葡京娱乐场-富盈娱乐场开户

01. 成果簡介 中東呼吸綜合征冠狀病毒（MERS-CoV）是2012年在中東地區首先發現的一種新型冠狀病毒，與嚴重急性呼吸綜合征冠狀病毒（SARS-CoV）同屬于β冠狀病毒，能夠引發嚴重的人類呼吸系統疾病。據世界衛生組織的最新統計表明，MERS-CoV已造成全球27個國家2428例感染，致死率高達35%。 MERS-CoV表面刺突蛋白（Spike）蛋白是病毒顆粒與細胞受體二肽基肽酶4（DPP4）作用的關鍵蛋白，也是MERS-CoV疫苗與保護性單克隆抗體研究的熱門靶點。本項目團隊在靶向刺突蛋白的高活性中和抗體篩選、鑒定、分子結構研究中取得了一系列突破。本團隊在國際上首批報道了兩株人源MERS-CoV中和抗體MERS-4與MERS-27，它們均能高效抑制假病毒與活病毒對體外培養細胞的侵染，在動物模型中也顯示了很好的保護作用。該團隊還綜合運用結構生物學、生物化學以及病毒學研究方法闡明了這兩株抗體識別Spike受體結合結構域（RBD）的不同位點，并阻斷Spike與受體DPP4的結合。 本項目團隊還利用一種稀有黑猩猩腺病毒AdC68為載體，搭載MERS-CoV表面全長的Spike蛋白，在轉基因小鼠（hDPP4-KI）模型中，一次滴鼻免疫即可誘導產生長期保護性免疫反應，并完全預防小鼠感染或降低感染后的疾病進展速度。解決了目前研發的MERS-CoV疫苗大多需要進行多次免疫注射的復雜程序問題。進一步的抗體分析表明，免疫動物血清中含有廣譜高滴度針對RBD的多克隆和單克隆中和抗體，能夠有效阻斷病毒與受體DPP4的結合，從而解析了其長期保護性免疫反應的分子基礎和機制，為疫苗下一階段進入大動物模型和人體臨床試驗做好了準備。                        MERS-CoV及其相關中和抗體和疫苗研究時間軸AdC68-S重組疫苗在hDPP4-KI轉基因小鼠模型上的保護效果02. 應用前景 本項成果可應用于治療或預防中東呼吸綜合征冠狀病毒的抗體藥物及疫苗候選物。03. 知識產權 本項成果已申請4項發明專利，其中3項已授權。04. 團隊介紹 本項目團隊由生命學院實驗室與醫學院實驗室聯合組成，兩位實驗室負責人分別為清華大學生命學院和醫學院教授、博士生導師，主要研究方向分別為結構生物學與病毒學，已發表國內外高水平學術論文數十篇，聯合申請專利4項。05.合作方式 技術許可。06.聯系方式 郵箱：[email protected]

本項目針對人工速生林木材密度小、強度低的特點，研究開發出木材化學改性與干燥一體化工藝技術及裝備。本技術能夠大幅度提高速生材性能，同時解決了常規木材改性技術中改性劑浸透困難、環保性差，改性材功能單一、尺寸小，無法滿足工業生產要求等問題；解決了傳統木材改性技術工藝“先干燥-再浸漬處理-再二次干燥”的能耗高的問題。本項目技術獲國家發明專利授權2項，已在多家企業應用。

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。

動物捕食植物種子（下稱種子捕食）是動植物協同進化的重要方面。動物捕食植物種子可影響植物種群更新和繁衍；植物通過調節各種性狀，如種子大小、蛋白質含量，調節動物捕食行為。植物性狀對種子捕食調節能力的評估對理解動植物協同進化具有重要意義。 因此，建立一種用于種子捕食追蹤的人工種子系統，對于種子捕食追蹤及相關研究，理解動植物協同進化，促進野生植物尤其是珍稀瀕危植物保護具有重要的作用。

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：

本發明提供了一種復制式人工關節間隔物的制作方法，包括以下步驟：1）首先在容器內鋪設固化劑，將人工關節假體包裹在容器內的固化劑中，制備人工關節假體陰模；2）然后向陰模內注入硬化劑制備復制式人工關節間隔物。可事先在陰模中放置金屬棒或塊以增加間隔物的強度。本發明能在較短時間內精確制備出尺寸和外形與擬選用人工關節假體一致的間隔物，以縮短手術時間，改善間隔物的作用效果，制備方法經濟且簡便易行。植入的關節式間隔物可使得患者在術后獲得部分正常的關節功能，術后滿意度提高。并有效防止了軟組織的攣縮，為再次手術奠定了基礎。

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。 

（1）建立具有醫學統計意義的中國人髖關節解剖學特征數據庫 課題組隨機抽取130 例西南地區正常成年人（其中男77例、女53例；平均年齡46歲；平均身高163.3cm；平均體重59.6kg。于仰臥、雙下肢中立位行髂嵴至脛骨結節CT掃描（掃描層厚1mm），運用CT圖像處理軟件測量股骨頭直徑、頸干角、偏中心距offset、小轉子中點及其上、下2 0 mm 平面處髓腔寬度、峽部直徑、小粗隆中點到峽部距離、峽部曲度、髓腔閃爍指數和漏斗指數等參數，并與中國北方人和國外人群解剖參數進行比較。結果顯示：中國西南地區正常人的股骨頭直徑為44.68±3.10mm，頸干角128.56°±4.49°，offset為36.7±2.81mm，小轉子中點及其上、下2 0 mm平面處髓腔寬度分別為：24.9±2.27mm；43.6±2.79mm；17.23±1.59mm，峽部直徑為9.92±1.27mm，小粗隆中點到峽部距離113.81±6.75mm，峽部曲度168.95°±1.32°，髓腔閃爍指數和漏斗指數等參數分別為：4.19±0.72和2.32。本組研究中，offset平均為36.7mm、頸干角平均為128.56°,與北方人（offset 平均37.1mm、頸干角平均127.9°）相比差異不大，與西方人（offset平均43.0mm、頸干角平均124.7°）相比存在顯著差異。 （2）設計基于國人髖關節解剖學特征的人工髖關節系統 完成了基于中國人解剖參數人工髖關節系統設計。 （3）采用有限元等分析手段，優化設計方案，使該人工髖關節系統適合國人解剖特征，避免低應力集中和應力遮擋。