近日，傅正义院士团队平航副研究员在材料过程仿生制备新技术研究方面取得创新性进展，成果以“Mineralization Generates Megapascal Contractile Stresses in Collagen Fibrils”为题，发表在国际顶级期刊《Science》（科学）上。

该技术研制了一种能识别多种卡巴氧和喹赛多代谢产物的特异性单克隆抗体和一种用于检测卡巴氧和喹赛多代谢产物的酶联免疫方法及试剂盒。与现有技术相比，本成果制备的单克隆抗体可以同时识别脱二氧卡巴氧、脱二氧喹赛多和N4-脱一氧喹赛多，而且具有较高的灵敏度和特异性。建立的ELISA技术和试剂盒能同时检测卡巴氧和喹赛多代谢产物在肉类食物中的残留，具有检测效率和灵敏度高，精密度和准确度好等优点。 现已发展了多种用于检测该类药物残留技术，在这些残留分析技术中，由于其所需仪器昂贵、操作复杂、检测费用高，而不利于大批量样品的筛选及现场检测。目前，针对喹噁啉类脱二氧代谢物的检测技术鲜有报道，所以建立一种特异性较好、灵敏度较高的单克隆抗体以检测动物体内或肉类食物中卡巴氧和喹赛多代谢产物显得十分必要。 成果完成时间：2017年

肿瘤细胞异质性是肿瘤异质性的重要成因之一，可导致肿瘤在增殖能力、侵袭能力和药物敏感性等方面产生重要差异，影响肿瘤的诊断与治疗，最终影响患者身体健康与生命安全。因此，肿瘤细胞异质性研究对于肿瘤的诊断和个体化治疗具有重要意义。而进行肿瘤细胞亚群分离分析是研究肿瘤细胞异质性的重要基础。现有的基于电泳、场流或荧光激活式分离原理的进行肿瘤细胞分离分析的策略存在着特异性差、操作繁琐或需样本量大等弊端。基于课题组在磁性梯度分离细菌、肿瘤标志物、蛋白分析等方面前期工作（Analytical Chemistry 2018, 90, 9621-9628；Analytical Chemistry 2014, 86, 9434-9442；Chemistry-A European Journal 2014, 20,14642-14649），该研究以细胞表面标志物Her2表达量差异化的三种乳腺癌细胞(BT474、MDA-MB-453和MDA-MB-231)为研究模型，通过荧光-磁性靶向仿生探针与其识别后形成不同磁性梯度，在恒定外磁场作用下，可分别在90 s、120 s和180 s时间内快速逐一梯度分离出三种不同乳腺癌细胞亚型，并基于探针的荧光信号对肿瘤细胞亚群进行了初步鉴定。该研究报道的基于磁性梯度响应的肿瘤细胞亚群分离分析策略具有简单、快速、准确等特点，为血液样本中异质性肿瘤细胞亚群的近同时分离与分析提供新思路，在肿瘤早期诊断、评估和预后方面具有重要的潜在应用前景。

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。

北京大学物理学院、纳光电子前沿科学中心、人工微结构和介观物理国家重点实验室“极端光学团队”胡小永教授和龚旗煌院士等在非厄密拓扑光子学研究中取得重要进展：发展出一种研究新型增益-损耗畴壁拓扑光学体系的有效哈密顿量新方法，揭示了由增益-损耗畴壁诱导的拓扑态的产生机制。