为了进一步验证红树植物在全球气候变化下是否足够强健，研究人员对现存红树物种的历史群体大小动态变化分析，发现大多数红树物种在海平面快速变化时期发生了种群规模急剧减少和破碎分化。

酿酒、调味品等食品酿造工艺工程类及精细化工领域装备技术合作

电子科技大学电磁环境仿真及智能处理平台采购项目竞争性磋商

脱细胞技术逆转了成年猪视神经抑制神经再生的微环境，使其更接近于胚胎猪视神经的细胞外基质成份，优化了视神经的功能，使之支持背根神经节(DRG)神经突起直行生长。在去细胞视神经(DON)纵切厚片上的神经突起生长距离显著长于生长在正常视神经(ON)纵切厚片上的神经突起。与ON相比，生长在DON上的神经突起分支也明显增加。应用蛋白组学技术分析了成年猪视神经、去细胞猪视神经和胚胎猪视神经三种细胞外基质成份，发现去细胞视神经的蛋白成份有转向胚胎化的趋势：脱细胞技术选择性去除一些抑制神经突起生长分子，如髓鞘相关糖蛋白(MAG)和硫酸软骨素蛋白多糖(CSPGs)等，并保留了支持神经突起生长的蛋白成份，包括四型胶原(COL4)和层粘连蛋白(LAM)等。位于DON纵切厚片结缔组织隔膜上的COL4和LAM被证明与DRG神经突起上的整合素α1(ITGA1)结合，是导致神经突起直行生长的因素之一。该研究为优化中枢神经组织微环境向有利于神经再生的功能转变提供了可行的技术路径，也为DON作为天然生物支架在神经损伤修复中的应用奠定了理论基础。

利用电解水制造高纯氢气是当前能源利用与转换中一个重大课题，因此，探索低成本、高效的水裂解制氢反应电催化剂具有重要意义。商用IrO2催化剂由于使用贵金属，成本非常昂贵。目前，单原子催化剂已被证明是用于氧气析出反应（OER）的有效催化剂，且由于这些单原子的配位环境，使得单原子催化剂具有高选择性。同时，单原子催化剂可以提高有效负载量，并减少至少10倍的贵金属使用。 制备单原子催化剂的典型方法

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。

近日，化学学院徐浩教授课题组在催化不对称合成领域取得了新进展。

科技型中小企业技术含量高、创新能力强，是极具活力和潜力的创新主体，是强化企业创新主体地位的重要力量。为贯彻落实党的十九大和十九届历次全会精神，以及中央经济工作会议精神，营造更好环境支持科技型中小企业研发，促进科技型中小企业成长为创新重要发源地。