盐碱、干旱、高温、冻害和洪涝等逆境胁迫严重影响作物的正常生长发育，是造成农作物减产和品质下降的主要原因之一，严重影响农业的可持续发展。另一方面，对于粮食作物和多数经济作物来说，其功能叶片中的同化产物和衰老叶片中的营养物质不断向产量器官的转运，对作物产量和品质性状的形成具有重要的作用，作物的过早衰老不仅直接影响粮食作物的产量和品质等要素，对于绿叶类作物和观赏花卉还会影响到其货架寿命以及观赏价值等。 克隆叶片衰老和逆境抗性相关基因，并利用生物工程技术调控其在主要经济作物中的表达方式和表达水平，是提高和稳定作物产量、改善作物品质性状的有效手段，具有重大的经济效益和社会效益。然而，很多衰老或逆境抗性相关基因在植物细胞中高表达后，在增强转基因植株对特定胁迫的抗性、延缓植株衰老的同时，往往伴随着对植株正常生长和发育的不利影响，如导致植株矮小、生长迟缓或产量下降等，导致该基因无法直接应用于抗逆作物的培育。如果可以特异性地表达这些基因，让它们在特定的发育阶段或胁迫条件下高表达，而在正常的生长过程中维持在较低的基础水平，可以大大提高它们在基因工程中的应用性。 课题组前期克隆了一个植物叶片衰老的负调控因子。在转基因植物中过表达该基因可以显著延缓植物的衰老，并赋予植物对高盐、干旱等胁迫的抗性，但是，转基因植物的生长发育受到明显抑制，导致该基因无法被直接应用于抗逆作物的育种工作。课题组前期还分离鉴定了一段含有 14 个氨基酸的多肽序列，命名为 WX01。我们对 WX01的功能研究发现其包含独特的蛋白降解信号，能够响应发育与环境信号，在转录后水平调控与它融合的目的蛋白的稳定性，从而使目的蛋白在光下正常旺盛生长的植株中降解、但在启动衰老或者高盐、高温和失水等多种逆境胁迫条件下特异积累。我们利用 WX01 与前述衰老负调节因子构建了融合基因 WX02，并转入模式植物拟南芥中，发现该融合基因可以恢复衰老负调节因子积累造成的植株矮小、生长抑制的表型，但是保留了其延缓衰老、促进光合和提高转基因植物对高盐、干旱等逆境胁迫的抗性的功能。课题组进一步将 WX02 融合基因转入经济作物大豆中进行功能验证，获得了可稳定遗传的多个株系单拷贝纯合转基因大豆材料。对转基因大豆的表型分析同样证明，WX02 转基因大豆对高盐、干旱胁迫的抗性显著提高。上述研究结果表明 WX02 融合基因在抗逆转基因作物新品种培育中具有重要的应用价值。围绕该项目已经申请了 2 项国家发明专利，1 项国际 PCT 专利，其中 1 项国家发明专利已经获得授权。 

本发明属于污染物检测技术领域，涉及一种Fe‑MOF/Fe<subgt;3</subgt;S<subgt;4</subgt;复合材料及其作为纳米酶在检测马拉硫磷中的应用。将六水合三氯化铁溶液和富马酸溶液混合，得到混合液A，然后进行回流反应，得到Fe‑MOF前驱体；将硫源加入到Fe‑MOF前驱体的乙醇分散液中，超声处理后，密封并进行水热反应，制得Fe‑MOF/Fe<subgt;3</subgt;S<subgt;4</subgt;复合纳米材料。本发明所提供的制备方法流程简便、原材料价格低廉、资源丰富，合成成本低，且产品性能稳定，适合大批量合成。通过溶液颜色变化可实现对马拉硫磷的可视化检测，具有高灵敏度、低检测限、宽线性响应范围和较好的选择性及稳定性。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。