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：

本发明提供了一种高含油量花生的定向筛选方法，本发明利用在培养基中添加羟脯氨酸来筛选高含油量花生，在添加有羟脯氨酸的培养基中，耐脱水能力弱、一般含油量花生的细胞因失水而凋亡；耐脱水能力强、高含油量花生的细胞才能存活，凡是能在该培养基上成活和正常发育的花生细胞，其含油量必定是高的；凡是不能在该培养基上成活和正常发育的花生细胞，其含油量必定是低的；以此技术形成了高含油量花生的定向培育技术。本发明通过定向

利用目前已上市靶向抗癌药物索拉非尼（sorafenib）作为先导化合物，在分析其基本化学结构基础上，设计合成一系列结构类似的衍生物。通过系统的药理毒理学研究，对所合成的新化合物进行有目的筛选，从而发现新药，并对其进行系统的研究，目标是研制出具有自主知识产权的靶向抗癌新药。在未来的肿瘤治疗发展中，针对分子靶点的新一代抗肿瘤药物将凭借其特异性与靶向性，在抗癌治疗中将发挥重要作用。尤其是以酪氨酸激酶为靶点进行抗肿瘤药物的研发，具有十分广阔的前景。江苏省药物研究所原名南京药物研究所，始建于1962年7月，2006年12月整体划转南京工业大学，是具有独立法人资格的专门从事新药创新与开发研究的专业科研机构。至今共取得新药证书158份。江苏省药物研究所有限公司学科建设和科研设备齐全，以江苏省药物研究所为依托的“江苏省药物安全性评价中心”、“江苏省动物质量检测站”、“江苏省药物新剂型研究与工程化服务技术中心”是江苏省“三药”示范工程的重点配套设施。我所长期服务于企业，已与江苏省恩华药业股份有限公司、江苏亚邦药业集团股份有限公司、江苏四环生物股份有限公司等多家上市公司结为校企联盟，具有良好的产学研合作基础与传统。

研发阶段/n（1）采用BHIA培养基从患病鱼体病灶处（或者从肝、脾、肾、腹水）分离病原菌，在初培养的基础，挑取单个菌落进行纯培养并快速鉴定其种类。（2）将分离菌株接种在盛有适宜的培养基的平板中，采用药物纸片检测分离菌株的药物敏感性，确定分离菌株的药物敏感谱。（3）参照日本化学疗法学会的试管法，在药物系列试管中测定抗生素类药物对分离致病菌的抑、杀菌浓度，根据不同种类的抗生素类药物对分离菌株的最小抑菌浓度（MIC）的大小，选择治疗疾病的适宜药物种类和剂量用药。应用前景：适用于全国各地的海、淡水水产养殖区

供应实验室天平台，量身定做，价格从优，质量保证，欢迎来电咨询。 备注：以上是天平台的详细信息，如果您对天平台的价格、型号、图片有什么疑问，请联系我们获取天平台的最新信息。 咨询电话：0577-67473999

产品详细介绍 台面：含磁不锈钢板，双层减震。M6孔，孔距：25㎜ 磁力表座、一维、二维、三维工作台16件; 一维、二维、三维调整架21套; 附件19套，元器件等20多种；配有精制工作台。26项光学实验.  1200×800×140㎜/   1500×1000×160㎜/    1800×1000×160㎜   另有轻便精密光学平台GPT-3  / 干板切割器 CG-2  / 20度定温洗相仪DX-3/ 移动暗室YD-2.

产品详细介绍 　　山大鲁能MOOC平台是以知识点为中心、能力测试为手段，提供一个集教、学、练、考、评等功能于一体的自主补救平台，该平台颠覆了以往以课堂教学为主的课程教学形式，学生通过现代化的网络手段可以随时随地方便地登陆到学习平台进行某门课程的学习，过程是以学生从登录网络学习平台→学习课程知识点→完成作业→课程测试和综合测试→结束课程学习进行评价分析。 　　产品特点：  　　（1）辅助性：MOOC自主补救平台的使用应该作为常规课堂教学的辅助和延伸，而不能完全替代课堂学习。教师将课程相关资料上传到教学平台，可以帮助学生课前预习和课后巩固学习，同时拓展课程内容和传统教学相辅相成。 　　（2）自主性：学习对学生缺乏有效的学习过程控制机制，学生的学与不学，学习时间的长短、学习效果的好坏从短期是很难监控的，学生学习的自主性显得尤其重要。MOOC自主补救平台培养学生自主学习的能力，是发挥网络学习平台效果的关键所在。 　　（3）可重复性：传统课堂教学要求学生课堂注意力高度集中，往往很难做到，而且课堂内容的难点也很难通过课堂的教学一次性掌握。MOOC自主补救平台给学生重复学习提供了技术支撑，教师可以通过录制课程视频、整理课程相关资料上传网络学习平台，可以使课堂再现，提供学生二次甚至多次重复学习的机会。 　　（4）异步性：传统的教学是课堂教与学的同步，学生必须和教师在时间上同步，思路上同步，才会取得较好的学习效果，而自主学习平台可以实现教与学的异步，教师只要安排好学习任务并进行适当的，学生可以合理地安排自己的时间在给定期限内完成学习。 　　（5）开放性：传统的教学主要围绕教材展开教学，同时由于课堂时间的约束，教学内容受到很大的限制，而MOOC自主补救平台可以提供学生开放性的学习环境，通过教师的引导，可以有效地对课程内容进行扩展和延伸，尤其和现实世界的结合，内容不再抽象和教条，让学生认识到课程的有用性，激发起学生的学习兴趣。 　　（6）交互性：传统课堂教学的交流与沟通是非常有限的，MOOC自主补救平台可以利用各种交流工具提升交流的空间和时间，让教师可以充分掌握学生的学习状态和效果，更好地把握教学的难点，同时对学生的自主学习能力起到促进作用，而且匿名交互可以很大程度上减轻学生交流时的心理压力。

物联网健康大数据平台 通过物联网健康数据入口为基础，服务包括保险、企业、手机、政府等领域，覆盖用户超6.5亿。 链接能力 超过90%的智能设备，包括智能手环、血压计、血糖仪等300多款检测型设备 体检、挂号绿通、在线问诊、海外医疗等28个类别的400余项医疗健康服务 数据量亿+ 运动、睡眠、营养、心理健康行为类数据 心率、血压、血糖、体重、体温等身体指标数据 行业标准 联合中国疾控中心慢病中心、工信部中国信通院开发国内首个“物联网健康数据交互平台” 获中国通信标准化协会CCSA各项审核批准，成为行业标准

健康风险分级管理平台 为企业客户提供一系列健康数据智能解决方案。其中涵括：体检报告OCR识别、健康档案管理、个人综合健康指数评分、异常指标解读、疾病风险预测等。 健康档案 依据国家现有文献标准创建健康档案数据库 标签库 17W+健康医疗及用户行为标签系统 医学OCR引擎 结构化/非结构化/APP/体检报告等数据采集 医学规则引擎 机器与人工审核双重数据智能清洗