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

本仿真实训要求学员根据常见60KW以下小型分布式光伏电站项目需求书要求，到现场进行测量、采集项目所需数据，然后回到办公室使用设计软件进行项目设计，并且做出系统分析结果、施工图以及施工材料清单。 1.1. 场景设计 虚拟场景包括办公设计场景，楼顶建筑场景； 场景模型主要包括：办公室建筑模型、办公家具、办公设备、长度测量工具、方向测量工具、楼顶建筑模型等 设计软件模拟包括：阴影阵列分析软件、CAD制图软件、倾角分析软件、系统分析模拟软件 1.2. 互动设计 在办公室里使用电脑了解项目需求书，根据提供的信息收集项目所在位置的地理与环境信息 到现场使用长度与方向测量工具测量设计所需数据 回办公室使用各种专业设计软件对该项目进行系统设计。

分布式小型光伏电站系统施工建设仿真实训让学员以现场施工工程师的身份根据提供的项目说明书、施工图纸和材料到现场进行小型电站的模拟施工，提高学员的实践能力和动手能力。 1.1. 场景设计 虚拟场景主要由厂户楼顶施工场景组成； 场景模型主要包括：厂户建筑模型、支架基础桩、支架前后立柱、横梁、侧梁、接地扁钢、晶硅光伏组件、边压块、中间压块、接线盒、连接线、直流汇流箱、进线、出线、熔断器盒、断路器、避雷器、逆变器、PVC保护线管、五金螺丝螺母、安全帽、施工工具等 1.2. 互动设计 在施工场景看懂图纸，检查施工物料 根据提示到指定位置使用工具把支架、光伏组件、汇流箱、逆变器一一安装起来 进行组件阵列间串联和并联接线 进行防雷焊接 施工完成后进行投切并网操作 场景植入VR太阳模块，精准计算该项目所在位置的太阳位置，太阳高度角和方位角，在虚拟场景中全时仿真太阳产生的阴影。

选择标记转基因作物已成为近年来植物基因工程技术研究的重 点之一，随着转基因作物产品的商品化，转基因植物的生物安全性受 到公众越来越多的关注，尤其是目前抗生素标记基因在植物遗传转化 过程中的广泛应用，使人们对这些标记基因可能带来的潜在危害性心 存疑虑，抗性标记基因的存在严重地阻碍了转基因植物的商品化进程 和转化技术本身的有效性。 本项目培育的无抗生素标记基因（可视化标记基因）在建立高效、 安全、规模化的转基因作物技术体系方面取得突破，以紫色幼芽作为 沙 门 屎 肠 副溶血弧 霍 乱 小 肠 结 肠 亲水气单 粪 肠 金 黄 色 肺炎克雷 钩端螺 嗜 肺 军 志 贺 绿 脓可视筛选标记代替抗生素筛选标记，构建了新型转化载体并应用于作 物，已申请 2 项发明专利。

本发明提供了一种高辣度辣椒育种资源的快速筛选方法。本发明的筛选方法可显著区分育种材料间的辣度，确定电子鼻可以用于评价辣椒辣度，并予以区分，在此基础之上，又确定了电子鼻可以量化筛选育种材料辣度，并筛选指标阈值，本发明可以简单快速的筛选育种资源材料，即划分辣椒的辣度等级，将其辣度分为四个等级，即不辣、微辣、辣以及超级辣。本发明所述的筛选方法是建立在科学实验基础之上的，并经过具体筛选例证进行筛选确定，本发明不但可应用于高辣度辣椒育种资源的快速筛选，还可用于辣椒加工企业的原料评价，确保辣椒制品辣度恒定，有良好的市场应用前景。

一、成果简介 酿酒酵母（Saccharomyces cerevisiae）是重要的工业微生物，其自身的特性决定着发酵的进程和产品的质量。 具有各种特定优良性能的酵母菌株，不但能够提高发酵产品的市场竞争力和商业价值，还能缩短发酵周期和降低生产成本，进而提高企业的竞争优势和获利能力。本课题组多年来一直从事酿酒酵母工业发酵菌株的选育和 改良研究。筛选、鉴定和保存了300多株本土优