本项目从仿生模拟蛋白质促进牙本质及牙釉质再矿化的角度出发，合成表征一系列具有不同代数及改性基团的PAMAM型树枝状高分子，考察其对牙本质及牙釉质再矿化过程中晶核形成、矿物质沉降和富集的促进作用及其作用机理，包括相关的细胞、动物实验研究。主要研究成果如下：1. 成功合成了磷酸和羧酸改性的聚酰胺-胺树枝状高分子（PAMAM-PO3H2和PAMAM-COOH）。通过体外和体内实验研究发现，这两种改性的PAMAM都能诱导牙本质和牙釉质矿化，修复受损牙体硬组织。2.成功合成了阿伦磷酸（ALN）改性的羧酸化聚酰胺-胺树枝状高分子ALN-PAMAM-COOH，并通过体外模拟实验及动物实验发现ALN-PAMAM-COOH具有1. 原位诱导牙釉质再矿化的功能，并对HA有强特异吸附和诱导再矿化的功能，且诱导矿化四周后的牙釉质表面硬度可恢复至95.5%，涂层附着力强。 在进一步研究中发现，羧酸改性的四代聚酰胺-胺树枝状大分子能同时实现药物缓释和诱导受损牙本质矿化的功能，利用树枝状高分子本身可载药的特点将三氯生载入PAMAM-COOH，制备的复合体系可以吸附在牙本质表面。可实现三氯生的缓慢释放并能同时诱导牙本质矿化，因此该材料同时具有负载活性物质（如抗菌药物）和修复受损牙齿的功能。 主要技术指标：1. 本项目制备的磷酸或羧酸改性的树枝状高分子具有原位诱导牙本质及牙釉质矿化（硬度修复95%以上）的功能，且能够用于三氯生等牙齿常用药物的缓释，因此既可作为牙齿修复添加剂也可作为牙齿护理添加剂，并同时可用于负载其它活性物质。 本项目用来修复受损牙本质和牙釉质的树枝状高分子具有良好的生物相容性，且在口腔环境中没有生物毒性，因此可用作制备牙齿护理和修护产品的添加剂。 应用范围： 牙科护理产品、牙科用医疗器械。项目目前已进入小批量生产阶段，成果权属为我校独自拥有。

本项目从仿生模拟蛋白质促进牙本质及牙釉质再矿化的角度出发，合成表征一系列具有不同代数及改性基团的PAMAM型树枝状高分子，考察其对牙本质及牙釉质再矿化过程中晶核形成、矿物质沉降和富集的促进作用及其作用机理，包括相关的细胞、动物实验研究。主要研究成果如下： 1.成功合成了磷酸和羧酸改性的聚酰胺-胺树枝状高分子（PAMAM-PO3H2和PAMAM-COOH）。通过体外和体内实验研究发现，这两种改性的PAMAM都能诱导牙本质和牙釉质矿化，修复受损牙体硬组织。 2.成功合成了阿伦磷酸（ALN）改性的羧酸化聚酰胺-胺树枝状高分子ALN-PAMAM-COOH，并通过体外模拟实验及动物实验发现ALN-PAMAM-COOH具有原位诱导牙釉质再矿化的功能，并对HA有强特异吸附和诱导再矿化的功能，且诱导矿化四周后的牙釉质表面硬度可恢复至95.5%，涂层附着力强。 3.在进一步研究中发现，羧酸改性的四代聚酰胺-胺树枝状大分子能同时实现药物缓释和诱导受损牙本质矿化的功能，利用树枝状高分子本身可载药的特点将三氯生载入PAMAM-COOH，制备的复合体系可以吸附在牙本质表面。可实现三氯生的缓慢释放并能同时诱导牙本质矿化，因此该材料同时具有负载活性物质（如抗菌药物）和修复受损牙齿的功能。

目前主流的抗菌膜制备方法是在基膜表面接枝抗菌物质，常用的抗菌材料包括氧化石墨烯、碳纳米管、抗菌聚合物、金属离子等，但这些材料普遍存在着接枝方式复杂，且对环境有危害的缺陷。相比而言，季铵盐类抗菌剂具有抗菌效果好，环境友好等特点，目前水溶性的小分子或高分子季铵盐抗菌剂已经广泛应用于水处理、食品、医疗卫生和包装材料等领域。然而，将季铵化合物直接接枝到膜表面所制备的抗菌膜仍存在制备流程复杂，成本较高等问题，这也使得目前开发的大部分季铵盐功能膜无法大规模应用于实际水处理系统。因此，为解决以上问题，开发新型亲水抗菌功膜的制备方法是目前业内所亟需的。 本成果中提出的制备方法将氯甲基化聚合物制备为中空纤维多孔膜，并制作为管壳式膜组件，之后采用过滤操作模式直接将叔胺化合物接枝到组件中的中空纤维膜丝上，从而制备出具有优良抗菌性能的季铵化功能膜组件。该制备方法简单便捷，且接枝稳定性高，适合长期大规模应用于实际膜法水处理体系中，且制备的超滤膜具有良好的亲水性和抗菌性。抗菌膜制备简单便捷，常温常压过滤操作即可完成接枝，且接枝稳定性高，成本低，对水体中微生物去除率99.9%以上，尤其能抑制微生物在膜上（内外表面，孔道壁面）生长。 图1.性能参数

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：

01. 成果简介 呼吸干净的空气是人类的基本需求。世界卫生组织（WHO）公布的“2002年世界卫生报告”现实人们受到的空气污染主要来自室内。现代人平均90%以上的时间在室内度过，暴露时间是室外的6倍以上，室内空气直接影响人们的生命健康和生活质量。每年由于室内空气质量问题导致的白血病、肺结核、肺癌、哮喘及呼吸传染病等疾病的死亡人数超过11.2万人。准确估算室内颗粒物浓度水平对评估颗粒物对人体的健康效应，制定有效的控制手段十分重要。 本软件主要用来模拟评估室内的PM2.5颗粒物浓度水平。软件依据室内颗粒物质量守恒的原理，基于颗粒物源散发特征，建筑特性，以及颗粒物动力学特性，包括沉降以及再悬浮，依据一定的数学计算模型，计算得出稳态情况下室内颗粒物的浓度值。并将结果中颗粒物浓度值与相关标准进行比较。如若超标，软件会通过计算给出建议的净化器最小风量，合理调节设计方案，以期室内的颗粒物浓度达到标准要求，为绿色建筑室内空气预评估方法。 在此基础，可以开发室内装载量预评估软件系统。例如：以建材有机污染物散发量数据为核心基础，在确定用量、建筑设计特性参数等边界条件后，对装修后的室内空气质量进行预评估。根据预评估结果分析各类建材对于不同空气污染物的权重关系，结合成本控制、工程定位、气流组织等多种因素提供针对性的装饰装修优化方案。02. 应用前景 可用于室内各颗粒物浓度分析和控制策略，通过科学地计算评估出各房间颗粒物释放量的可视化管理系统来改善空内设计方案进而优化空气品质。03. 知识产权 成果涉及1项软件著作权。04. 团队介绍 团队负责人现为清华大学建筑学院建筑技术科学系长聘教授、博士生导师，主要从事室内颗粒及其复合污染动力学、建筑通风以及空气洁净技术研究。在包括EHP、Epidemiology和ES&T等在内的国际知名期刊发表SCI论文80余篇，被SCI他引1000余次，其中2篇入选ESI高被引论文。入选教育部新世纪优秀人才支持计划（2007）、清华大学基础研究青年人才计划（2013）等，曾获教育部自然科学二等奖（2013；排名第1）和Building and Environment最佳论文奖（2012）以及清华大学学术新人奖等荣誉，于2016年当选国际室内空气科学院（ISIAQ Academy）Fellow。05. 合作方式 技术许可。06. 联系方式 邮箱： binzhao@tsinghua.edu.cn zhysh@tsinghua.edu.cn

生产过程先进控制策略集成管控平台为先进控制算法提供组态、运行、调试、操作的一体化工程应用环境，实现先进控制算法与生产过程现有的控制系统的紧密对接。 平台以建立被控对象的数学模型为基础，通过状态观测、预测控制等先进策略替代常规控制回路的控制作用，达到控制优化的目的。平台基于DCS的上、下位体系结构。其上位组态监控站用于先进控制策略的组态、修改与维护，同时也能进行实时监视。由组态软件生成的数据文件可直接通过网络下载到主控制器，实现算法的工程应用。组态监视站还可提供实时数据和历史数据分析工具，便于使用人员对系统运行状况的了解。它是工程师组态和维护应用系统的重要保障。平台的下位为主控制单元（MCU），其选型可采用具有较高运算处理性能的工控机，也可采用通用的服务器。 MCU提供的算法容器，允许采用不同编程语言实现的先进控制算法融入本平台。MCU具有冗余以太网配置，且支持1:1冗余热备。

本专著在前人研究基础上进行大胆突破和创新，首次结合人口老龄化和中国现行制度的特点设计了养老金精算指标和企业年金精算指标，养老保险基金存量缺口和未来缺口问题。 针对养老基金保值、增值问题，本专著结合中国实际，对国际上现有研究方法进行改进，创新性提出一系列研究模型和方法，有些研究成果属于国际首创。 主要有以下创新点和理论价值： 1、研究死亡率指标及制定生命表问题：养老金制度的精算基础是基于死亡率进行计算，在精算学中研究死亡率的传统思路基于趋势推理方法，即利用已有的统计数据进行预测。 2、养老金制度福利指标精算研究：针对基本养老保险制度，结合具有中国特色的部分积累制，利用生存年金理论得到了社会统筹和个人账户下的缴费率精算模型；依据现收现付制度的定义及内涵，利用生存年金理论，建立了现收现付制度下缴费率精算模型。 3、构建中国养老保险基金缺口精算模型：利用生存年金理论，分别建立测算已退休‘中人’和未退休‘中人’的隐性养老金债务精算模型以及‘老人’隐性养老金债务的精算模型。 4、基于随机控制理论的养老基金动态投资策略研究：短期利率模型为仿射期限结构时的养老基金动态投资策略研究；常弹性方差（CEV）模型下个人账户养老基金动态投资策略研究；基于分数次布朗运动、损失函数等模型下投资策略研究。

简介： 抗体药物是生物制药中复合增长率最高的，2019年全球研究抗体市场规模为34亿美元，预计在预测期内复合年增长率为6.2％。原研药二次改造获得成药性更好的药物分子（bio-better）是抗体和细胞因子药物研发的突破口。人工智能技术广泛应用在靶点筛选、分子进化、临床各阶段研究、产品上市后的活动中。 我们开发的智能抗体设计平台，包括 抗体序列注释分析、抗体翻译后修饰位点的预测、抗原线性表位预测、抗体结构的预测与优化、 抗体-抗原相互作用的预测、抗体分子的设计与改造。高效的完成抗体亲和力成熟、稳定性优化和人源化改造等。  优势： 1、研发成本节约3-5倍，时间节省5倍，筛选成功率提升6倍 2、可以帮助指导、设计实验，减少消耗，加快速度，提高准确率 3、计算方法已经得到了实验从正、反两方面的验证。 图1：深度学习算法预测蛋白质相互作用时界面氨基酸配对:成功率72.1% 图2：计算相互作用得到了实验从正、反两方面的验证

抗体药物是生物制药中复合增长率最高的，2019年全球研究抗体市场规模为34亿美元，预计在预测期内复合年增长率为6.2％。原研药二次改造获得成药性更好的药物分子（bio-better）是抗体和细胞因子药物研发的突破口。人工智能技术广泛应用在靶点筛选、分子进化、临床各阶段研究、产品上市后的活动中。我们开发的智能抗体设计平台，包括 抗体序列注释分析、抗体翻译后修饰位点的预测、抗原线性表位预测、抗体结构的预测与优化、 抗体-抗原相互作用的预测、抗体分子的设计与改造。高效的完成抗体亲和力成熟、稳定性优化和人源化改造等。 优势：1、研发成本节约3-5倍，时间节省5倍，筛选成功率提升6倍2、可以帮助指导、设计实验，减少消耗，加快速度，提高准确率3、计算方法已经得到了实验从正、反两方面的验证。