在进化历程中，抗生素耐药基因的每个核苷酸位点都可能发生突变，有些突变使细菌对抗生素更敏感，有些会导致更耐药。在抗生素选择压力下，更耐药的突变类型会更容易被筛选出来，并引起逐步扩散和传播。

为了进一步验证红树植物在全球气候变化下是否足够强健，研究人员对现存红树物种的历史群体大小动态变化分析，发现大多数红树物种在海平面快速变化时期发生了种群规模急剧减少和破碎分化。

酿酒、调味品等食品酿造工艺工程类及精细化工领域装备技术合作

我国现在运行的压水堆核电厂发电效率约为 33％，核燃料放出热量的 2/3被作为废热排入海中，造成热污染；较先进的火力电厂的发电效率也仅 40％左右。而水作为人类最宝贵的不可替代的自然资源，水短缺问题正日益影响着全球的生态环境和社会、经济发展。海水淡化技术是解决水资源紧缺问题的一条有效 途径，世界各国也越来越重视这种新技术。低温多效蒸发海水淡化（LT-MED）技术预处理简单，工作温度低，传热效率高，系统操作弹性大，并可有效地利用锅炉等余热或其它低位热能，电厂实现水电联产，成为海水淡化的主流技术之一。 针对日产万吨级 LT-MED 设备国产化，开展了相关基础研究，对 LT-MED 蒸发器的水平管结构、材料及布置形式，在低温低压、管内外均发生相变条件下进行了传热和流动的试验研究，获得了水平管降膜蒸发的基础数据，并确定了管外海水喷淋参数和管内蒸汽参数对传热特性及管内流动阻力特性的影响，得到了传热准则关联式和阻力计算关联式；建立了低温多效海水淡化装置单效蒸发器的热力计算模型，运用实验关联式，考虑了海水喷淋密度、温度、盐度，以及管内蒸汽流量、压力对传热系数的影响，也考虑了水和海水的物性随温度或盐度的变化。研发的计算程序可获得蒸发器内部流动与传热各参数的分布，结果与黄骅电厂工程实际符合良好。还研发了 TVC-MED 热力计算，该程序可用于蒸发器和 MED 系统的结构设计和运行参数优化，具有重要的实用价值和学术价值。为我国自行设计、开发高效水平管降膜蒸发器奠定了理论和实验基础。 

本发明涉及烟气污染物治理技术领域，旨在提供一种活性分子O3低温两步氧化烟气硫硝一体化脱除方法及装置。该方法包括：除尘后的烟气由烟道依次进入烟道反应器和湿法洗涤塔；活性分子O3分两个阶段参与反应：一部分由烟道反应器的前端喷入，将烟气中的NO氧化为NO2；剩余的由烟道反应器末端或湿法洗涤塔中段喷入，继续将烟气中的NO2氧化生成NO3或N2O5；硫氧化物与NO3或N2O5在湿法洗涤塔中被浆液一并吸收，实现硫硝污染物的一体化脱除；经处理后的烟气送入烟囱实现排放。本发明降低了脱硫脱硝系统的投资成本、实现了同时脱硫脱硝，系统跟随燃烧负荷调节灵活、工艺简单、脱硝效率90％以上、脱硫效率95％以上，废液可回收氮肥和硫元素，具有广阔的应用前景。

气体放电低温等离子体中含有大量活性粒子，包括高能电子、离子、自由基、活性原子和分子及紫外光子等，能够激发一系列物理和化学反应，而宏观温度又可以保持较低水平，可以使低温下难以发生的反应得以实现。此外，等离子体技术和传统的催化剂相结合能够产生等离子体催化协同效应。本项目面向目前亟待解决的能源和环境问题，设计研发了不同结构的同轴介质阻挡放电反应器、刀片式滑动电弧反应器以及旋转滑动电弧反应器等，这些反应器结构简单、制作成本低、可与传统催化等技术相结合，并且可实现工业化放大；另外开发了适用于这些反应器的交流高频、微秒脉冲和纳秒脉冲等电源，所构建的低温等离子体协同催化系统可应用于能源转化和环境保护等领域。

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。

近日，化学学院徐浩教授课题组在催化不对称合成领域取得了新进展。