，无需催化剂和氢气，生产成本低，产物附加值高，具有较高的经济效益、环境效益和广阔的应用前景。

本发明公开了一种耦合热溶萃取和热解制备高品质生物油和气体的方法，首先采用热溶萃取法对生物质进行脱氧提质萃取，得到无水无灰、高碳含量、低氧含量和含有大量芳香碳结构的低分子量萃取物；然后将所述的低分子量萃取物进行热解，收集气体产物、液体产物(生物油)和固体产物(焦)。本发明通过耦合热溶萃取和热解技术所得到的生物油碳含量高、氧含量低、热值高，并且生物油腐蚀性低、高附加值的芳香烃类化合物含量高，可以大大减少生物油的后处理工艺。另外，所得到的气体产物的热值增大。本发明工艺简单，无需催化剂和氢气，生产成本低，产物附加值高，具有较高的经济效益、环境效益和广阔的应用前景。

本发明公开了一种含催化剂分离再生的生物质挤压催化热解装置与方法，包括生物质与催化剂料斗、螺旋进料器、螺旋式挤压反应器、产物室、过滤冷凝装置、两级分离网与两级振动装置等。生物质与热催化剂在螺旋式挤压反应器内互相挤压、充分接触混合并进行生物质催化热解反应；热解气相产物经过过滤和冷凝得到芳香烃等液态化学品和富含烯烃的不冷凝气体；热解固体产物通过两级分离网分离成粗炭和催化剂，催化剂在流化床再生反应器中燃烧再生后进入催化剂料斗循环使用，燃烧再生产生的热烟气用于干燥生物质原料。本发明热解过程实现催化剂与生物质紧

翟继先课题组此次发布的数据库（Arabidopsis RNA-seq database, ARS）整合了来自GEO、SRA、ENA和DDBJ数据库的20,068个拟南芥RNA-seq数据，提供了“Google-style”在线查询工具。该研究对所有文库进行了基因表达水平定量和共表达网络分析，并将所有文库进行分类，总共涉及1176个突变体、1102种处理条件、12个组织和176个发育时期，同时也对突变体和处理条件分别同对应的对照组进行差异表达分析。

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。