本发明属于医药技术领域,公开了穿心莲内酯衍生物在制备预防和治疗肝纤维化药物中的应用,涉及15苄亚基14脱氧11,12脱氢穿心莲内酯衍生物及其3,19酯化物.经实验证明,该类化合物显著抑制人肝星状细胞LX2迁移,活化.显著降低肝纤维化大鼠肝组织纤维化水平,降低细胞外基质蛋白(ECM)相关组分含量;显著降低肝纤维化大鼠免疫炎症相关因子的水平,并有效抑制免疫炎症反应;抑制肝组织中肝星状细胞活化,促进胶原降解.将该类化合物作为活性成份用于制备抗肝纤维化药物,高效低毒,为肝纤维化的治疗和预防提供了新的药物途径,从而扩大了临床用药的可选择范围,具有良好的应用开发前景.

本发明提供了具有抗 EB 病毒和抗 KSHV 活性的化合物及其来源，以及分离纯化方法和应用，具体是从金丝桃属植物地耳草中分离纯化得到化合物 1-18，其中从湖北省蕲春县大别山地区 10 月份采集的地耳草中分离纯化出化合物 1-10，从江西省庐山市庐山地区 8 月份采集的地耳草中分离纯化出化合物 11-18。通过这 18 个化合物对两种致瘤疱疹病毒进行抗病毒活性研究，发现化合物 1、3、4、7 和 8 对 EB病毒的 DNA 复制有抑制活性；化合物 3、6 和 13-17 对卡波氏肉瘤相关疱疹病毒(K

膝骨关节炎在中、老年患者中多发。目前治疗膝骨关节炎的理疗仪器具有体型巨大、形式单一、参数固定、价格昂贵、且必须在医院使用的特点。未来医疗的终点要回归家庭，回归社会，回归工作。当下结合养老产业的家庭康复服务和家庭康复理疗仪器的研发和应用成为热点。 该产品基于三种物理治疗因子主要针对OA病理基础中三个重要特征的事实，提出科学问题如下：是否可以将低频脉冲电磁场（PEMFs）、振动治疗（VT）和温热治疗（TT）三者整合一体化为一类便携式的骨关节炎治疗仪器，并且各参数可调。具有关键性技术和关键工艺。一体化治疗仪实现磁激励、振动和加热三种物理因子方式可以同时工作，也可以分别工作。以交互式人机界面方式，以高性能的TMS320F2812为中心处理，外加接口控制器和外围处理单元，充分兼顾机械和工程上的精细化和小型化。具有新设计构思和工业材料。引入新型医用材料 PTC ,使之兼具热疗和电疗的效果。此外,电子元器件采用贴片封装,整体电路和温热元件均嵌于护膝内部，穿戴方便舒适，适于各年龄段患者的膝关节解剖结构，提高患者治疗依从性。该产品设计目标是便携式仪器，追求产品的小型化和家庭化。便于操作，做到既安全又有效。

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。

论文在MOF基晶态材料作为光催化剂实现CO2到CO的光催化定向转化的基础上，选择了兼容的反应体系和反应装置，建立了光催化还原CO2反应和羰基化反应的串联催化反应体系。