近日，我校药学院李微研究员和谢唯佳副教授合作在化学领域顶级期刊AngewandteChemieInternationalEdition（IF：15.336）上发表了关于多种复杂脱氧糖糖链的立体选择性高效合成的高水平论文。

近日，我校杨莉研究员团队受邀在质谱研究领域国际著名期刊Mass Spectrometry Reviews发表综述文章，题为Advances in mass spectrometry imaging for toxicological analysis and safety evaluation of pharmaceuticals。文章系统总结了基于“空间辨析、原位表征”理念的质谱成像分析技术在药物安全性评价中的应用进展。

本综述首先从材料、制备方法、表征方法等方面对多孔流场进行了全面介绍；之后，对多孔流场中的气液两相流动以及多孔流场对燃料电池在正常工况和冷启动工况下的性能进行了深入讨论。

 细胞死亡是最重要和普遍存在的生命现象之一。目前我们所认知的细胞死亡的两种主要方式是：细胞坏死（necrosis）和细胞凋亡（apoptosis）。长期以来，细胞坏死被认为是不被调控的，然而近些年研究表明某些细胞坏死也是一种程序性的细胞死亡，受到基因严格调控。细胞坏死参与很多重要的生理过程中，并与许多人类疾病的发生密切相关，如：肿瘤、急性胰腺炎、缺血性心脑管疾病、以及神经退行性疾病等。因此，深入研究细胞坏死的分子机制和与之相关疾病的治疗方法具有重要的科学意义和社会意义。然而，由于许多和细胞死亡相关的调控基因都存在“致命性”，而且相关信号转导通路非常复杂，目前经典生物学研究方法遇到了很大瓶颈。因此，开发出通过运用小分子探针，且具有高效、可视、可控、和定量化的化学方法来研究细胞死亡的生物作用机制和调控方法具有重要意义。

产品详细介绍 一．主要特点 HT-QJY01水平仪采用加速度传感器测量仪器测量面与水平面的倾角。测量的倾斜角度可以在液晶上显示为角度（单位：o）。水平仪内置温度补偿，消除由于温度造成的零位角度漂移。HT-QJY01水平仪可以声音提示0度点和90度点位置。该水平仪同时提供用户标校功能，校准零位精度。内置自动关机功能节省电池功率。 二．应用行业 HT-QJY01水平仪作为传统水泡式倾角的替代品，应用在道路工程，机械测量，建筑工程，工业平台，石油勘测，军工，船舶，以及其他需要重力参考系下的倾角或者水平的情况。 三．主要技术指标

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。