首批针对 YEATS 的抗肿瘤增殖药物先导化合物 

其他成果/n蛋制品加工技术领域，具体涉及一种延长鸡蛋清液保质期同时改善其功能性的方法及鸡蛋清。该方法包括以下步骤：1）取蛋清液，并对蛋清液脱糖；2）向蛋清液中同时添加ε‑聚赖氨酸和甘氨酸；3）将蛋清液巴氏杀菌；4）将蛋清液充氮包装。通过本发明所提供的延长鸡蛋清液保质期同时改善其功能性的方法，可以在延长蛋清液的保质期的同时，改善蛋清液的功能性，并且，不影响产品的色泽或风味。

探究了AI自动勾画的临床应用价值，即AI能够为临床医生提供多大的帮助。在8位医生完成人工勾画两个月后，由他们对AI自动勾画的结果进行修改（AI自动勾画+医生修改，即AI辅助勾画）。结果显示，AI辅助勾画提高了5位医生的勾画准确性（平均由74%提高至79%），减少了55%的勾画者间差异。     本研究是AI在全期别鼻咽癌放射治疗靶区勾画方面的首个研究，样本量大、技术合理、测试全面，是AI在肿瘤学领域应用的一项重要进展。研究结果显示AI辅助勾画提高了鼻咽肿瘤勾画的准确性，能够让经验较少的医生达到近似专家水平的勾画，将会对肿瘤控制和患者生存产生积极影响，同时极大地提高了医生勾画的效率，为实现精准而又高效的鼻咽癌放射治疗靶区勾画提供了解决方案。

本发明属于水库优化调度领域，公开了一种随机来水情况下的水库蓄水期径流分级控制发电调度方法。首先，将蓄水期入库径流划分为面临时段和余留期长时段两个阶段，分析水库多年历史入库径流数据，统计得到蓄水期各时段当前径流和余留期长时段平均径流间的转移概率矩阵。然后离散蓄水期各时段水库运行水位和入库流量，得到各时段水库水位和入库流量的组合。针对每一种组合，根据转移概率矩阵获得余留期长时段各种随机平均入流值概率，计算得到使当前时段和余留期长时段发电量期望值最大的决策流量值，对蓄水期所有时段计算完毕后组合编制得到径流

本发明涉及自适应控制技术领域，具体为一种基于人工智能的运营期建筑节能低碳控制方法及系统，包括以下步骤：收集并分析房间使用情况和光照强度，得到活动类型识别结果。本发明中，基于对房间使用情况和光照强度的实时分析，识别不同区域的使用模式，并结合自然光变化和室内活动需求，动态计算所需照明强度和色温调整参数，实现对照明环境的精准匹配。通过实时监测照明设备的调整状态，结合房间使用模式的变化，建立动态反馈机制，对照明偏差进行自适应修正，避免能源浪费。强化学习的引入使通风策略能够通过历史数据和实时反馈不断优化，实现个性化的空气质量管理，而非基于固定阈值执行单一调节。

本发明公开了一种核定位蛋白 1(Nulp1)在治疗心肌肥厚中的功能及应用，属于基因的功能与应用 领域。本发明确定了 Nulp1 的表达与心肌肥厚之间的相互关系，研究结果表明在发生心肌肥厚的模型中， Nulp1 的表达和正常组相比显著降低;抑制 Nulp1 表达显著促进了心肌肥厚、纤维化，恶化心功能，促 进 Nulp1 过表达则显著抑制了心肌肥厚、纤维化，保护心功能。因此，Nulp1 可作为靶基因，用于筛选 保护心脏功能、抗心脏纤维化和/或预防、缓解和/或治疗心肌肥厚的药物，用于制备保护心脏功能、抗 心肌肥厚和/或预防、缓解和/或治疗心肌肥厚的药物，为心肌肥厚的治疗提供了一条有效的新途径。

目前市场上缺乏能够成套交付新要求的毫米波天线、集成度高的滤波器等无源器件、以及其相应的检测设备的综合性企业，特别是具有从设计，加工，调试到性能检测认证的全产业链能力。基于我们朗普达创始团队的核心技术，我们不但能够提供业界最领先的毫米波天线模组，高性能的滤波器和其他无源器件产品，还可以交付针对这些器件的测试检测设备。这两方面的产品能力互相补充，互相促进，互相拓展，使得朗普达的产品具有客户群体广泛，客户类型多样，能够快速适应市场变化等特点。 我们的毫米波的人工电磁材料技术可以让5G基站天线具有比4G基站天线更小面积和更多的天线数及接口，极大地提高系统容量和频谱效率；天线阵列宽角扫描技术，可以在不增加天线数目的基础上将手机的覆盖能力提高70%以上；是满足新一代无线通信产业对多天线系统小体积、高容量、广覆盖的需求的重要保障，显得尤为迫切和重要。我们基于矢量拟合法的滤波器特性提取和诊断算法，能够更精准的设计高良率的无源器件；同时结合神经网络和人工智能算法，可以适用于我司的滤波器自动检测设备和产线，实现滤波器的无人调试和高效检验交付。

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。

数据采集技术 可穿戴传感器是接触式传感器。加速度传感器测量运动加速度，心率、血压和血氧传感器检测心率、血压等生理数据。可将不同的传感器集成在智能手环、脚环、腰带等可穿戴设备中，以实现加速度、角速度和生理等数据的采集；物体和环境传感器是非接触式传感器，常见的物体传感器基于RFID技术，通常用于身份、物流等信息的识别。常见的环境传感器有声音传感器、磁力计、气压传感器、温湿度传感器和PM 2.5传感器等，实现各种环境信息的采集。 多模态传输技术 LPWAN (Low-Power Wide-Area Network，低功率广域网络) 在LPWAN技术出现以前，通信技术已经有多种类别，短距离的有wifi、蓝牙、zigbee等，长距离的则有2G、3G、4G、5G等，但是如果把这些无线通信技术按照功耗与传输距离这两个维度划分的话可以发现在功耗低、距离远这个范围的技术还欠缺，而LPWAN技术的出现正好弥补了这个短板。         LPWAN可分为两类：一类是工作于未授权频谱的LoRa、SigFox等技术；另一类是工作于授权频谱的基于蜂窝组网的通信技术，比如eMTC、LTE Cat-1、NB-IoT等。LPWAN 专为低带宽、低功耗、远距离、大量连接的物联网应用而设计。 最具前景的LPWAN技术——NB-IoT和LoRa： 物联网（IoT）应用需要考虑诸多因素，例如节点成本、网络成本、电池寿命、数据传输速率(吞吐率)、延迟、移动性、网络覆盖范围以及部署类型等，可以说没有一种技术可以满足IoT所有的需求。NB-IoT和LoRa两种技术具有不同的技术和商业特性，也是最有发展前景的两个低功耗广域网通信技术。这两种LPWAN技术都有覆盖广、连接多、速率低、成本低、功耗小等特点，都适合低功耗物联网应用。 LoRa （Long  Range）:     一个LoRaWAN网络架构中包含了终端、基站、NS(网络服务器)、应用服务器这四个部分。基站和终端之间采用星型网络拓扑，由于LoRa的长距离特性，它们之间得以使用单跳传输，终端节点可以同时发送信息给多个基站。基站则对NS和终端之间的LoRaWAN协议数据做转发处理，将LoRaWAN数据分别承载在了LoRa射频传输和TCP/IP上。 NB-IoT（Narrow Band Internet of Things） NB-IoT构建基于蜂窝网络，只消耗大约180KHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络。NB-IoT是IoT领域一个新兴的技术，支持低功耗设备在广域网的蜂窝数据连接。NB-IoT支持待机时间长、对网络连接要求较高设备的高效连接。 NB-IoT具备四大特点：一是广覆盖，将提供改进的室内覆盖，在同样的频段下，NB-IoT比现有的LTE网络增益提升20dB，覆盖面积扩大100倍；二是具备支撑海量连接的能力，NB-IoT一个扇区能够支持10万个连接，支持低延时敏感度、超低的设备成本、低设备功耗和优化的网络架构；三是更低功耗，NB-IoT终端模块的待机时间可长达10年；四是更低的模块成本，企业预期的单个接连模块不超过5美元。 数据分析技术 人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。深度学习本来并不是一种独立的学习方法，但由于近几年该领域发展迅猛，一些其特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。深度学习的各种算法已成为行为识别主要应用的技术，传感器采集的各类信号，通过卷积神经网络、循环神经网络等分类，识别出坐、走、跑、跳、上下楼等日常行为，也可以实现对被监护者摔倒等异常行为的检测。

神经递质作为神经元与神经元及神经元与细胞之间沟通的媒介分子，介导了发育、信息感知，运动及大脑的高级认知功能。随着生化分离纯化技术的发展以及人们对大脑精细结构的进一步了解，现如今已发现有几十种重要的神经递质。而神经系统在时间和空间上的高度复杂性对研究特定神经递质的动态变化及其功能提出了极大的挑战。本项目成功构建了一系列新型的基因编码的神经递质荧光探针，可实现对特定神经递质动态变化的灵敏检测。该类荧光探针利用大多数已知的神经递质所对应的特异性G蛋白偶联受体（GPCR）与循环重排的荧光蛋白（cpGFP）融合，利用循环重排荧光蛋白的荧光强度变化来指示GPCR的激活，进而反应外源神经递质的浓度变化（图一）。我们命名该类荧光探针为GRAB探针，即为GPCR Activation Based Sensor的缩写。