南京邮电大学理学院曾红丽副教授与合作者在新型冠状病毒SARS-CoV-2基因序列分析方面取得重要进展，预测了该病毒在自然选择过程中的适应性，指出并分析了该病毒在演化过程中存在的弱点，分析了相应综合医药开发应注意的关键基因位点。该成果以南京邮电大学为第一完成单位，于2020年11月17日在线发表于国际权威期刊美国国家科学院院刊（PNAS）上。 COVID-19疫情是由β-冠状病毒SARS-CoV-2引起的全球性公共卫生突发事件。各类数据库搜集了大量的且不断增加的高质量全基因组序列。本工作利用这些序列，研究其是否显示出病毒演化过程中上位性对适应性的影响。在具有高重组率的种群演化中，本工作创新性地发展和应用了统计物理学中的反Potts模型，来检测自然选择过程中的上位性影响。该工作为利用大量基因组序列来获取具有高重组率的病原体在演化过程中的弱点开辟了广阔前景。 该研究工作最终将新型冠状病毒的大约3万个基因位点浓缩为存在显著相互影响的8对基因位点（ORF3a和nsp2，nsp12和nsp6，ORF8和nsp4，以及基因nsp2，nsp13和nsp14），为寻找病毒病原体结合和重组过程中存在的弱点带来了希望，对开发临床治疗的综合靶向药物、研究病毒进入宿主后的发病机制有着很强的生物医学指导意义。 和其他许多疾病一样，针对COVID-19的潜在药物靶标的组合数量非常多。本研究工作不仅提供了哪些基因位点之间存在相互影响，并可以对其进行排名，从而进行更进一步详细研究。结合随机性检验，该研究工作最终预测了存在显著上位性的8对基因位点中，有3对涉及到与新冠肺炎的重症密切相关的病毒基因ORF3a。遗憾的是，目前关于针对ORF3a基因的临床靶向药物的报道还较为罕见，值得医药学研究人员在该方面加强研究。另外，本研究工作中预测的8对基因位点可作为实验生物学的原假设，以供生物学研究人员在此基础上设置相关微生物实验，研究新冠病毒进入人体后引起发病的机理。 此项研究工作由南京邮电大学与意大利的里雅斯特大学、古巴哈瓦那大学、瑞典哥德堡大学及瑞典皇家理工大学合作完成。曾红丽副教授的研究工作受到国家自然科学基金委（基金号11705097）、江苏省科学技术厅（基金号BK20170895）以及江苏省政府留学奖学金的大力支持。

经济管理学院孙自愿教授的研究团队在企业策略性应对行为研究领域取得研究进展，形成论文《竞争还是普惠？——激励政策选择与创新迎合倾向政策约束》，在《会计研究》2021年第7期上发表，这是经济管理学院在会计科研领域的重要突破。

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。

强关联体系中的巨大电子库伦相互作用能够诱导产生丰富奇异的量子多体物态，包括非常规超导、莫特绝缘体、维格纳晶体态、非费米液体、量子自旋液体等。

本课程为心理学基础导论课，以心理学的经典理论和最新实证研究为蓝本，以积极心理学的视角，介绍科学心理学的基本理论、基本方法、研究领域和研究进展。 在人们物质生活飞速发展的今天，关注心理学显得尤为重要。在美国大学，心理学是学生人数最多且最受欢迎的学科之一。本课程分为13章，分别阐述绪论、意识、感觉、知觉、学习、记忆、思维、情感、进化、动机、人格、社会以及幸福问题。在每一章中，都会以心理学的实证研究作为例证，以经典理论观点作为主导，以积极正面的心理学研究为方向，让学生掌握心理学的基本内容和前沿动态，了解心理学的思考方式，去除对心理学的疑惑与误解，掌握基本的心理学研究方法。

产品详细介绍

产品详细介绍

产品详细介绍

产品详细介绍