新葡京娱乐场-大陆娱乐场开户注册

呼吸是人類的最基本生理需求。然而，空氣污染物的存在往往使這一基本需求難以得到保障。更有甚者，在一些特殊環(huán)境場所，空氣中可能存在高致病微生物如病毒和細菌、生化毒劑、毒素等嚴重危害人體健康甚至威脅生命。此外，空氣中也可能存在一些未知的有毒物質(zhì)，如不明病原體、化學物質(zhì)等。目前已有的空氣安全預警技術(shù)主要針對有限的幾種污染物或者有毒物質(zhì)進行實時監(jiān)測，無法覆蓋包括生物與化學威脅在內(nèi)的所有潛在威脅。空氣中的污染物種類繁多，理論上很難發(fā)展一種同時監(jiān)測上千種污染物的儀器設備。另外，空氣毒性安全預警技術(shù)需要對空氣毒性做出快速響應，以便為采取防御措施爭取寶貴的時間。這些要求都是對當前技術(shù)的極大挑戰(zhàn)，很難實現(xiàn)對空氣的綜合毒性的實時預警。

多數(shù)有害氣體的密度都比空氣大，高濃度時甚至危及生命。在化學工業(yè)有毒氣體泄漏事故頻發(fā)的當下，樂普樂吉適時推出了毒性化學品安全存儲柜。 嚴格的密閉設計，為用戶提供了最可信賴的安心。 FM認證，符合FM6050標準

藥物活性與毒性篩選試劑盒是李紅玉教授團隊經(jīng)歷 15 年研發(fā)的一種快速，簡便，高效檢測藥品或健康食品活性與毒性篩選試劑盒。該技術(shù)利用國際認可的能夠反映體內(nèi)活性與毒性的模式生物秀麗隱桿線蟲作為篩選工具，配合特殊染料，能夠快速檢測受試品活性與毒性，也可利用該技術(shù)對藥品進行二次開發(fā)。具有獨立自主知識產(chǎn)權(quán)，已成功申請國家發(fā)明專利 5 項，美國專利 1 項。已為甘肅東方天潤公司和上海中華藥業(yè)提供優(yōu)質(zhì)服務，并成功完成藥品，化合物，保健食品的活性開發(fā)。該技術(shù)可以為藥物研發(fā)機構(gòu)，制藥企業(yè)，醫(yī)藥研究院所，化合物合成機構(gòu)

圍繞難降解有機工業(yè)廢水治理與毒性減排的難題，研發(fā)出毒害污染物資源化、高效轉(zhuǎn)化與毒性減排技術(shù)為核心的難降解有機工業(yè)廢水“物化-生化-物化”耦合集成技術(shù)與裝備，有效解決了精細化工、制藥、印染等行業(yè)難降解有機工業(yè)廢水穩(wěn)定達標和毒性減排的技術(shù)難題。 基于新型酯基樹脂吸附的高水溶性芳香有機污染物資源化及其熱水再生技術(shù)，實現(xiàn)高鹽分、高有機溶劑廢水中芳香有機酸的綠色分離與回收。該樹脂（國家重點新產(chǎn)品：2007GRC11025）比表面積與吸附容量較國際同類產(chǎn)品XAD-7（美國Dow）及HP2MG（日

原理：以蜜蜂為活體生物轉(zhuǎn)化器，利用體內(nèi)酶系進行生物轉(zhuǎn)化，將果汁轉(zhuǎn)化為果蜜創(chuàng)新點：世界上首次提出“以飼代采”生物釀蜜概念，以大宗水果為原料，經(jīng)前處理，飼喂蜜蜂，實現(xiàn)定場養(yǎng)蜂，實現(xiàn)蜂蜜工業(yè)化生產(chǎn)應用案例：2023年，在沈陽建立200群的生物釀蜜示范基地，輻射東北地區(qū)成果獲獎：第十五屆“挑戰(zhàn)杯”全國大學生課外科技活動大賽，三等獎成果評價：完全顛覆國內(nèi)外幾千年的蜂蜜生產(chǎn)模式，實現(xiàn)0→1的突破，為蜂蜜生產(chǎn)打開一扇全新的大門，規(guī)避了傳統(tǒng)蜂蜜生產(chǎn)的限制因素以及不利因素，實現(xiàn)蜂蜜生產(chǎn)工業(yè)化、標準化、機械化、智能化，蜂蜜生產(chǎn)效率比傳統(tǒng)提高3-4倍，解決了水果滯銷、儲運損失的問題。

本成果采用最新的深度學習和分子模擬算法，結(jié)合新一代分子特征化方法，開發(fā)了多種計算機模型，可用于藥物開發(fā)中的多個階段，為藥物的快速設計開發(fā)提供一個完整的基于人工智能的解決方案。成果：1.藥物毒性預測方法：傳統(tǒng)的化合物毒性檢測技術(shù)一般需要使用生化試驗、細胞實驗、甚至動物模型，這些方法不僅耗費大量時間，而且成本很高。使用計算模型進行有機化合物的毒性預測，所需投入較少，但產(chǎn)出巨大。特別是基于化合物的物理化學和結(jié)構(gòu)特性的計算模型，甚至能夠在化合物合成之前就對其進行預測，大大提高了效率，使其越來越受到歡迎。在進行體外和體內(nèi)試驗之前先使用計算機模型對化合物進行大規(guī)模的毒性篩選，能夠更好地解決候選藥物具有毒性的問題。我們建立了一套新的基于多種分子指紋和機器學習算法的化合物毒性預測集成學習算法，運用此集成學習算法建立了新的有機化合物致癌性、致突變性和肝毒性預測模型。我們分別建立了名為CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性預測)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突變性預測)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性預測)的預測服務器，這些服務器能夠為使用者提供更高效更便捷的預測技術(shù)服務。自2017年服務器發(fā)表起，我們已為國內(nèi)外藥物分子設計研究者提供了5000多次共計超過20多萬個化合物的毒性預測服務。在有機化合物毒性預測研究方向，我們主要完成了化合物的細胞毒性、心臟毒性、生殖毒性、血腦屏障透過性、水生生物毒性預測模型，以及糖尿病早期篩查模型的開發(fā)，正在進行P450酶阻滯劑性預測模型、基于圖神經(jīng)網(wǎng)絡的毒性預測算法研究、基于分子對接的化合物毒性預測研究等。相關研究成果已發(fā)表多篇學術(shù)論文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次數(shù)80，ESI 1%高被引論文；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.）致癌性預測服務器首頁致癌性預測結(jié)果頁相關綜述對本服務器的介紹RF-hERG-Score預測藥物引起的hERG相關心臟毒性2.藥物設計方法：在計算機上對藥物靶點和藥物分子的結(jié)構(gòu)和活性建模，計算藥物與靶點之間的相互作用關系，從而設計出具有治療作用的藥物。計算機輔助藥物設計可以為藥物設計各階段的實驗方案提供有意義的指導，減少需要通過實驗評估的候選藥物的數(shù)量，從而加快新藥研發(fā)速度。我們應用分子對接、分子動力學模擬、自由能計算、機器學習等方法研究流感病毒等重要疾病的計算機輔助藥物設計、并開發(fā)更有效的計算機輔助藥物設計方法。在計算機輔助藥物設計研究我們主要完成了流感病毒M2質(zhì)子通道蛋白抑制劑虛擬篩選方法研究，正在進行先導化合物生成模型研究、基于機器學習的虛擬篩選打分函數(shù)算法開發(fā)、SARS-CoV-2病毒S蛋白與受體相互作用及藥物設計研究。特異性重打分函數(shù)顯著虛擬篩選性能顯著較高篩選出兩個候選抑制劑3.藥物靶點識別方法：長非編碼RNA（lncRNA）是一種長度在200nt至100,000nt之間的非編碼RNA，是轉(zhuǎn)錄物的主要成分。研究表明lncRNA在許多生物學和病理學過程中起著重要作用。lncRNA起作用的重要途徑是與其靶蛋白結(jié)合。lncRNA-蛋白質(zhì)相互作用的實驗研究需要大量資源。累積的實驗數(shù)據(jù)使得通過計算方法預測lncRNA-蛋白質(zhì)相互作用成為可能。我們使用各種數(shù)學建模和機器學習方法開發(fā)了幾種用于預測lncRNA-蛋白質(zhì)相互作用的新模型。這些模型命名為：RWLPAP（隨機游走），LPI-NRLMF（鄰域正則化邏輯矩陣分解），IRWNRLPI（集成隨機游走和鄰域規(guī)則化Logistic矩陣分解），LPI-BNPRA（雙向網(wǎng)絡投影推薦算法），LPI-ETSLP（基于特征值變換的半監(jiān)督鏈路預測），HLPI-Ensemble（集成學習）。在交叉驗證中，我們的模型獲得了較好的預測性能。lncRNA-蛋白質(zhì)相互作用預測模型的性能比較lncRNA-蛋白質(zhì)相互作用預測服務器相關軟件著作權(quán)：

本成果采用最新的深度學習和分子模擬算法，結(jié)合新一代分子特征化方法，開發(fā)了多種計算機模型，可用于藥物開發(fā)中的多個階段，為藥物的快速設計開發(fā)提供一個完整的基于人工智能的解決方案。 成果：1.藥物毒性預測方法：傳統(tǒng)的化合物毒性檢測技術(shù)一般需要使用生化試驗、細胞實驗、甚至動物模型，這些方法不僅耗費大量時間，而且成本很高。使用計算模型進行有機化合物的毒性預測，所需投入較少，但產(chǎn)出巨大。特別是基于化合物的物理化學和結(jié)構(gòu)特性的計算模型，甚至能夠在化合物合成之前就對其進行預測，大大提高了效率，使其越來越受到歡迎。在進行體外和體內(nèi)試驗之前先使用計算機模型對化合物進行大規(guī)模的毒性篩選，能夠更好地解決候選藥物具有毒性的問題。我們建立了一套新的基于多種分子指紋和機器學習算法的化合物毒性預測集成學習算法，運用此集成學習算法建立了新的有機化合物致癌性、致突變性和肝毒性預測模型。我們分別建立了名為CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性預測)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突變性預測)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性預測)的預測服務器，這些服務器能夠為使用者提供更高效更便捷的預測技術(shù)服務。自2017年服務器發(fā)表起，我們已為國內(nèi)外藥物分子設計研究者提供了5000多次共計超過20多萬個化合物的毒性預測服務。在有機化合物毒性預測研究方向，我們主要完成了化合物的細胞毒性、心臟毒性、生殖毒性、血腦屏障透過性、水生生物毒性預測模型，以及糖尿病早期篩查模型的開發(fā)，正在進行P450酶阻滯劑性預測模型、基于圖神經(jīng)網(wǎng)絡的毒性預測算法研究、基于分子對接的化合物毒性預測研究等。相關研究成果已發(fā)表多篇學術(shù)論文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次數(shù)80，ESI 1%高被引論文；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.） 致癌性預測服務器首頁 致癌性預測結(jié)果頁 相關綜述對本服務器的介紹 RF-hERG-Score預測藥物引起的hERG相關心臟毒性 2.藥物設計方法：在計算機上對藥物靶點和藥物分子的結(jié)構(gòu)和活性建模，計算藥物與靶點之間的相互作用關系，從而設計出具有治療作用的藥物。計算機輔助藥物設計可以為藥物設計各階段的實驗方案提供有意義的指導，減少需要通過實驗評估的候選藥物的數(shù)量，從而加快新藥研發(fā)速度。我們應用分子對接、分子動力學模擬、自由能計算、機器學習等方法研究流感病毒等重要疾病的計算機輔助藥物設計、并開發(fā)更有效的計算機輔助藥物設計方法。在計算機輔助藥物設計研究我們主要完成了流感病毒M2質(zhì)子通道蛋白抑制劑虛擬篩選方法研究，正在進行先導化合物生成模型研究、基于機器學習的虛擬篩選打分函數(shù)算法開發(fā)、SARS-CoV-2病毒S蛋白與受體相互作用及藥物設計研究。 特異性重打分函數(shù)顯著虛擬篩選性能顯著較高 篩選出兩個候選抑制劑 3.藥物靶點識別方法：長非編碼RNA（lncRNA）是一種長度在200nt至100,000nt之間的非編碼RNA，是轉(zhuǎn)錄物的主要成分。研究表明lncRNA在許多生物學和病理學過程中起著重要作用。lncRNA起作用的重要途徑是與其靶蛋白結(jié)合。lncRNA-蛋白質(zhì)相互作用的實驗研究需要大量資源。累積的實驗數(shù)據(jù)使得通過計算方法預測lncRNA-蛋白質(zhì)相互作用成為可能。我們使用各種數(shù)學建模和機器學習方法開發(fā)了幾種用于預測lncRNA-蛋白質(zhì)相互作用的新模型。這些模型命名為：RWLPAP（隨機游走），LPI-NRLMF（鄰域正則化邏輯矩陣分解），IRWNRLPI（集成隨機游走和鄰域規(guī)則化Logistic矩陣分解），LPI-BNPRA（雙向網(wǎng)絡投影推薦算法），LPI-ETSLP（基于特征值變換的半監(jiān)督鏈路預測），HLPI-Ensemble（集成學習）。在交叉驗證中，我們的模型獲得了較好的預測性能。 lncRNA-蛋白質(zhì)相互作用預測模型的性能比較 lncRNA-蛋白質(zhì)相互作用預測服務器相關軟件著作權(quán)：

環(huán)境中高毒性有機污染物通過各種途徑進入環(huán)境水體，對環(huán)境、生物體系和人類健康造成危害。目前，對環(huán)境水體中苯、苯酚、苯胺、硝基苯、多環(huán)芳烴等高毒性有機污染物的測定主要是離線測定方式，處理步驟復雜、檢測時間長，易造成采樣誤差。現(xiàn)有軍用便攜式快速檢測高毒性有機污染物的設備只是半定量分析，且未在環(huán)保部門普及。本項目擬開發(fā)環(huán)境水體中苯、苯酚、苯胺、硝基苯、苯并芘等高毒性有機污染物的便攜式監(jiān)測儀器，以特異性熒光試劑標記不同污染物，用高靈敏熒光檢測技術(shù)，現(xiàn)場、快速檢測痕量高毒性有機污染物。具體來說，采用新型深紫外發(fā)光二極管（LED）為光源，充分利用 LED 光源小體積、低功耗、長壽命的優(yōu)點；基于光電二極管，自主研制低噪音、低漂移的光電放大電路探測；將光機電集成一體化，研制出小型、高靈敏、長壽命原位水中高毒性有機污染物熒光檢測儀，并將其在山東省內(nèi)重點流域示范應用。 

所屬領域：新能源與節(jié)能環(huán)保成果介紹：針對化工行業(yè)高毒性、低閾值VOCs，研發(fā)新型光電催化氧化技術(shù)，大大提高VOCs的去除效率，減少污染物的排放。

陳溫福院士團隊孟軍教授課題組在生物炭-微生物協(xié)同治理抗生素污染方面取得新進展