成果简介：凡是噪声环境恶略、且需要通话的场合，都适用抗噪声通话系统。达到国外抗噪声通话产品的性能指标。 项目来源：自行开发 技术领域：先进制造 应用范围：为航天医学工程研究所研制的各种类型抗噪声通话系统全部用于航天员训练工作，解决噪声对人体的侵害，提高噪声环境下的工作效率。适合推广应用。 现状特点：噪声环境下可实现多点控制双向通话，支持有线、无线两种工作方式，在噪声环境高达120dB，能确保通话清晰、设备可靠。 所在阶段：小规模

超滤技术主要用于含分子量100～1000,000的物质的分离，是目前应用最广的膜分离过程之一。超滤是通过膜的筛分作用，将溶液中粒径大于膜孔径的大分子溶质截留，使小分子组分透过超滤膜，达到分离目的的膜过程。超滤作为一种新型高效的膜分离技术，具有无相变、操作条件温和、无第三组分引入、工艺流程简单等优点，可代替传统的分离技术，如精馏、蒸发、萃取、结晶等过程，但是超滤过程中的膜污染严重限制了超滤在分离领域的更广泛应用。国际纯粹和应用化学协会 IUPAC 将膜污染定义为由于悬浮物或可溶性物质通过物理化学作用或者机械作用，在膜的表面及膜孔内部吸附或沉积，导致膜孔堵塞或变小、膜通量降低的过程。目前，解决高分子超滤膜污染的根本途径是开发低污染超滤膜，包括开发新型高分子材料及对现有超滤膜进行表面改性。前者制膜成本较高，并在大规模应用上存在困难。而对现有膜进行表面改性则成为解决高分子超滤膜膜污染的有效途径。

抗倍特铝蜂窝板

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：

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。

上海交通大学生物医学工程学院古宏晨教授、徐宏研究员团队历经数年研制并实现产业化的纳米磁性载体，为国内首个新型冠状病毒检测盒出炉提供了有力技术支撑。据悉，该技术可实现新型冠状病毒核酸的高效分离、捕获与快速检测，已应用于上海之江生物科技股份有限公司研发的新型冠状病毒2019-nCoV核酸检测试剂盒（荧光PCR法），成为首批4家获证企业之一。 2020年1月24日，该测试剂盒通过了上海市医疗器械检测所的检验，成为我国法定检验机构检定合格的首个新型冠状病毒检测产品。同时，该产品于1月26日获得国家药品监督管理局颁发的国内首个医疗器械注册证。 此试剂盒与检测系统不仅可大大提高检测通量、缩短检测时间，并且可以有效杜绝样品间气溶胶污染，保护医护人员健康。获得国家药监局的注册证批件后，这种试剂盒已被发往各地医院、疾控中心和出入境检验检疫局，用于测定疑似患者样本中是否有新型冠状病毒。

新型冠状病毒疫情爆发之后，该校生命科学学院迅速成立了由青年教师陈蕾博士牵头的科研攻关小组。近日，在山东省科技厅“新型冠状病毒感染的肺炎疫情应急技术攻关及集成应用”重大科技创新工程的支持下，课题组联合潍坊安普未来生物科技有限公司、山东省大健康精准医疗产业技术研究院，共同研发出新型冠状病毒核酸快速检测试剂盒。目前市面上的核酸检测仍是传统的荧光定量PCR方法，需要采取反转录、荧光定量扩增等多重操作，总体时间需要2小时左右，操作复杂，检测人员感染风险高。该试剂盒采用恒温扩增技术，在保证灵敏度和特异性的基础上，只需“一次开盖一步操作”，简化了操作步骤，缩短了扩增检测时间，整个检测过程只需要不到20分钟。“操作熟练的检测人员可以在5到10分钟内完成检测。”生命科学学院院长杨桂文表示。由于减少了操作时间，从而大大降低了检测人员的感染风险，增加了操作安全性。目前该试剂盒已经进入国家食品药品监督管理局审报程序。

利用团队自主创新的、用于全基因组APA位点扫描的IVT-SAPAS技术，对RNA病毒感染免疫细胞后的不同时间点进行了全基因组APA位点扫描，发现全基因组水平平均tandem 3’ UTR长度随着病毒的感染而逐渐缩短，大量抗病毒免疫信号通路相关基因在病毒感染后发生APA。通过敲低核心3’ 加工因子，发现当全基因组水平poly (A) 位点的使用受到影响后，病毒复制也受到显著影响，揭示了APA在抗病毒免疫中的重要调节作用。

硅溶胶在涂料方面的应用非常广泛，其独特的物理和化学性质为涂料带来了多种优异的性能。 一、硅溶胶在涂料中的基本作用 提高涂料的稳定性： 硅溶胶具有良好的悬浮性和分散性，能够有效地防止涂料中的颜料和填料沉淀。当硅溶胶添加到涂料中时，其胶体粒子能够在颜料和填料表面形成一层保护膜，防止粒子间的聚结，从而提高涂料的储存稳定性。 增强涂层的附着力： 硅溶胶中的硅羟基能够与涂料中的有机基团发生化学反应，形成化学键合，增强涂层与基材之间的结合力。这种化学键合不仅提高了涂层的附着力，还使得涂层更加致密，有效防止了水分、氧气等外界物质的侵入，延长了涂层的使用寿命。 改善涂层的耐候性： 硅溶胶具有优异的耐候性能，能够抵抗紫外线、风雨、盐雾等自然环境的侵蚀。当硅溶胶添加到涂料中时，能够形成一层耐候性极佳的保护膜，保护涂层不受外界环境的破坏，保持涂层的色泽和光泽度。 二、硅溶胶对涂料性能的提升 提高涂层的硬度和耐磨性： 硅溶胶中的硅氧键具有较高的键能，使得硅溶胶具有优异的硬度和耐磨性。在涂料中加入硅溶胶，能够显著提高涂层的硬度和耐磨性，使得涂层更加坚硬、耐磨，适用于各种高磨损场合。 调节涂料的流变性能： 硅溶胶的粘度可以通过调整其浓度和pH值来进行调控。在涂料中加入适量的硅溶胶，可以有效地调节涂料的流变性能，使涂料在施工过程中更加易于涂抹和流平，提高施工效率。 改善涂料的抗污染性： 硅溶胶具有较低的表面张力，不易被污染物吸附，因此具有优异的抗污染性能。将硅溶胶添加到涂料中，可以使涂料表面更加光滑、不易沾污，从而提高涂料的抗污染性，保持其长期的美观性。 提高涂料的防火性能： 硅溶胶具有一定的阻燃性能，能够在高温下形成一层保护层，阻止火势的蔓延。将硅溶胶添加到涂料中，可以提高涂料的防火性能，增强建筑物的安全性能。 三、硅溶胶在涂料中的具体应用 水性涂料： 在水性涂料中，硅溶胶作为重要的添加剂，可以提高涂料的稳定性、附着力、流平性、耐候性、硬度和耐磨性，同时减少有机溶剂的使用量，降低涂料对环境的污染。 建筑涂料： 将硅溶胶添加到建筑涂料中，可以提高涂料的附着力、耐擦洗性、耐候性、硬度和耐磨性，同时改善涂料的自清洁、防水防渗、防磨损、腐蚀、保色性等性能。 特殊涂料体系： 硅溶胶可以与水性高分子化合物和聚合物乳液混合，用于制备有机-无机复合涂料。这种复合涂料在密封底漆、弹性涂料、防水涂料、低PVC涂料等多种涂料体系中都有应用，可以改善涂层的性能并掩盖涂层本身的缺陷。 四、硅溶胶在涂料应用中的优势 环保性： 硅溶胶作为一种无机材料，不含有毒有害物质，对环境友好。在涂料中使用硅溶胶，能够减少有机溶剂的使用量，降低涂料对环境的污染，符合绿色环保的发展趋势。 多功能性： 硅溶胶能够同时提升涂料的多种性能，如附着力、耐候性、硬度和耐磨性、抗污染性、防火性能等，是一种多功能的涂料添加剂。 广泛的应用前景： 随着涂料工业的不断发展，硅溶胶作为一种高性能的涂料添加剂，将在更多领域得到应用和推广，如建筑、汽车、航空、船舶等领域。