葡京娱乐场-富盈娱乐场开户

本項目屬于腫瘤靶向藥物的體外藥敏檢測，是基于化學靶向藥與 其靶蛋白在細胞死亡時也可結合的特性，設計并合成特異性發光基團與靶向藥連接，得到一系列候選探針，經細胞篩選、裸鼠荷瘤切片共 定位、人源病理樣本孵育驗證，篩選獲得靶向藥探針。將探針與患者 活檢樣本共孵育后，通過檢測其熒光分布及強度即可直接得知患者對 該靶向藥的敏感程度，從而給予患者更加精準的給藥建議。該技術檢 測耗時短、結果準確、方法便捷、易于推廣，能夠與基于大數據的基 因檢測技術形成很好的互補融合，幫助臨床醫生為患者制定出更加精 準的診療方案。 技術創新點： 該探針能夠實現將靶向藥與患者活檢樣本的結合情況進行原位 顯色并相對定量，其熒光的分布及強度直接提示患者對該靶向藥的敏 感程度，目前國內尚無其他技術能夠實現。該技術能夠彌補基因檢測 只能從基因水平間接預測藥物敏感度的不足，給出的結果更為準確和 個性化。目前我們已合成并檢測了包括 3 種肺癌靶向藥探針在內的 6 種探針，項目一期預計合成國內已上市的 6 種肺癌化學靶向藥的全部 探針。 市場應用前景： 近年來精準醫療行業的發展愈發蓬勃，2016 年其國內市場估值 已達百億。精準醫療大致分為精準診斷和精準治療兩大板塊，目前精 準診斷一般依靠間接法或直接法。間接法主要通過基因及表觀遺傳學 檢測和大數據分析，對同一亞型的患者給出相同的診療方案，其準確 性強烈依賴于基因檢測的準確性及大數據庫的完善程度。一代 Sanger 測序雖成本較低易于普及，但只能檢測單基因突變，且靈敏度較低、 檢測耗時長、工作量大，無法滿足龐大的測序需求；二代測序 NGS 具 有通量高、敏感度強、能夠獲得未知突變信息等優勢，但其儀器和試 劑要求極高價格昂貴，且能夠準確解讀數據的科研人員十分稀缺。同時，基因檢測不能檢出基因表達過程中旁路對于待測基因表達的影響， 將直接導致給藥建議有誤差。直接法主要是腫瘤藥敏技術，如 MTT 比色法、ATP 熒光檢測法等，需要依托原代腫瘤細胞培養技術，該技 術由于巨大的個體化差異，成功率很不穩定，使得該類技術普及困難。 基于以上情況，開發一種更加精準敏銳且操作便捷、易于推廣的腫瘤 精準給藥篩查技術，是十分有必要的。該技術能夠與現有的精準診斷 技術形成強有力的互補，能夠幫助臨床醫生更好地為患者制定治療方 案，為患者爭取更大的生存機會，為國內精準醫療行業的發展提供一 個全新的思路。 合作方式： 融資共同開發，優先與第三方檢測機構進行合作。 鑒于技術保密性，暫未申請專利。

本公司主要產品-多模態宮頸癌智能輔助篩查系統，利用人工智能和圖像處理技術實現宮頸液基細胞全切片智能解析和細胞DNA定量分析，應用自然語言處理技術對細胞學TBS報告、細胞DNA定量分析報告以及電子病歷報告進行知識挖掘。 一、項目進展 創意計劃階段 二、負責人及成員 姓名 學院/所學專業 入學/畢業時間 祝新宇 軟件工程 2019.9 / 2023.6 楊志鵬 軟件工程 2019.9 / 2023.6 孫宇 軟件工程 2019.9 / 2023.6 呂焓 國際經濟與貿易 2019.9 / 2023.6 朱瑩婧 會計學 2019.9 / 2023.6 唐昆銘 軟件工程 2018.9 / 2022.6 劉波 軟件工程 2018.9 / 2022.6 賀雨欣 軟件工程 2018.9 / 2022.6 束童 軟件工程 2018.9 / 2022.6 孫東東 軟件工程 2018.9 / 2022.6 黃薇 軟件工程 2018.9 / 2022.6 三、指導教師 姓名 學院/所學專業 職務/職稱 研究方向 史駿 軟件學院 副教授 機器學習與智慧醫療 四、項目簡介 本公司主要產品-多模態宮頸癌智能輔助篩查系統，利用人工智能和圖像處理技術實現宮頸液基細胞全切片智能解析和細胞DNA定量分析，應用自然語言處理技術對細胞學TBS報告、細胞DNA定量分析報告以及電子病歷報告進行知識挖掘，形成宮頸癌細胞學知識圖譜輔助醫生決策和病理科室質控，建立多模態宮頸癌智能輔助篩查系統及其輔助診斷模型，構建AI驅動的宮頸癌篩查全流程應用生態，力爭減輕篩查過程中病理醫生的工作強度，最大限度地提高宮頸癌篩查的質量和效率。 本公司主要出售兩種產品：（1）宮頸癌數字病理云平臺：用戶批量上傳宮頸液基細胞全切片圖像至遠程，云端將自動進行智能分析，本系統算法軟件已在遠端服務器進行部署搭建，適應了減輕病理醫生閱片篩查工作強度的需求。（2）智能顯微鏡及其AI組件：系統實時讀取顯微鏡下視野，實時出具分析結果，團隊研發的算法已通過嵌入式開發實現了軟硬件一體化服務，能夠適配多種品牌的顯微鏡。由于宮頸癌數字病理云平臺需要經過價格昂貴的掃描儀制作數字化全切片的繁瑣制作過程，成本較高，該產品形式避免了過程繁瑣的數字化全切片制作過程，同時成本較低，主要針對社區、鄉村等基層醫療機構，有利于提高宮頸癌早篩的覆蓋率。

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：

本專利公布了一種垃圾回收系統，包括垃圾桶和垃圾回收車， 垃圾桶底座上安裝有骨架，垃圾桶外殼通過轉軸和骨架相連，垃圾桶外殼可繞 轉軸轉動，垃圾桶桶體上設置有托盤系統、翻轉裝置、垃圾檢測裝置、垃圾桶 識別裝置、垃圾桶站點太陽能發電系統和垃圾桶控制柜；垃圾回收車包括差分 GPS 天線、垃圾回收車控制柜、垃圾識別裝置、垃圾桶識別裝置，垃圾收集裝置、 垃圾回收車托盤系統、路況攝像系統和太陽能發電系統。垃圾桶具有溢滿指示 功能，垃圾回收車可實現路面的自動清掃，還可實現與溢滿垃圾桶的自動搜尋， 對垃圾桶內垃圾進行自動清理。 應用領域及前景：城市垃圾回收系統通常包括遍布設置于城市中的垃圾桶青島農業大學科技成果介紹 2017 －70－ 和對垃圾桶內垃圾進行回收的垃圾車，垃圾桶用于垃圾暫時的存放，垃圾車再 對垃圾桶內的垃圾進行集中清理。

印染織物電腦對中糾偏系統及其裝置，具有布邊卷取、展開、擴布和對中控制功能。可連接棉印行業的燒毛機、水洗機、鍍層機、絲光機、定型機、平網印花機、圓網印花機以及造紙機、塑料薄膜生產線等機械的入口處。自動對中修正偏斜，減少偏斜式邊緣彎曲不正所產生的摺紋式色澤光澤不均現象，提高產品品質，實現生產自動化。 本系統采用微電腦與紅外數碼技術，將模糊智能識別用于對中糾偏，較模擬電路的對中裝置上一檔次，屬國內首創。該系統具有抗干擾性能強、動作穩定可靠、靈敏度高等優點，不受織物厚薄和幅寬的限制，可自動控制中心位置，可高速運行，是提高印染產品質量的好幫手。本系統還可選配筆記本電腦監控工作狀況連接Internet網絡。

高校科技成果盡在科轉云

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。 

高效率、高精度智能化測量技術已成為我國發展高端制造業的瓶頸。本項目突破了高效率、高精度智能化測量的一系列難題，形成的自主創新關鍵技術有： 1．首次建立了基于運動學圖譜分析的智能測量裝備設計方法及通用性設計理論體系，使研發周期縮短了40%，研發費用降低了35%。 2．針對多傳感器高精度配準的國際性難題，發明了多傳感器聯合標定標準器的設計方法。 3．針對測量裝備伺服系統高平穩性控制的難題，率先提出了體現溫度影響的非線性摩擦建模方法，測量裝備運動平穩性提高了59%。 已申請國家發明專利18項（授權5項）、實用新型專利12項（授權12項）、軟件著作權7項；以金國藩院士為主任的鑒定委員會一致認為項目整體技術達到國際領先水平。獲得2013年天津市科技進步一等獎。 圖1 缸套類零件檢測用高效高精度智能測量裝備 圖2 慣性元件檢測用高效高精度智能測量裝備 圖3 手機外殼檢測用高效高精度智能測量裝備

高效率、高精度智能化測量技術已成為我國發展高端制造業的瓶頸。本項目突破了高效率、高精度智能化測量的一系列難題，形成的自主創新關鍵技術有： 1．首次建立了基于運動學圖譜分析的智能測量裝備設計方法及通用性設計理論體系，使研發周期縮短了40%，研發費用降低了35%。 2．針對多傳感器高精度配準的國際性難題，發明了多傳感器聯合標定標準器的設計方法。 3．針對測量裝備伺服系統高平穩性控制的難題，率先提出了體現溫度影響的非線性摩擦建模方法，測量裝備運動平穩性提高了59