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。

一、全身模拟人 *1、全身针灸模拟人设有≥300个穴位传感器（穴位应包括常见病针灸处方中的十四经穴和奇穴）。穴位点以LED灯光的形式呈现，软件端可控制穴位灯光的开启与关闭。 *2、全身模拟人：点穴模拟人模拟一成年男性，身高170CM，模拟人为整体结构（非四肢拼接而成），四肢均可自由活动。 3、针灸模拟人全身均为真实柔软的仿真皮肤、仿真实皮下与肌肉组织、手感真实触有弹性仿真皮肤有非常好的柔韧性。同一位置针刺多次不会出现明显孔位，表面形状、触摸手感均与人体无异，非常的真实。 *4、仿真模拟人体内有完整的全身骨骼仿真结构、四肢骨骼可活动，有良好的弯曲的功能。体内有完整的骨骼仿真结构,真实的展示各部位骨性标志。全身各部位关节为金属构件连接，灵活、牢固可任意摆放各种点穴取穴体位。 5、体表解剖标志明显，有明确的脊柱骨凸点、肋骨凸点、乳头、肚脐等定位特征点，并可进行点穴定位。 6、具有逼真的口腔(牙齿、舌、悬雍垂等)及气道(会厌、声门、气管等)。 7、模型材料采用了无毒、无害的环保级材料。 8、模拟人与软件之间支持有线与无线两种连接方式。 二、实训功能 *1、软件系统中打开经络或穴位，全身针灸模型人可亮起相应穴位灯。 2、每个穴位都是独立传感器，单个传感器故障不影响整个系统的使用，每个穴位传感器支持单独拆卸更换。 *3、在全身模拟人上针刺某一穴位，软件系统自动播报该穴位点名称，并跳转到相应位置，并以高亮显示，在软件中点亮某一穴位，模拟人上对应的穴位亮起。 4、可在全身模拟人上根据骨性标志、体表标志等不同取穴方式进行真实人体取穴。 *5、实时实训：针对全身的穴位可以分经络进行单独展示，配合全身模拟人进行针刺练习，触发穴位后软件进行实时响应，系统可实时显示该穴位的名称、国际代码、点位、解剖位置、主治、操作等信息，同时播报其穴位名称。 6、穴位提示：可以单独控制单一穴位的灯光提示，方便认穴练习。 7、经络练习：可以点亮一条或多条经络穴位进行相关经络学习。 8、多穴练习：可针对性的点亮多个穴位进行练习，系统给出实时反馈。 9、模型穴位灯光可实现经络的循行走向。 10、支持分层感知功能，在人体模型穴位上进行按压时，软件同步显示按压力度、按压时长及按压感知层次，并实时以视图形式呈现按压力度变化。 11、具备压力反馈功能，可根据穴位，设置不同耐受阈值，在进行按压时以视图形式呈现按压力度变化和按压时长信息。 12、系统具备压力反馈功能，穴位按压时，可调控反馈按压力度大小。 三、软件功能 1、系统包含经络腧穴解剖、点穴训练、综合病例训练、发布点穴考试等功能。 2、穴位认知包含包括十二正经、十二经别、奇经八脉共32条经脉，包含362个经穴，50余个经外奇穴。点击该穴位可直观了解穴位所在位置。针对每条经络及穴位的点位、解剖位置、主治病症、针刺手法均有详细释义，并可以利用虚拟数字人体模型交互操作使用。 3、解剖系统：包含骨骼系统，关节系统，肌肉系统，消化系统，神经系统，动脉系统，静脉系统，淋巴系统，皮肤系统，呼吸系统，泌尿生殖系统，内分泌系统等人体数字虚拟系统，方便理解中医穴位在人体结构中的毗邻关系。在系统中可对数字人体进行拆分、隐藏等多种解剖功能的操作。 4、经络循行：通过三维动效形式展示，可直观了解人体经络循行。 *5、可对数字模型进行放大、缩小、平移、一键初始状态、一键返回主页面，可前、后、左、右、上、下六视图切换三维模型视角，对任意界面进行截图保存等多种操作。 6、系统设有多种背景颜色适配多种场景。 7、语音功能：针对详细注解内容，进行对应的语音讲解。 8、透明功能：可一键透明皮肤、肌肉、骨骼，也可以调节不同层级的透明度，利于学习针灸腧穴对应的内部解剖结构。 *9、身体层级：可以对皮肤、肌肉、骨骼、动脉、静脉、内脏、神经进行隐藏和显示。 10、文字介绍：点击任意腧穴都可以显示其名称、介绍等信息。 11、即触即显：任意点击某个腧穴/某个解剖结构，可以立即显示其名称及对应结构注释。 12、搜索：输入穴位名称、拼音或代码，可在三维人体模型上快速定位到该穴位。 13、歌诀背诵：包含井荥输原经合歌、八会穴歌、络穴歌、郄穴歌、八脉交会穴歌、背腧穴歌等针灸歌诀。 14、腧穴定位体表解剖标志具备20余个重要人体解剖标志位置，可一键显示全部体表解剖标志定位点。 15、骨度分寸：以《灵枢·骨度》里的人体各部的分寸为基础，用于腧穴定位的方法。根据当前学习的穴位，一键获得根据骨度折量定位法得出的位置信息，更方便腧穴认知。 16、对称穴位：不仅可以学习单侧的经络穴位，更方便进行对侧穴位的认知学习。 17、重置或复位：一键恢复三维模型至初始状态。 *18、常见的危险穴位具有特殊标记，详细信息包含针刺异常情况表现及情况处理。 19、支持按部位显示/隐藏虚拟人体模型，可分为全身、头部、躯干部、上肢（左）、上肢（右）、下肢（左）、下肢（右）等多种模型状态。 四、取穴模块 1、取穴训练 1.1、可在模拟人身上进行全部穴位的取穴模拟。支持不少于400（单穴）个穴位的取穴练习。 1.2、系统可随机挑选10个穴位进行训练，操作结束后，系统实时给出评分，成绩单可查看每个穴位的操作过程和分值记录。 1.3、在软件虚拟人体上进行穴位的寻找与确认，实时反馈取穴位置的对错，亦可随时查询所练习腧穴的正确定位，以便即时纠正及再次练习巩固，结束训练后可自动生成训练记录。 1.4、支持以全国针灸推拿临床操作技能大赛的腧穴定位比赛规则随机出题。 2、专项取穴训练 2.1、具备教师指定和自主选择功能。 2.2、教师可以设置题组数目、组题形式，支持系统随机组题和自定义组题。 2.3、教师可自行设置取穴形式，支持一键发布训练穴位。 3、综合病例训练 3.1、包含头面躯体痛、内科、妇儿科、皮外伤科、五官科、急症等多科室的病例针灸治疗内容。 3.2、包含头痛、面痛、腰痛、面肌痉挛、落枕、颈椎病、漏肩风、坐骨神经痛、晕厥、眩晕、中风、高血压病、痹证、胁痛、痴呆、不寐、心悸、水肿等病案诊断、治疗方法。 3.3、每个针灸病例考题作答后系统自动给予正确答案对比。 4、发布取穴考试 4.1、试题类型支持智能针灸全身人身上针刺取穴和系统虚拟人身上取穴，教师可分别设置每个穴位的考核形式。 4.2、考试穴位支持按照设置的常用穴位和非常用穴位自动随机生成，支持按经络、部位等自主选择穴位生成。 五、配置清单 1、全身针灸仿真模拟人一具。 2、65寸落地式触控交互系统一套，配备可移动式支架。 3、可升降按摩床一台。 六、中医针灸数字人系统V1.0 一套

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：