内容介绍： 杜仲是我国独有植物，经测定，杜仲叶含有二十几种人体所需矿物质 及十七种氨基酸，其中人体必需的八种氨基酸占氨基酸总量的35.78%。特 别是杜仲叶含有对人体有益的功能因子：松脂醇二葡萄糖式、氨基酸、京 尼平式、咖啡酸汁、桃叶珊瑚式等，对调整人体机能、平衡血压、增强人 体免疫力具有独特的效果。通过分离提取的杜仲降压有效成分松酯醇二葡 萄糖昔，可以用于调节血压药物的开发，为心脑血管疾病的治疗提供一

本发明涉及一种适合于天然药物超声连续提取浓缩装臵，可以广 泛应用于制药行业，同时还可以应用于食品加工、化工分离等行业， 实现连续提取、连续浓缩的高效生产过程。本装臵即可适用于单次提 取、浓缩过程，又可适用于多次提取、浓缩过程。可实现在溶剂完全 回收的情况下对药物的多次提取，节省步骤及溶剂，具有很强的环保 特性。通过在不锈钢反应釜外增加超声波振子，利用超声波的空化效 应，增加天然药物有效成份向溶剂中转移的速度，使有效成份的浸取 效率大幅提高，真空技术在浓缩阶段的应用使得浓缩更加充分，通过 两种技术的有

植物香精油，又称芳香油，是天然植物和香料的精华，被誉为“植物香料的灵魂”，它是一类分子量较小的植物次生代谢产物，蕴含于植物香料体内，具有浓郁、鲜明的香气特征和一定挥发性。植物精油，在植物学上称精油（essential oil）或香精油（ethereal oil），商业上称芳香油（aromatic oil），化学和医药学上称挥发油（volatile oil），是天然香料的代名词，它是一类植物源次生代谢物质，是植物体内分子量较小，用水汽蒸馏的方法得到的，几乎不含高沸点成分，具有浓郁的芳香气味，有一定挥发性的油状液体物质。精油的提取目前常用的主要有传统的水汽蒸馏提取、压榨法、吹气吸附法和现代的超临界CO2提取。 本试验首次采用同时蒸馏萃取技术对天然植物（生姜）挥发性成分进行了提取，而且取得了良好的效果。同时蒸馏萃取（SDE，Simultaneous distillation and solvent extraction）是近年发展起来的一种易挥发成分提取方法。它把食品的浆液置于一圆底瓶中，圆底瓶连接在仪器的右侧；以一鸡心瓶盛装溶剂，连接于仪器的左侧，2瓶分别加热，水蒸汽和溶剂蒸汽同时在仪器中部被冷凝下来，水和溶剂不相混溶，在仪器的“U”形管中被分开来，分别流回两侧的瓶中，结果蒸馏和提取同时连续进行，并且只需要少量的溶剂就可提取大量的食品。该方法利用Likens-Nickerson装置，把蒸馏和萃取两步合二为一，提高了提取效率，减少了溶剂用量，节省了时间；并且同时蒸馏萃取得到的挥发油不需复杂预处理，可直接进行GC/MS分析，免去了操作污染，节省了萃取时间，得到的提取物气味浓郁，能把mg/L级挥发性有机成分从脂质或水质介质中浓缩数千倍。同时蒸馏萃取应用在苦杏仁挥发油、花椒挥发油、四川凉山杜鹃挥发油、芥末膏制品的风味成分的提取中并达到了很好的提取效果，在乌龙茶和鲜茶香气成分的提取上也有应用；该法还用来提取牛肉风味料、蒸煮鸡肉中的挥发性香气成分，甚至还可以对烟草中的挥发性成分进行提取。

AH48全自动核酸提取工作站，基于上吸磁珠法提取纯化核酸原理，整合振荡式核酸提取纯化与移液臂组合，实现大量样本核酸的快速高效制备纯化。工作站集试剂样本自动加载，核酸提取，PCR体系构建等诸多功能于一体，实现了全流程的自动化操作。整个工作过程无需人工干预。配合相应的核酸提取试剂，可处理血清，血浆，全血，拭子，羊水，粪便，组织灌洗液，组织，石蜡切片，细菌，真菌等多种样品类型，广泛应用于检验，疾病防控，动物检疫，出入境检验检疫，食品安全，法医痕迹检验，科学教研等领域。 所提取出的高质量核酸（DNA和RNA）可用于高灵敏的下游分析，如定量PCR、临床分子诊断、基因表达分析、基因分析、法医及传染性疾病研究等；纯化后的核酸可直接应用于下一步的酶切、鉴定以及疾病诊断、治疗等。

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：

本发明的目的在于克服现有技术的不足，提供一种基于门限的低复杂度MPA算法， 该算法通过设置置信度门限来及时对可靠的码字进行译码，或对发送概率极低的码字进行 舍弃，从而有效地降低了原始MPA算法的复杂度。

本发明公开了一种并行 LLL 高维模糊度降相关算法，首先通过混合利用 Cholesky 下三角 LTL 分解 以及上三角 UTU 分解，提高 LLL 算法针对高维模糊度降相关的计算效率，增强高维模糊度降相关的能 力。其次为了得到降相关能力较强的 Z 变换矩阵，所以在每一次 QR 分解变换过程中，变换系数矩阵要 获取较小的整数值，因此在每次下三角分解前先对模糊度协方差矩阵的行向量按内积大小进行升序排序， 而在上三角分解前先对矩阵的列向量按内积大小进行降序排列，由此求得的 Z 变换降相关性能更佳。最 后把算法正交变换过程中的取整运算移至在求 Z 矩阵时取整，可以避免算法迭代过程中反复取整而引起 的误差累积，解决算法发散的问题，从而进一步提高并行 LLL 算法的计算效率和稳定性。 

随着计算智能方法得到更广泛的应用，其从问题本身学习的能力亟待增强。为此，越来越多研究提出使用机器学习模型来驱动计算智能。通常，这种基于模型的进化算法的性能高度依赖于所采用模型的训练质量。而传统机器学习方法需要大量训练数据进行模型训练，而且受维度灾难的影响，这类方法通常很难解决维度较高的问题，约束了计算智能方法的应用范畴。课题组在

本发明提出了一种基于时间-能耗重要性比重的并行任务调度算 法，在满足时间和能耗的双重限制下，实现异构并行系统下任务所用 时间和能耗的权衡优化。本发明考虑到实际情况中任务受各种因素的 影响，执行时间不是固定且确定的，而是近似于正态分布，因此在确 定任务调度顺序时，不采用以往技术中使用执行时间平均值的方法， 而是将执行时间的平均值和方差同时考虑进来使用近似权重。在任务 分配阶段，同时考虑时间和能耗这两个性能指标，并能根据