葡京娱乐场-富盈娱乐场开户

本項目中我們將從分子結構入手，設計開發BODIPY使其不僅可以診斷早期AD，并能干預抑制AD發展，開發出基于BODIPY的阿爾茲海默癥人工智能藥物，達到AD早期診斷和干預治療的目的，為臨床AD早期診療提供理論基礎和技術支持。整個研究工作具備以下特點：（1）設計開發近紅外BODIPY熒光探針對細胞和活體進行成像可避免生物背景熒光的干擾；（2）BODIPY對與AD早期相關的Aβ寡聚體具有特異響應，為臨床前AD早期診斷提供科學依據；（3）BODIPY通過與Aβ聚集的作用點結合，呈現熒光，到達有效診斷的目的，在此基礎上Aβ聚集纏結的作用點被BODIOY占據從而達到一定程度上抑制AD發展的目的；（4）將抑制Aβ聚集的天然小分子藥物山柰酚與BODIPY有效結合，可進一步提高AD早期診療的效果。   Scheme 1. Aβ derives from the proteolytic cleavage of a larger glycoprotein named amyloid precursor protein. (A) A near-infrared BODIPY probe (NB-K) was synthesized which detected and drove self-assembly of FF. (B) NB-K designed according to the structure of FF and the two aromatic rings of FF overlap well with the two aromatic rings of NB-K. When NB-K binds to Aβ oligomers, free rotation of three benzene rings of NB-K is restricted resulting in 1650% increasing of NB-K fluorescence. (C) Overview of the amino acid sequences of the Aβ-related peptides Aβ1–40 and Aβ1–42. (D) Aβ produces β-folds and then aggregates to form tetrad oligomers. NB-K could be potentially useful in the early diagnosis (via imaging) of AD via binding to the FF of oligomeric Aβ. On the other hand, the tetramer could rotate 90° along the β-fold axis to form fibrils. Aβ源自β-和γ-分泌酶對糖蛋白（稱為淀粉樣前體蛋白（APP））的蛋白水解切割（Scheme 1C）。二苯丙氨酸二肽（FF）是Aβ折疊起始作用點，對Aβ聚集過程起著關鍵作用。四個β折疊的Aβ通過FF的π-π堆積作用和其它氨基酸之間的氫鍵作用以面對面的方式排列形成Aβ寡聚物，這是AD早期的重要生理標志，嚴重損害了大腦的健康。當β折疊的Aβ形成四聚體Aβ寡聚物時，FF幾乎被完全暴露，這為近紅外BODIPY熒光探針（NB-K）與FF有意組合提供了極好的機會（Scheme 1D），并能夠通過熒光信號傳輸有效地診測早期AD。Aβ寡聚物沿β折疊鏈方向逐漸以90°旋轉，變成Aβ原纖維，其比Aβ八聚體更大，且與中期/晚期AD有關。當β折疊的Aβ形成原纖維時，疏水性片段（包括FF）聚集在球形結構的核心，大多數FF參與Aβ的自組裝并形成球形結構，導致NB-K與Aβ原纖維的結合不良（Scheme 1D）。而且，Aβ單體表現出更大的自由彈性，這可能導致NB-K對Aβ單體的不良反應。總的來說，NB-K可以有效地分化以響應寡聚體和單體/原纖維，從而達到AD早期診斷的目的。如Scheme 1B所示，FF的兩個芳環與NB-K的兩個芳環很好地重疊，形成穩定的π-π結構。FF的羧基和氨基進一步促進了NB-K-FF的結合。NB-K和ThS在染色Aβ方面的主要區別如下：1）NB-K的分子量約為ThS的三倍。由于更大的空間位阻，NB-K不能進入由芳香環形成的淺槽，因此NB-K不能染色結合Aβ原纖維。 2）Aβ中的NB-K結合基段為FF。當Aβ形成β折疊時，折疊點恰好在FF，然后Aβ形成Aβ寡聚體。如Scheme 1所示，Aβ寡聚物中的FF幾乎完全暴露，結果是NB-K會牢固結合識別響應Aβ寡聚物。    Figure 1. (A) Aβ aggregation assay: in vitro study to detect Aβ aggregation over time. ThT was used to detect formation of fibrillary Aβ species. Total fluorescence (%) was plotted as the fluorescence intensity divided by the maximum fluorescence intensity obtained during the plateau; (B) and (C) Fluorescence emission of NB-K and ThT response to buffer (background fluorescence, black line), oligomer and fibrils; (D) △I refers to the increased fluorescence intensity, I0 corresponds to background fluorescence of NB-K or ThT; Aβ morphology was evaluated by SEM after 160 hours incubation with NB-K (E) or ThT (F). 單體Aβ可以在24小時內衍變形成Aβ寡聚物，在72小時后開始有Aβ纖維形成。硫黃素-T（ThT）是市售檢測Aβ原纖維的綠色熒光探針，以它為參照對比NB-K，以實時監測單體Aβ隨時間的衍變聚集。在72小時后，ThT熒光強度略有增加，表明Aβ原纖維的形成（Figure 1A, ）。而對于NB-K，熒光強度在10小時后迅速增加，僅在40小時后才達到平穩狀態，這表明NB-K縮短了Aβ衍變聚集成核相時間（Figure 1A, ）。 在24小時NB-K熒光強度急劇升高，這應與NB-K陽性Aβ物種有關，即Aβ寡聚體。換句話說，NB-K抑制寡聚體轉變為原纖維。此外，使用熒光光譜法評價了NB-K在Aβ寡聚物和原纖維的溶液中區分識別Aβ寡聚物與Aβ原纖維的能力。對于Aβ寡聚物和Aβ原纖維，NB-K熒光分別增強了1650％±15％和450％±10％（Figure 1B, 1D）。相比之下，ThT熒光強度并未隨Aβ寡聚物而增加，而隨Aβ原纖維而增加了460％±10％（Figure 1C, 1D）。這說明ThT只對Aβ原纖維有熒光響應信號，而NB-K對Aβ寡聚物有很好的熒光響應信號，相比之下，NB-K對Aβ寡聚物的熒光響應性能高于ThT對Aβ原纖維熒光響應。此外，分別在ThT和NB-K存在下，Aβ單體衍變聚集160小時后，通過SEM觀察Aβ單體最終衍變聚集形態。我們發現，在NB-K存在下，Aβ顯示出六邊形結構（Figure 1E），而在ThT存在下，Aβ顯示出復雜的如斑塊狀的聚集體結構（Figure 1F）。這表明NB-K可能影響Aβ的構象聚集，從而產生有序排列的結構，而ThT對Aβ單體衍變聚集沒有良性影響。    Figure 2. Epifluorescence microscopy of transgenic AD mouse (APP/PS1) brain stained with ThS or NB-K. ThS emission was obtained at 488 nm (left panels) and NB-K fluorescence was obtained at 561 nm (middle panels). Merged images of ThS and NB-K are shown on the right panels. Hippocampus is shown in A-C, whereas cortex is shown in D-F. G-I are magnified images from dotted squares in D-F, respectively. Scale bar: 100 µ (A-F), 50 µ (G-I). 在Aβ聚集的過程中，核心纏結成不溶性的原纖維，周圍是由可溶性寡聚物組成的環狀結構，這些可溶性寡聚物正在慢慢向原纖維衍變。AD腦組織的ThS / NB-K雙重染色清楚地表明了這種現象，如Figure 2所示，Aβ原纖維的ThS綠色熒光染色被Aβ寡聚物的NB-K紅色熒光染色所包圍。 另外，在正常對照小鼠的腦切片中，未觀察到NB-K染色，進一步說明NB-K對Aβ寡聚物的特殊識別性和熒光信號響應性，這對AD早期診斷預防研究無疑是一個有價值的信息。

松鼠AI（原乂學教育）隸屬于上海松鼠課堂人工智能科技有限公司。成立于2015年，與美國斯坦福研究中心（SRI）成立了人工智能聯合實驗室，成為與世界知名學府建立合作研究關系的中國教育品牌。 我們專注于K12領域智能個性化輔導的智適應教育，通過開發出擁有完整自主知識產權、結合國際前沿算法與中國學情的自適應學習引擎，為每一個學生智能推薦專屬的學習路徑，尊重每個學生的寶貴個性。解決了當前智慧教育的一大痛點，為“因材施教”提供了更科學的可能，并走在了當前國內互聯網教育行業的前沿。

天中依脈是較早專注于中醫診療客觀化的高新技術企業，核心技術脫胎于天津中醫藥大學、天津大學歷屆專家及從上世紀80年代開始的“中醫客觀化技術”研究。依脈人工智能醫療科技（天津）有限公司是天中依脈的全資子公司，致力于發展“中醫云腦”智能化云中醫服務，參與國家“一帶一路”中醫文化傳播與技術推廣，全面支持國家醫聯體建設、家庭醫生簽約服務等領域的中醫藥服務，踐行健康中國戰略。 2009年創立至今，天中依脈與國內三十余家高校及高級醫療機構建立了長期深入的科研合作關系，擁有200多項國家專利及軟件著作等知識產權，產品服務于500余家醫療機構，成為中醫智能行業的領航者。  

IECUBE-676X 人工智能創新實驗進階套件是在 IECUBE-6760 人工智能創新實驗基礎套件的基礎上，針對已經具有一定人工智能應用開發經驗的開發者，設計的具有一定復雜性和系統性的綜合項目制實驗開發套件。該套件將人工智能技術與更專業、更復雜的學科場景相結合，在更開放的軟硬件平臺環境下，鼓勵學生自主完成人工智能與各學科的融合。 

一、所屬類別 基礎、教學科研類實驗設備類；實習實訓設備及配套等。 二、相關專利技術 CN202010106007.7    履帶車底盤、全地形履帶車及全地形行走方法 CN202011613628.0    機器人運動控制方法、裝置、控制器及存儲介質 CN202111261356.7    雙足機器人的運動軌跡規劃方法、裝置、設備及介質 CN202110232263.5    開關機的控制電路及方法 CN202110232355.3    機器人動作模仿方法、裝置、設備及存儲介質 CN202011501534.4    一種舵機的補償控制方法及舵機補償電路 CN202110574796.1    機器人的偏差信息確定方法、裝置、處理設備及介質 CN202011644180.9    機器人抗擾動控制方法、裝置、電子設備及存儲介質 CN202110311455.5    雙足機器人控制方法、裝置以及雙足機器人 CN202011611800.9    質心軌跡的獲取方法、裝置、機器人及存儲介質 三、基本情況 （一）應用對象 應用于機械類、自動化類、電子信息類、計算機類等相關專業人才培養，適用場景包括實驗實訓、教學科研及競賽等，方案以人才培養為目標和課程建設為核心，基于機器人載體，提升人工智能與機器人技術教學科研水平。 （二）核心優勢 核心產品為雙足人形機器人，該系列機器人獲得“小型雙足人形機器人步態算法”創新紀錄，“高韌性強扭矩復合材料舵機”打破國外技術封鎖，核心零部件實現國產化。 其中Aelos小型雙足機器人載STM32、Raspberry Pi-4B雙運算系統，支持二次深度開發，支持多語言開發環境，滿足高校對于編程開發、人工智能應用學習等需求，助力高校在機器人系統結構、步態規劃、運動控制、算法開發、場景應用等方面的實踐學習。 Aelos小型雙足機器人 Roban中型雙足機器人基于ROS應用平臺，搭載深度攝像頭，嵌入V-SLAM視覺算法，可以通過導航技術進行建圖，實現自主路徑規劃和步態規劃，涉及運動控制、計算機視覺、圖像處理、運動規劃等多領域課程，能夠較好地滿足相關專業實驗實訓、研究開發、參加競賽等需求。 Roban中型雙足機器人 （三）商業模式 公司與高校在復合型人才培養、專業建設、課程建設、科研合作、師資培訓、實訓室搭建等方面開展深入合作，相關產品被用于各類學校的實際教學、實踐、實訓。推廣路徑通過各類研討會、展會、大賽和專業渠道商進行拓展。 四、推廣情況 （一）應用案例 1.清華大學 與清華大學電子系合作共建《智能機器人設計實踐》專業限選課，基于人形機器人載體，學習機器人結構原理，圖像識別，路徑規劃，AI芯片等內容。合作入選中國高等教育學會“校企合作雙百計劃”典型案例。 2.哈爾濱工業大學 與哈工大開展人才聯合培養全面合作，雙方在開發校企聯合課程、共建聯合實驗室、共建校外實習實踐基地、共同籌辦BOTEC智能機器人技術挑戰賽等方面進行合作，并入選中國高等教育學會“校企合作雙百計劃”典型案例。 3.南方科技大學 與南科大機器人研究院共建的機器人聯合研究中心，在機器人關鍵核心技術攻關、專業課程建設、人才聯合培養等領域開展合作。雙方共建的基地被廣東省教育廳認定為廣東省聯合培養研究生示范基地。 （二）應用成效 解決了高校人工智能機器人方向的實驗實訓、教學科研、參加競賽等需求，有助于打造高水平、專業化的實踐科研條件。年均支撐高校開展教學科研項目不少于1項，科技競賽不少于2項，協助申報產學合作協同育人項目等。 （三）推廣計劃 高校新增人工智能等新專業成為熱門，傳統工科專業也面臨課程改革要求，因此，通過開展智能機器人設備的應用與實踐，推動相關專業人才的培養與發展，已是大勢所趨。推廣模式包括課程案例展示、以賽促教、舉辦研討會等。

新冠肺炎常規通過病史、CT等進行病情評估，但重癥病房應用超聲不便，還需要評估重癥患者的心臟等多器官，然而操作者絕大多數不是專業超聲醫生，這為如何在治療重癥患者的過程中更好地發揮超聲的作用提出了難題。深圳國際研究生院袁克虹團隊與深圳華聲醫療技術股份有限公司合作，用人工智能技術賦能5G超聲設備，增添采集心肺關鍵標準切面的導航以及關鍵參數的自動測量等功能，輔助醫生對重癥病人進行動態評估和治療。 袁克虹團隊與深圳華聲醫療技術股份有限公司1月中旬組成研發團隊，在已有合作工作的基礎上，針對新冠肺炎重癥患者臨床超聲的迫切需求開展聯合攻關，半個月就獲得了較好的成果。該技術從2月初開始在武漢協和西院等多家醫院使用，在一定程度上輔助了醫生對重癥患者進行疾病的動態評估和治療指導。 目前該技術正由國家感染性疾病臨床研究中心（深圳市第三人民醫院）牽頭開展進一步研究，將完善和改進現有功能，優化遠程診斷流程，實現超聲為醫生治療重癥患者提供更智能、更可靠、更專業的幫助。

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：

采用前沿的深度學習算法和相關數據處理技術，經過不斷優化和創新，能夠在極短時間內完成 CT 圖像的人體器官勾畫功能，目前已實現 30 多種器官的自動勾畫。大量歷史病例數據集和模型的不斷創新使 DeepViewer 多種器官的勾畫精準度達到 95%以上。