虹膜识别技术的应用 1.将先进的虹膜识别算法芯片化，在成本，功耗，速度上都较目前的虹膜识别产品有很大的优势。 2. 依托中科大微电子学院和合作的芯片研发公司，创建一个虹膜识别技术的芯片级产业创新平台，将智能虹膜识别芯片广泛应用于各行各业。 

IECUBE-6760 人工智能创新实验基础套件针对人工智能基础入门教学场景，学生无需任何专业编程基础，通过项目制实验方式，从实战训练角度出发，激发学生对人工智能的学习兴趣，帮助学生建立人工智能技术概念，建立解决各种行业问题的基础能力。结合人工智能在安防、医疗诊断、机器人、智能家居、自动驾驶、智能制造等领域的广泛应用，适用于广泛工科专业在人工智能方向的人才培养。 

本项目中我们将从分子结构入手，设计开发BODIPY使其不仅可以诊断早期AD，并能干预抑制AD发展，开发出基于BODIPY的阿尔兹海默症人工智能药物，达到AD早期诊断和干预治疗的目的，为临床AD早期诊疗提供理论基础和技术支持。整个研究工作具备以下特点：（1）设计开发近红外BODIPY荧光探针对细胞和活体进行成像可避免生物背景荧光的干扰；（2）BODIPY对与AD早期相关的Aβ寡聚体具有特异响应，为临床前AD早期诊断提供科学依据；（3）BODIPY通过与Aβ聚集的作用点结合，呈现荧光，到达有效诊断的目的，在此基础上Aβ聚集缠结的作用点被BODIOY占据从而达到一定程度上抑制AD发展的目的；（4）将抑制Aβ聚集的天然小分子药物山柰酚与BODIPY有效结合，可进一步提高AD早期诊疗的效果。   Scheme 1. Aβ derives from the proteolytic cleavage of a larger glycoprotein named amyloid precursor protein. (A) A near-infrared BODIPY probe (NB-K) was synthesized which detected and drove self-assembly of FF. (B) NB-K designed according to the structure of FF and the two aromatic rings of FF overlap well with the two aromatic rings of NB-K. When NB-K binds to Aβ oligomers, free rotation of three benzene rings of NB-K is restricted resulting in 1650% increasing of NB-K fluorescence. (C) Overview of the amino acid sequences of the Aβ-related peptides Aβ1–40 and Aβ1–42. (D) Aβ produces β-folds and then aggregates to form tetrad oligomers. NB-K could be potentially useful in the early diagnosis (via imaging) of AD via binding to the FF of oligomeric Aβ. On the other hand, the tetramer could rotate 90° along the β-fold axis to form fibrils. Aβ源自β-和γ-分泌酶对糖蛋白（称为淀粉样前体蛋白（APP））的蛋白水解切割（Scheme 1C）。二苯丙氨酸二肽（FF）是Aβ折叠起始作用点，对Aβ聚集过程起着关键作用。四个β折叠的Aβ通过FF的π-π堆积作用和其它氨基酸之间的氢键作用以面对面的方式排列形成Aβ寡聚物，这是AD早期的重要生理标志，严重损害了大脑的健康。当β折叠的Aβ形成四聚体Aβ寡聚物时，FF几乎被完全暴露，这为近红外BODIPY荧光探针（NB-K）与FF有意组合提供了极好的机会（Scheme 1D），并能够通过荧光信号传输有效地诊测早期AD。Aβ寡聚物沿β折叠链方向逐渐以90°旋转，变成Aβ原纤维，其比Aβ八聚体更大，且与中期/晚期AD有关。当β折叠的Aβ形成原纤维时，疏水性片段（包括FF）聚集在球形结构的核心，大多数FF参与Aβ的自组装并形成球形结构，导致NB-K与Aβ原纤维的结合不良（Scheme 1D）。而且，Aβ单体表现出更大的自由弹性，这可能导致NB-K对Aβ单体的不良反应。总的来说，NB-K可以有效地分化以响应寡聚体和单体/原纤维，从而达到AD早期诊断的目的。如Scheme 1B所示，FF的两个芳环与NB-K的两个芳环很好地重叠，形成稳定的π-π结构。FF的羧基和氨基进一步促进了NB-K-FF的结合。NB-K和ThS在染色Aβ方面的主要区别如下：1）NB-K的分子量约为ThS的三倍。由于更大的空间位阻，NB-K不能进入由芳香环形成的浅槽，因此NB-K不能染色结合Aβ原纤维。 2）Aβ中的NB-K结合基段为FF。当Aβ形成β折叠时，折叠点恰好在FF，然后Aβ形成Aβ寡聚体。如Scheme 1所示，Aβ寡聚物中的FF几乎完全暴露，结果是NB-K会牢固结合识别响应Aβ寡聚物。    Figure 1. (A) Aβ aggregation assay: in vitro study to detect Aβ aggregation over time. ThT was used to detect formation of fibrillary Aβ species. Total fluorescence (%) was plotted as the fluorescence intensity divided by the maximum fluorescence intensity obtained during the plateau; (B) and (C) Fluorescence emission of NB-K and ThT response to buffer (background fluorescence, black line), oligomer and fibrils; (D) △I refers to the increased fluorescence intensity, I0 corresponds to background fluorescence of NB-K or ThT; Aβ morphology was evaluated by SEM after 160 hours incubation with NB-K (E) or ThT (F). 单体Aβ可以在24小时内衍变形成Aβ寡聚物，在72小时后开始有Aβ纤维形成。硫黄素-T（ThT）是市售检测Aβ原纤维的绿色荧光探针，以它为参照对比NB-K，以实时监测单体Aβ随时间的衍变聚集。在72小时后，ThT荧光强度略有增加，表明Aβ原纤维的形成（Figure 1A, ）。而对于NB-K，荧光强度在10小时后迅速增加，仅在40小时后才达到平稳状态，这表明NB-K缩短了Aβ衍变聚集成核相时间（Figure 1A, ）。 在24小时NB-K荧光强度急剧升高，这应与NB-K阳性Aβ物种有关，即Aβ寡聚体。换句话说，NB-K抑制寡聚体转变为原纤维。此外，使用荧光光谱法评价了NB-K在Aβ寡聚物和原纤维的溶液中区分识别Aβ寡聚物与Aβ原纤维的能力。对于Aβ寡聚物和Aβ原纤维，NB-K荧光分别增强了1650％±15％和450％±10％（Figure 1B, 1D）。相比之下，ThT荧光强度并未随Aβ寡聚物而增加，而随Aβ原纤维而增加了460％±10％（Figure 1C, 1D）。这说明ThT只对Aβ原纤维有荧光响应信号，而NB-K对Aβ寡聚物有很好的荧光响应信号，相比之下，NB-K对Aβ寡聚物的荧光响应性能高于ThT对Aβ原纤维荧光响应。此外，分别在ThT和NB-K存在下，Aβ单体衍变聚集160小时后，通过SEM观察Aβ单体最终衍变聚集形态。我们发现，在NB-K存在下，Aβ显示出六边形结构（Figure 1E），而在ThT存在下，Aβ显示出复杂的如斑块状的聚集体结构（Figure 1F）。这表明NB-K可能影响Aβ的构象聚集，从而产生有序排列的结构，而ThT对Aβ单体衍变聚集没有良性影响。    Figure 2. Epifluorescence microscopy of transgenic AD mouse (APP/PS1) brain stained with ThS or NB-K. ThS emission was obtained at 488 nm (left panels) and NB-K fluorescence was obtained at 561 nm (middle panels). Merged images of ThS and NB-K are shown on the right panels. Hippocampus is shown in A-C, whereas cortex is shown in D-F. G-I are magnified images from dotted squares in D-F, respectively. Scale bar: 100 µ (A-F), 50 µ (G-I). 在Aβ聚集的过程中，核心缠结成不溶性的原纤维，周围是由可溶性寡聚物组成的环状结构，这些可溶性寡聚物正在慢慢向原纤维衍变。AD脑组织的ThS / NB-K双重染色清楚地表明了这种现象，如Figure 2所示，Aβ原纤维的ThS绿色荧光染色被Aβ寡聚物的NB-K红色荧光染色所包围。 另外，在正常对照小鼠的脑切片中，未观察到NB-K染色，进一步说明NB-K对Aβ寡聚物的特殊识别性和荧光信号响应性，这对AD早期诊断预防研究无疑是一个有价值的信息。

沈阳智能机器人创新中心有限公司，成立于2019-04-03，注册资本为1400万人民币，法定代表人为张诚，经营状态为存续，工商注册号为210100000332352，注册地址为辽宁省沈阳市浑南区创新路155-3号A-018室，经营范围包括许可项目：检验检测服务，第二类医疗器械生产，第三类医疗器械生产，第三类医疗器械经营（依法须经批准的项目，经相关部门批准后方可开展经营活动，具体经营项目以审批结果为准）一般项目：智能机器人的研发，工业机器人制造，特殊作业机器人制造，服务消费机器人制造，服务消费机器人销售，工业机器人销售，智能机器人销售，人工智能硬件销售，工业机器人安装、维修，人工智能公共服务平台技术咨询服务，技术服务、技术开发、技术咨询、技术交流、技术转让、技术推广，第一类医疗器械生产，第一类医疗器械销售，第二类医疗器械销售，工程和技术研究和试验发展，教育咨询服务（不含涉许可审批的教育培训活动），从事科技培训的营利性民办培训机构（除面向中小学生开展的学科类、语言类文化教育培训）。

IECUBE-676X 人工智能创新实验进阶套件是在 IECUBE-6760 人工智能创新实验基础套件的基础上，针对已经具有一定人工智能应用开发经验的开发者，设计的具有一定复杂性和系统性的综合项目制实验开发套件。该套件将人工智能技术与更专业、更复杂的学科场景相结合，在更开放的软硬件平台环境下，鼓励学生自主完成人工智能与各学科的融合。 

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：

铁路勘测设计一体化、智能化是系统地研究和建立以数字化信息为基础，以计算机应用技术拉通勘测设计全过程为主要特征的新的生产作业模式。所以，该系统应将使用各种勘察手段所采集的铁路线路及其相关的地形、地理、地质、水文等资料加工成数字化信息，通过接口界面进行信息处理并传输到工程数据库中。先进的计算机网络必须覆盖各专业CAD终端，各专业在集成化设计环境中共享工程数据的信息，完成本专业设计，同时输出数字化和可视化的设计成果，供后序专业应用。设计完成后，全部CAD设计电子文件通过网络直接归档，从而实现铁路勘测设计一体化。随着各专业设计专家系统的建成与不断完善，再实现勘测设计智能化。在一体化新的作业模式下，勘测设计的全过程可以理解为对一般数字化信息流的采集、加工和扩充的过程。外业的勘测和勘探资料是这股数字化信息流的源头，各专业的设计工作是对信息流的加工和扩充。最终完成的数字化信息就是设计成果和归档资料。设计与管理所面向的不再是原来的书面资料和图纸，而是在工程数据库统一管理下，在网络的终端上有序受控流动的数字化信息流。所以，实现勘测设计一体化的过程就是从以非数字化为基础的现有作业模式向以数字化为基础的新的作业模式转化的过程。实现这一转化需要建立新的勘测设计流程，研究解决新模式带来的一系列技术层面和管理层面的关键问题。 1)勘测设计资料数字化是新的生产作业模式的基础，只有后道工序需用计算机处理的资料是数字化的资料，才能保证整个设计过程形成数字化的信息流。这就需要外业勘测时尽量利用各种测量仪器的数字化功能，使第一手资料即是数字化的形式，同时资料整理必须利用计算机来完成，才能获得满足内业设计要求的数字化勘测成果。为了实现外业数字化勘测，重点应研究以下问题：充分开发利用航测、全站仪及各种遥感设备的数字化功能；研究既有地图如何实现高精度、高清晰度扫描数字化处理；开发在勘测现场的铁路线路初步设计方案比选系统，改变外业队的作业方式，建立与数字化勘测相适应的装备水平、劳动组织、作业内容和管理制度。 2)建立工程数据库是新的生产作业模式的核心，新模式与原有模式的重大区别之一就是外业与内业之间、各专业这间需要共享的数据都要通过数据进行存取，所有的设计成果都由数据进行保存与管理。所以，如何开发一个符合铁路勘测设计行业特点、功能强大的工程数据库管理系统是本项目研究的一个重点。为此，需要研究与解决以下关键技术问题：做好标准化工作，制定铁路勘测设计一体化数据格式标准，规定每个专业的哪些数据需要进；如何处理非结构化数据；如何制定适应铁路勘测设计特点的数据结构。 3)建立铁路勘测设计集成化设计环境是新的生产作业模式的关键，新模式与原有模式的重大区别之一，就是全部内业设计均在集成化设计环境中进行。设计集成化环境是以计算机网络为平台，工程数据为核心，设计流程管理为主线，各专业设计软件与程序数据库接口为主要内容的计算机集成应用体系。为此，需要研究与解决以下关键技术头题：建设技术先进的计算机网络系统；研究出一种适应各种软件和各种数据需求的专业设计软件与工程数据库的接口方案；开发设计流程管理系统，保证整个设计在受控，有序的条件下进行。从而实现完全消除专业间书面资料的往来传动，每个设计人员在自己的计算机站点上就可完成设计和前后工各种间的信息交换。 4)建成计算机档案管理系统是新的生产作业模式的重要内容，新模式与原有模式的重大区别之一，就是全部电子设计文件采用光盘存储并由计算机管理。计算机档案管理可实现在网络环境下直接检索、查询、浏览和下载电子档案文件，并为电子设计文件重复利用提供了极大的方便。为此，需要研究与解决以下关键技术问题。正确处理管理型软件与管理方式之间的关系，就是说，所编的档案管理软件应满足行业的需要，适应各设计院在档案管理上存在种种差别的实际情况，而不是让各设计院改变档案管理方式来适应所编的软件；能浏览各种格式的电子文件，使软件具有良好的实用性。 5)采用人工智能技术是实现铁路勘测设计智能化的主要途径。传统CAD技术的特点是辅助设计人员进行计算与绘图，没有智能功能。总结国内外经验后，我们认为，以专家系统、智能CAD为主要内容的人工智能技术在铁路设计中的应用是实现铁路勘测设计智能化的主要途径。铁路选线是带全局性的非常错综复杂的设计问题，一直以人工以验为主进行设计，只能对有限的方案进行研究，设计周期长，推荐方案往往不是最优的。所以，必须要研究铁路新线设计智能CAD系统，以提高设计质量。采用综合地质勘探方法来解决特定的工程地质问题被证明是行这有效的。由于综合地质勘探模式有几十种，采用哪一种模式来解决某一个具体工程地质问题往往是很复杂的、模糊的。采用的模式不适合，就不能有效地解决问题，所以要研究铁路地质综合勘探方法专家决策支持系统，以显著提高地质工作质量