放射性药物是可用于诊断或治疗目的的药物，由放射性同位素与有机分子键合组成。有机分子将放射性同位素传递至特定的器官、组织或细胞。 ​ 根据特性选择放射性同位素发射穿透伽马射线的放射性同位素用于诊断（成像），发出的辐射脱离身体后被特定仪器（SPECT / PET相机）检测到。通常，用于成像的同位素产生的辐射在1天后通过放射性衰变和正常的身体排泄完全消除。最常见的用于成像的同位素是：99mTc、I123、I131、Tl201、In111和F18。 ​ 发射短程粒子（α或β）的放射性同位素用于治疗，因为它们能够在非常短的距离内失去所有能量，因此产生大量局部伤害（例如细胞破坏）。该特性用于治疗目的：破坏癌细胞，骨癌或关节炎的姑息治疗中减缓疼痛。这类同位素在体内的停留时间比成像同位素更长；用来提高治疗效率，但仍然限制在几天内。最常见的治疗同位素是：I131、Y90、Rh188和Lu177。 ​ 放射性药物的工作原理是：基于使用分子“出租车”，将受控剂量的放射性活度特异性地传递至目标患病组织（通常是癌细胞），以便根据所用放射性核素的类型可视化（诊断）或治愈（治疗）组织。放射性药物通常包含负责将放射性核素引导至目标组织的生物载体（抗体、肽等）。双功能螯合剂牢固地抓住放射性核素并确保与生物载体之间的牢固结合。

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：

一、项目进展 创意计划阶段 二、负责人及成员 姓名 学院/所学专业 入学/毕业时间 卢弘毅 信息与安全工程学院环境工程 2020年九月 三、指导教师 姓名 学院/所学专业 职务/职称 研究方向 周靖承 信息与安全工程学院 讲师 工程技术管理 四、项目简介 Ⅰ度公益社是挂靠在信息与安全工程学院的校级环保公益社团，是环境科学与工程系产学研师生一体化的社会服务平台，由多位博士、教授组成的专家团进行一对一项目定向指导，依托信息与安全工程学院环境科学与工程系和安环实验教学中心开展一系列活动。

无性系，灌木型，中叶类，中生种，2006 年山东林木品种审定委员会审定 为林木良种，编号鲁 S-SV-CS-001-2006。树姿直立或半开张，叶片长卵形、中 等大小、厚、浓绿色，叶表面褶明显，叶片长 7.12cm、宽 4.15cm，叶尖突出， 叶缘锯齿状。在山东泰山 1 芽 1 叶期 4 月下旬，芽叶生育力强，绿色，肥壮， 亩产鲜叶量 700kg 左右。适制红茶、绿茶，品质优良。抗寒性、抗虫性强。适 于在山东中北部和北方同类茶产区。

‘彩虹 1 号’是历经 20 余年精心选育、培育而成的优质中熟苹 果新品种。 果实近圆形，表面光洁、美观，肉质细，口感松脆，汁液多，有浓 郁的芳香味，品质优良；树体短枝条性状明显，成花容易，连续结果能力强，青岛农业大学科技成果介绍 2017 －17－ 高抗苹果炭疽菌叶枯病。该品种栽培容易，管理技术同目前的主栽品种‘富士’， 在我省的苹果产区可作为中熟苹果新品种进行推广。由于该品种的最佳上市时 间在中秋节前后及国庆节前，因此，具有较大的市场需求，其栽培前景较好。 针对目前我省苹果生产上中早熟优良品种相

产品详细介绍黑体产品分类    黑体按温度分为 低温、中温、高温三段。    低温黑体：下限温度为环境温度以下的黑体。因为下限温度等于和低于环境温度时，需要有制冷设备，因此分类为低温黑体，即Tmin≤T环境。    中温黑体：下限温度为环境温度以上、上限温度为1200℃以下的黑体。因为该段温度为最常用，用普通的加热方式就能实现。因此分类为中温黑体，即T环境＜T≤1200℃。     高温黑体：上限温度为1200℃以上的黑体。因为1200℃以上的温度使用地方不多，加热用通常的方式已经不能解决，温度大于1600℃只能进行抽真空。因此分类为高温黑体，即T＞1200℃。     说明：各个黑体温度段的温度有重叠和交差，但按照上面的分段均能准确的分类。     如果有特殊要求，可以和我们联系，进行特殊定做。   中温黑体 低温黑体 热管黑体 高温黑体 型    号 HZ-1 HZ-2 HZ-3 HL-3 HL-2 HL-1 RB1-1 RB1-2 RB1-3 HG-1 HGK-1 HG-2 HG-3 工作温度℃ 300～1100 300～1200 50～600 -50～100 -20～100 0～100 室温～150 150～300 300～500 700～1600 300～1600 1400～2500 2200～3000 腔口直径mm Φ40 Φ30 Φ30/Φ40 Φ30 发射率 ≥0.995 ≥0.997 ≥0.995 显示分辨率 0.1℃ 0.01℃ 0.1℃ 1℃ 温度稳定度 ≤±0.5℃/10min ≤±0.1℃/10min   ≤±1℃/10min ≤±1.5℃/10min 电源功率kW 2.0 2.0 0.6 3.2 2.7 1.5 4.0 6.0 重量 kg 25 15 195 100 40 100 500 　 　 HZ-3中温黑体 HZ-2中温黑体 HG-1高温黑体 HL-3低温黑体 　 　 联系人:王世福            电话:010-67810538    13601309802