YJ-0633A药物黏度测定仪 本仪器YJ-0633A药物黏度测定仪的制造符合中国药典2020年版0633黏度测定法所规定的技术要求，可以通用品氏和乌氏粘度计。本仪器专为粘度测试设计，由水槽和控制器两部分组成。粘度恒温槽提供一个稳定的温场和测试平台，此外仪器也可作为高精度浴槽，进行其它试验。本仪器的最大特点是：全喷塑处理，经久耐用；双层缸结构，高精度控温仪，控温准确。 主要功能特点 1、采用智能液晶显示温控仪，控温迅速，响应快，超调小，控温精度达±0.1℃。 2、采用硬质玻璃缸及保温外套缸（称双缸），保温性能好，试样观察清晰。 3、采用台式、一体机设计方式，仪器整体性好，使用方便。 4、带有线控计时按键，用于实验时的计时显示和控制。 5、采用电动搅拌装置，浴缸内的温度均匀。 6、制冷器与主机分离式设计，防止压缩机工作振动带来的粘度计测试误差。 二、主要技术参数 1、工作电源：   AC(220±10%)V，50Hz±5%。 2、加热功率：   1600W。 3、搅拌电机：   功率6W；转速 1200r/min。 4、测温范围：    10℃～180（选配制冷器后可实现制冷）5、控温精度：   ±0.1℃。 6、恒温浴：     容量，25L；形式，内外两层缸（双缸）。 7、使用环境：   环境温度-10℃～+35℃，相对湿度＜85％。 8、温度传感器： 工业铂电阻，其分度号为Pt100。 9、整机功耗：   不大于1800W。 10、毛细管粘度计：  4支（平氏或者乌氏客户可任选）11、外形尺寸：   530㎜×400㎜×670㎜ （长×宽×高，含浴缸等）。

本发明公开一种诱导损伤可观测耗能杆，包括核心杆和外约束套管；所述核心杆的两端为连接段，连接段之间为耗能段，所述耗能段的横截面小于连接段的横截面，在耗能段表面打磨一段形成诱导损伤段，外约束套管上预留观测窗，其位置与诱导损伤段保持一致。本发明同时具有诱导损伤以及损伤可观测的特点，通过打磨切削耗能段形成诱导损伤段，使得诱导损伤段的累积损伤更严重，先于耗能段发生开裂、甚至断裂破坏，基于上述损伤定位，观测窗可直接观测损伤，同时，观测窗仅需要略大于诱导损伤段，避免了对于外约束套管过大削弱，保证了耗能杆的整体稳定性。本发明能够为耗能杆的震后损伤评估和更换提供依据，具有广阔的应用前景。

通过对个体全基因组单核苷酸多态性（SNP）信息与疾病表型的全基因组关联分析，以及两阶段独立人群验证，最终在2942例鼻咽癌患者中发现了位于14号染色体上CEP128 基因启动子区的变异位点rs17111237与放射性脑损伤的发生存在显著关联，携带危险型等位基因的个体CEP128基因的表达水平显著较低。特别地，联合临床危险因素，携带危险基因型的高危鼻咽癌患者放射性脑损伤五年发病风险为携带保护基因型的低危患者的3倍。CEP128基因编码中心体蛋白，在纤毛形成和细胞周期调控中起着至关重要的作用。研究表明，CEP128可通过与CASK、CEP72等蛋白相互作用，维持纤毛的功能并调节细胞对射线等外界刺激的反应。我们进一步以放射性脑损伤的主要靶细胞——神经胶质细胞为模型探究了CEP128基因的功能，通过克隆形成实验发现敲减CEP128基因的表达显著增加了神经胶质细胞的放射敏感性。

可以量产/n该成果公开了一种氯化妥龙在检测柑橘果皮机械损伤中的应用, 其过程是：1 ：选择柑橘果实，清洗果面灰尘等杂质；2 ：配制氯化妥龙溶液，称取一定量氯化妥龙固体粉末，用自来水分别配0.0005g/ml0.005g/ml 之间浓度的溶液；3 ：检测: 将干净的柑橘果实放在氯化妥龙溶液中滚动浸泡10 秒钟至2 分钟，取出，用自来水冲洗干净；4 ：观察：如果有被染成蓝色的部位则为机械损伤部位，正常无颜色反应部位则没有机械损伤。方法易行，操作简便，检测快速，效果好，氯化妥龙在0.0005

“NMT界乔布斯”许越先生推荐创新平台 中关村NMT产业联盟推介成员单位创新产品  “全球抗疫，人人有责” 推出背景：        非损伤微测技术(NMT) 源自1974年美国海洋生物学实验室（MBL，Marine Biological Laboratory）的神经科学家Lionel F. Jaffe提出原初概念，到1990年成功应用于测定细胞的Ca2+流速，已经解决了众多科学问题。2001年，中国学者许越先生与Dr.Jaffe以美国扬格公司 (YoungerUSA, LLC) 为依托，进一步完善系统功能和用户体验，初步形成了现代NMT的雏形。        非损伤微测技术（Non-invasive Micro-test Technology, NMT）是通过测定活体动植物组织、细胞与内/外环境间Ca2+/Cd2+/Na+/K+/NO3-/NH4+/O2...交换量的实时变化，揭示基因功能的一种新技术。目前已被103位诺贝尔奖得主所在单位，以及北大/清华/中科院使用。        非损伤微测系统已经经历了多代的更新，从最初实验室自行搭建的设备，到现在商业化的设备与售后，非损伤微测系统还将继续升级，满足更多科研人员的需求。 应对挑战： 非损伤微测系统已经实现了数据自动化的检测，但随着技术需求的提高，对于进一步的自动化，减少人员操作问题是需要拓展的 检测标准的一致性是人工操作经常出现的问题，如检测位点的确定等等 解决方法： 智能非损伤微测系统提供了智能化图像识别技术，对于样品检测时自动化的定位，有着至关重要的作用 智能非损伤微测系统能够进行智能化的点位选取与检测，让标准更加的固定 智能非损伤微测系统配备高清触摸屏，使操作更加便捷，为今后便携式的设备打下基础 功能特点 1.基本功能： 1.1智能寻位检测，无需人工操作 1.2采用智能化图像识别技术 1.3活体、原位、非损伤检测 1.4检测指标：Ca2+、H+、K+、Na+、Cd2+、Cl-、NH4+、NO3-、Mg2+、Pb2+、Cu2+ 1.5配备高清触摸显示屏，操作便捷   2.性能参数： 2.1工作电压：220V 2.2流速最高检测灵敏度：10-12mol·cm-2·s-1 2.3浓度最高检测灵敏度：10-6M 2.4最短检测周期：5s 2.5智能检测可选点位范围：5μm-1000μm 2.6智能检测可选点位数量：不限 2.7传感器最小运动距离：1μm   3. AIFluxes软件参数： 3.1智能识别流速传感器 3.2支持多点位智能检测 3.3智能捕捉样品图像 3.4可直接输出流速、浓度数据和折线图，无需额外换算

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：

本发明涉及一种医药领域，特别是涉及器官移植(肝脏)术中供肝获取时准确快速进行灌注装置的连接及灌注，具体是一种肝移植术中供肝快速固定灌注装置。肝移植术中供肝快速固定灌注装置，包括穿刺引导装置和连接灌注管的连接环，所述穿刺引导装置为顶端带有可收缩环的穿刺钢丝，所述可收缩环带有磁性；所述连接环顶端为锥形，所述连接环底部与灌注管连接，连接环底部内部设有单向流动的活瓣，连接环顶部为含铁材料制备，连接环顶部与可收缩环相互适配，并通过磁性相互吸附。本发明操作简单可行，针对性强，主要用于肝移植术中完成供肝获取时快速灌注。本发明为快速、高效的进行肝脏灌注、获取高质量的供肝提供了有效的技术保障。

XM-503F肝、胆、胰、脾、胃、十二指肠模型   XM-503F肝、胆、胰、脾、胃、十二指肠模型可拆分为6部件，显示部分肝脏，完整的胰、脾脏、胆、下腔静脉、腹主动脉和完整的胃解剖，其中，胃部做了胃浅表肌肉、血管及胃结构设计， 肝胆部分可互换，展示了胆囊的结构，十二指肠部分采用打开设计，展示了十二指肠内部结构。 尺寸：自然大，18×16×31cm 材质：PVC材料

XM-503E肝、胆、胰、十二指肠、胃切面模型   XM-503E肝、胆、胰、十二指肠、胃切面模型显示肝、胰、脾、十二指肠、胃的切面结构和形态。 尺寸：自然大，23×18×6cm 材质：PVC材料