新葡京娱乐场-大陆娱乐场开户注册

環境中高毒性有機污染物通過各種途徑進入環境水體，對環境、生物體系和人類健康造成危害。目前，對環境水體中苯、苯酚、苯胺、硝基苯、多環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，且未在環保部門普及。本項目擬開發環境水體中苯、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，現場、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，并將其在山東省內重點流域示范應用。 

研究人員通過基因組學分析，預測了斑馬魚從胚胎到幼魚階段過程中心臟功能受損情況。團隊還通過生物通路分析，首次解析了雙酚S造成心臟毒性的機理，闡明了雙酚S通過調節免疫因子，造成組織炎癥而干擾心臟功能的可能性。

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，如不明病原體、化學物質等。目前已有的空氣安全預警技術主要針對有限的幾種污染物或者有毒物質進行實時監測，無法覆蓋包括生物與化學威脅在內的所有潛在威脅。空氣中的污染物種類繁多，理論上很難發展一種同時監測上千種污染物的儀器設備。另外，空氣毒性安全預警技術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的極大挑戰，很難實現對空氣的綜合毒性的實時預警。

多數有害氣體的密度都比空氣大，高濃度時甚至危及生命。在化學工業有毒氣體泄漏事故頻發的當下，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歷 15 年研發的一種快速，簡便，高效檢測藥品或健康食品活性與毒性篩選試劑盒。該技術利用國際認可的能夠反映體內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，也可利用該技術對藥品進行二次開發。具有獨立自主知識產權，已成功申請國家發明專利 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提供優質服務，并成功完成藥品，化合物，保健食品的活性開發。該技術可以為藥物研發機構，制藥企業，醫藥研究院所，化合物合成機構

圍繞難降解有機工業廢水治理與毒性減排的難題，研發出毒害污染物資源化、高效轉化與毒性減排技術為核心的難降解有機工業廢水“物化-生化-物化”耦合集成技術與裝備，有效解決了精細化工、制藥、印染等行業難降解有機工業廢水穩定達標和毒性減排的技術難題。 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，實現高鹽分、高有機溶劑廢水中芳香有機酸的綠色分離與回收。該樹脂（國家重點新產品：2007GRC11025）比表面積與吸附容量較國際同類產品XAD-7（美國Dow）及HP2MG（日

       成熟度：技術突破         多孔有機聚合物是一類新興的功能性高分子材料，相比傳統高分子交聯樹脂，其具有類似無機分子篩的微孔，具有更高的官能團密度，已被廣泛用于儲存、分離或催化等領域。然而當前許多性能優良的多孔有機聚合物成本過高，嚴重制約著其實際應用。我們合成的價格低廉且性能優秀的多孔有機聚合物，其性能與當前典型多孔有機聚合物相當，而價格為它們的幾十分之一或幾百分之一，目前在儲存氨氣、分離二氧化碳及分離水中污染物（如硼酸，Hg2+等）等方面已完成實驗室測試，這些成果將為多孔有機聚合物的真正應用打開通道。         意向開展成果轉化的前提條件：中試放大及產業化工藝開發資金支持

本成果采用最新的深度學習和分子模擬算法，結合新一代分子特征化方法，開發了多種計算機模型，可用于藥物開發中的多個階段，為藥物的快速設計開發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：傳統的化合物毒性檢測技術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，但產出巨大。特別是基于化合物的物理化學和結構特性的計算模型，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。在進行體外和體內試驗之前先使用計算機模型對化合物進行大規模的毒性篩選，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服務。自2017年服務器發表起，我們已為國內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，正在進行P450酶阻滯劑性預測模型、基于圖神經網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。相關研究成果已發表多篇學術論文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次數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構和活性建模，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量，從而加快新藥研發速度。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算法開發、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合。lncRNA-蛋白質相互作用的實驗研究需要大量資源。累積的實驗數據使得通過計算方法預測lncRNA-蛋白質相互作用成為可能。我們使用各種數學建模和機器學習方法開發了幾種用于預測lncRNA-蛋白質相互作用的新模型。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則化Logistic矩陣分解），LPI-BNPRA（雙向網絡投影推薦算法），LPI-ETSLP（基于特征值變換的半監督鏈路預測），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-蛋白質相互作用預測模型的性能比較lncRNA-蛋白質相互作用預測服務器相關軟件著作權：

本成果采用最新的深度學習和分子模擬算法，結合新一代分子特征化方法，開發了多種計算機模型，可用于藥物開發中的多個階段，為藥物的快速設計開發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：傳統的化合物毒性檢測技術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，但產出巨大。特別是基于化合物的物理化學和結構特性的計算模型，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。在進行體外和體內試驗之前先使用計算機模型對化合物進行大規模的毒性篩選，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服務。自2017年服務器發表起，我們已為國內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，正在進行P450酶阻滯劑性預測模型、基于圖神經網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。相關研究成果已發表多篇學術論文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次數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構和活性建模，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量，從而加快新藥研發速度。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算法開發、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合。lncRNA-蛋白質相互作用的實驗研究需要大量資源。累積的實驗數據使得通過計算方法預測lncRNA-蛋白質相互作用成為可能。我們使用各種數學建模和機器學習方法開發了幾種用于預測lncRNA-蛋白質相互作用的新模型。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則化Logistic矩陣分解），LPI-BNPRA（雙向網絡投影推薦算法），LPI-ETSLP（基于特征值變換的半監督鏈路預測），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-蛋白質相互作用預測模型的性能比較 lncRNA-蛋白質相互作用預測服務器相關軟件著作權：

物聯網作為我國重點發展的戰略性新興產業之一，對于支撐“網絡強國”和“中國制造2025”等國家戰略具有重要意義。然而，當今高校物聯網專業卻普遍面臨人才培養與產業發展不適配、教育內容與產業技術應用相脫節等挑戰。本案例通過構建“多主體參與、多模式共融、多層次漸進”的物聯網產業學院，全面推動企業優勢與教育資源融合，從人才培養目標重構，產教融合創新平臺搭建，以及“專創融合”+“賽教融合”的人才培養模式構建等方面，全面提升物聯網專業人才培養質量，著力培養創新能力強、可適應經濟社會發展需要的高質量工程技術人才，使學生實踐能力顯著增強，就業率和創業成功率大幅提升。