团队发现了一种结瘤因子水解酶 （MtNFH1），它虽然缺乏几丁质酶活性，但是能够特异地水解来自苜蓿中华根瘤菌中的结瘤因子，表明了MtNFH1对于结瘤因子具有更高的偏好性。在这篇文章中，Staehelin教授团队研究了结瘤因子水解酶（MtNFH1）在共生中的作用。研究发现，当接种苜蓿中华根瘤菌时，结瘤因子水解酶积聚在侵染腔中表达。截形苜蓿结瘤因子水解酶突变体研究发现，在突变体中根瘤菌入侵呈现延迟的现象，说明过量的结瘤因子会抑制侵染线的形成。结瘤实验研究发现，突变体早期根瘤呈现根瘤肥大和分支状（二分体或掌状-珊瑚状）。同时，根瘤的分支状表型也分别出现在结瘤因子水解酶过表达植株和野生型植物接种结瘤因子过表达菌株中。因此，结瘤因子水解酶对于结瘤因子浓度的精准调控是根瘤菌入侵根毛以及成熟根瘤形态发生所必需的。

（1）针对氧化还原酶在对映选择性和催化活性等方面的适用局限性问题，建立分子改造与基因组挖掘技术平台。通过理性设计改造野生型酶，改善和强化酶的催化特性与功能，获得具有自主知识产权的高活性、高立体选择性制备芳基手性醇的重组氧化还原酶及新基因，拓展了酶的适用性，并为进一步认识酶分子催化机制奠定基础； （2）建立了高效稳定全细胞催化的(S)-苯基乙二醇公斤级制备体系，在 100L 罐中，将底物浓度从 15 g/L 提高到 25 g/L，获得了生产规模放大和产物的高效提取与精制等重要研究成果。产物光学纯度和产率分别达到 99%和 93%。最终产物收率为 85%； （3）以数种手性醇酸化合物(R)-苯基乙二醇、(S)-间氯苯基乙二醇、(R)- 扁桃酸、(R)-2-辛醇为模型产物，通过生物催化剂筛选、理性设计催化过程、合理修饰底物和采用原位分离策略等，大大提高微生物不对称还原潜手性化合物的效率，为手性化合物的制备提供了高效、安全的生物途径。

本项目从白酒大曲中分离筛选出具有自主知识产权的高效脂肪酶生产菌华根霉，建立了利用华根霉全细胞脂肪酶在非水相中催化合成以己酸乙酯为代表的短链芳香酯技术体系，并实现了产业化。此方法反应条件温和、反应特异性强、有毒副产物少、反应效率更高；转化产物品质高，合成的短链的脂肪酸酯主要包括己酸乙酯、戊酸乙酯、庚酸乙酯、辛酸乙酯等，属于天然等同生物香料，具有巨大的市场需求和商业价值。相关技术成果 2006 年获江苏省科技进步一等奖，2003 年获教育部提名国家技术进步二等奖。

产品介绍 CK-M8L超高频RFID读写模块是小型化的UHF RFID 读写器 ，集成了模拟射频前端与基带数字信号处理模块等功能；用户只需要在模块的基础上作电源处理即可，可以很方便的通过API函数库控制模块工作适合各种应用场景用户开发。该模块支持固件升级，可满足协议扩展和功能扩展的应用需要。     产品特点 支持多种协议：ISO 18000-6C/EPC C1G2 、 ISO 18000-6B、国标GB/T29768-2013(可拓展支持)。 密集读取：端口最大输出33dBm，可根据需要设置功率，可应对非常密集的使用环境，多标签识别算法，每秒可识别超过400张以上。 能够定频或跳频工作。 输出功率可调,调节步进:1dBm。 支持标签数据过滤、支持防碰撞协议、支持多标签识别。 全频段、大功率、灵敏度高、功率准、零配置即可获得最佳性能。 规格参数 主要规格参数 产品型号 CK-M8L 性能参数 频率范围 940MHz～960MHz 空口协议 EPC C1G2、ISO18000-6B/C、GB/T29768-2013（可选配） 功能特点 支持密集读写、多标签识别、支持标签数据过滤、支持RSSI：可感知信号强度 通道数 8通道 RF输出功率（端口） 33dBm±1dBm（MAX） 输出功率调节 ±1dBm 前向调制方式 DSB-ASK、PR-ASK 连续读标签距离（读EPC码） 0-10米，连续读100次，读取成功率大于95%（无干扰环境）（8dBi圆极化天线@H3） 连续写标签距离（写EPC码） 0〜4米(与标签芯片性能有关)，连续写100次，写成功率大于90%（8dBi圆极化天线@H3） 标签识别速度 >400次/秒 通讯口 TTL串口 物理接口 15PIN端子 1.25mm间距 空口协议 ISO 18000-6C/EPC C1G2 、 ISO 18000-6B、 GB/T29768-2013（可拓展支持） 功能特点 支持密集读写、多标签识别、支持标签数据过滤、支持RSSI：可感知信号强度 读卡功耗 （33dBm）：8W 物理参数 外观尺寸 93*72*8mm 外壳材质 铝型材外壳 安装方式 通过四个螺丝孔固定 电源 工作电压   操作环境 工作温度 -20°C~+70°C 储存温度 -40°C~+85°C 工作湿度 <95% (+25°C)

产品介绍 CK-M16L超高频RFID读写模块是小型化的UHF RFID 读写器 ，集成了模拟射频前端与基带数字信号处理模块等功能；用户只需要在模块的基础上作电源处理即可，可以很方便的通过API函数库控制模块工作适合各种应用场景用户开发。该模块支持固件升级，可满足协议扩展和功能扩展的应用需要。     产品特点 支持多种协议：ISO 18000-6C/EPC C1G2 、 ISO 18000-6B、国标GB/T29768-2013(可拓展支持)。 密集读取：端口最大输出33dBm，可根据需要设置功率，可应对非常密集的使用环境，多标签识别算法，每秒可识别超过400张以上。 能够定频或跳频工作。 输出功率可调,调节步进:1dBm。 支持标签数据过滤、支持防碰撞协议、支持多标签识别。 全频段、大功率、灵敏度高、功率准、零配置即可获得最佳性能。 规格参数 主要规格参数 产品型号 CK-M16L 性能参数 频率范围 840MHz～960MHz（可调节） 空口协议 EPC C1G2、ISO18000-6B/C、GB/T29768-2013（可选配） 功能特点 支持密集读写、多标签识别、支持标签数据过滤、支持RSSI：可感知信号强度 通道数 16通道 RF输出功率（端口） 33dBm±1dBm（MAX） 输出功率调节 ±1dBm 前向调制方式 DSB-ASK、PR-ASK 连续读标签距离（读EPC码） 0-10米，连续读100次，读取成功率大于95%（无干扰环境） 连续写标签距离（写EPC码） 0〜4米(与标签芯片性能有关)，连续写100次，写成功率大于90% 标签识别速度 >400次/秒 通讯口 TTL串口 物理接口 15PIN端子 1.25mm间距 读卡功耗 （33dBm）：8W 物理参数 外观尺寸 178.8*89.5*8mm 外壳材质 铝型材外壳 安装方式 通过四个螺丝孔固定 电源 工作电压 5V 4A 操作环境 工作温度 -20°C~+70°C 储存温度 -40°C~+85°C 工作湿度 <95% (+25°C)

本项目针对人工速生林木材密度小、强度低的特点，研究开发出木材化学改性与干燥一体化工艺技术及装备。本技术能够大幅度提高速生材性能，同时解决了常规木材改性技术中改性剂浸透困难、环保性差，改性材功能单一、尺寸小，无法满足工业生产要求等问题；解决了传统木材改性技术工艺“先干燥-再浸渍处理-再二次干燥”的能耗高的问题。本项目技术获国家发明专利授权2项，已在多家企业应用。

新冠肺炎常规通过病史、CT等进行病情评估，但重症病房应用超声不便，还需要评估重症患者的心脏等多器官，然而操作者绝大多数不是专业超声医生，这为如何在治疗重症患者的过程中更好地发挥超声的作用提出了难题。深圳国际研究生院袁克虹团队与深圳华声医疗技术股份有限公司合作，用人工智能技术赋能5G超声设备，增添采集心肺关键标准切面的导航以及关键参数的自动测量等功能，辅助医生对重症病人进行动态评估和治疗。 袁克虹团队与深圳华声医疗技术股份有限公司1月中旬组成研发团队，在已有合作工作的基础上，针对新冠肺炎重症患者临床超声的迫切需求开展联合攻关，半个月就获得了较好的成果。该技术从2月初开始在武汉协和西院等多家医院使用，在一定程度上辅助了医生对重症患者进行疾病的动态评估和治疗指导。 目前该技术正由国家感染性疾病临床研究中心（深圳市第三人民医院）牵头开展进一步研究，将完善和改进现有功能，优化远程诊断流程，实现超声为医生治疗重症患者提供更智能、更可靠、更专业的帮助。

动物捕食植物种子（下称种子捕食）是动植物协同进化的重要方面。动物捕食植物种子可影响植物种群更新和繁衍；植物通过调节各种性状，如种子大小、蛋白质含量，调节动物捕食行为。植物性状对种子捕食调节能力的评估对理解动植物协同进化具有重要意义。 因此，建立一种用于种子捕食追踪的人工种子系统，对于种子捕食追踪及相关研究，理解动植物协同进化，促进野生植物尤其是珍稀濒危植物保护具有重要的作用。

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：