本申请涉及一种二维材料硒化铟的非晶化方法。本申请的非晶化方法包括：S1：提供设置有纳米层状硒化铟样品的电学芯片；S2：对电学芯片施加脉冲电压，使硒化铟发生非晶化。本申请通过施加脉冲电压来诱导非晶化，具有快速、精确、节能等优势，适用于高性能电子和光电器件的制造。

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：

本发明公开了一种制备胶体金标记的装载有PD药物的纳米脂质体的方法。将卵磷脂；胆固醇乙醇溶液在特定条件下分散到含胶体金和左旋多巴或金刚烷胺PD治疗药物的PBS溶液中，再将该溶液置于水浴中搅拌，乙醇挥发完全之后适当超声制备而成。所制备的胶体金标记的装载PD药物纳米脂质体粒径小、稳定性好，且有金定位标记，可增加PD药物的稳定性，提高生物利用率，同时减少药物用量，降低毒性。制备方法操作简便，反应易控制。产物可用于研究纳米左旋多巴或金刚烷胺脂质体的给药效果，改善左旋多巴或金刚烷胺的毒副作用，增强脑靶向性，还可作为一种探针用于研究纳米脂质体的脑代谢途径。

本发明公开了一种富硒蚯蚓有机肥的制作方法，该方法包括如下步骤：按照质量比1:1称取发酵后的畜禽粪便和菌渣，过筛，混合均匀得到饲养蚯蚓的基质；制备富硒饲养基质和普通饲养基质；在得到的富硒饲养基质和普通饲养基质中引入蚯蚓，饲养，分离蚯蚓和蚯蚓粪；制备蚯蚓匀浆液；酶解蚯蚓匀浆液，即得富硒氨基酸营养原液；制备蚯蚓粪提取液；将蚯蚓粪提取液与富硒氨基酸营养原液混合，灭菌，即得。本发明提供的富硒蚯蚓有机肥的制作方法具有生产成本低、制作周期短的特点，获得的产品具有储存时间长、蚯蚓分解彻底和有机硒含量高等优点。

本发明公开了一种氧化锌基底诱导取向生长的硒化锑薄膜的方 法，其特征在于，该方法是以特定取向的氧化锌基底诱导生长具有择 优取向方向的硒化锑薄膜；当氧化锌基底为(100)取向时，诱导生长出 的硒化锑薄膜是以<、221>、方向为主导生长取向；当氧化锌基底 为(002)取向时，诱导生长出的硒化锑薄膜是以<、120>、方向为主 导生长取向。本发明中的方法可应用于硒化锑薄膜太阳能电池的制备， 得到相应的硒

尿微量白蛋白是指尿中白蛋白含量超出健康人参考范围，但不能 用常规的方法检测出这种微量的变化。糖尿病肾病、高血压肾、妊娠 子痫病人体内尿微量白蛋白均会出现异常变化。本项目公开的一种半 定量检测尿微量白蛋白胶体硒试纸方便、直观、快速，可应用于糖尿 病肾病、高血压肾病、妊娠子痫前期及各种毒性物质所致的肾损伤的 早期诊断等领域。

DNA编码化合物库的设计及筛选是当前新药发现领域最前沿的技术之一，这种筛选是将目标靶点蛋白和整个DNA编码化合物库（亿级）进行筛选。筛选体系中，数量巨大的化合物对同一靶标蛋白竞争性结合，而非传统的单个化合物逐一筛选，因此这样的筛选方式在速度和成本上具有显著的优势；其次，DNA编码化合物库具有非常大的库容量（百万到数百亿数量级），可以涵盖更为广泛的化学空间，对于一些用传统方法难以筛选的靶点，如蛋白-蛋白相互作用靶点，DEL技术已经显示出巨大的潜力。目前DEL技术凭借其库容量大、筛选速度快的特点，已成为化合物筛选的主流方法之一。当前，大型跨国制药公司都已采用DNA编码化合物库技术进行药物发现的研究。众多基于该技术的新兴生物科技公司/平台涌现出来，如Ensemble therapeutics、X-Chem、DiCE Molecule、NuEvolution、Philochem、先导药业、劲宇生物和药明康德（DEL平台）等。  硒是一种非金属化学元素，位于化学元素周期表中位于第四周期VI A族（第34号元素）。硒在自然界的存在方式分为两种：无机硒和植物活性硒。无机硒一般指亚硒酸钠和硒酸钠，从金属矿藏的副产品中获得；植物活性硒是由硒通过生物转化与氨基酸结合而成，一般以硒蛋氨酸的形式存在。硒可用作光敏材料和电解锰行业催化剂，也是动物体必需的营养元素和植物有益的营养元素等。作为一种多功能的生命营养素，硒常常用于肿瘤癌症克山病大骨节病、心血管病、糖尿病、肝病、前列腺病、心脏病、癌症等40多种疾病，广泛运用于癌症、手术、放化疗等。

简介： 抗体药物是生物制药中复合增长率最高的，2019年全球研究抗体市场规模为34亿美元，预计在预测期内复合年增长率为6.2％。原研药二次改造获得成药性更好的药物分子（bio-better）是抗体和细胞因子药物研发的突破口。人工智能技术广泛应用在靶点筛选、分子进化、临床各阶段研究、产品上市后的活动中。 我们开发的智能抗体设计平台，包括 抗体序列注释分析、抗体翻译后修饰位点的预测、抗原线性表位预测、抗体结构的预测与优化、 抗体-抗原相互作用的预测、抗体分子的设计与改造。高效的完成抗体亲和力成熟、稳定性优化和人源化改造等。  优势： 1、研发成本节约3-5倍，时间节省5倍，筛选成功率提升6倍 2、可以帮助指导、设计实验，减少消耗，加快速度，提高准确率 3、计算方法已经得到了实验从正、反两方面的验证。 图1：深度学习算法预测蛋白质相互作用时界面氨基酸配对:成功率72.1% 图2：计算相互作用得到了实验从正、反两方面的验证

抗体药物是生物制药中复合增长率最高的，2019年全球研究抗体市场规模为34亿美元，预计在预测期内复合年增长率为6.2％。原研药二次改造获得成药性更好的药物分子（bio-better）是抗体和细胞因子药物研发的突破口。人工智能技术广泛应用在靶点筛选、分子进化、临床各阶段研究、产品上市后的活动中。我们开发的智能抗体设计平台，包括 抗体序列注释分析、抗体翻译后修饰位点的预测、抗原线性表位预测、抗体结构的预测与优化、 抗体-抗原相互作用的预测、抗体分子的设计与改造。高效的完成抗体亲和力成熟、稳定性优化和人源化改造等。 优势：1、研发成本节约3-5倍，时间节省5倍，筛选成功率提升6倍2、可以帮助指导、设计实验，减少消耗，加快速度，提高准确率3、计算方法已经得到了实验从正、反两方面的验证。