下载文档原格式
2019年国家自然科学奖项目提名公示内容一、项目名称单分子相互作用的方法学研究和应用二、提名意见（适用于提名专家）三、项目简介研究分子间相互作用是分子科学领域的核心内容，是认识各种生化反应和生命过程的分子机制、研制新型材料与药物、以及发展疾病诊疗新技术的基础。
由于分子间作用往往是一个在纳米尺度上的动态、可逆的弱相互作用过程，发展高时空分辨的单分子研究方法，揭示被系综研究平均化所掩盖的分子特性，是阐明分子间相互作用本质和规律的关键。
本项目针对分子间相互作用研究中需解决的三个基本科学问题：即单对分子特异识别的作用力基础、多分子组装体系的分子协同作用机制和复杂生物体系的分子间动态相互作用规律，系统地发展了基于扫描探针显微镜及其与荧光显微成像联用的单分子分析表证新方法，取得系列重要成果。
1．建立了定量表征单对DNA/蛋白质相互作用强度的AFM单分子力谱法，揭示了核酸适体与靶蛋白特异识别的作用力基础。
通过测定单对核酸适体和蛋白质分子间非共价键断键力，发现化学抗体核酸适体和靶蛋白相互作用力可强于天然抗体与靶蛋白相互作用力，为核酸适体作为新型分子识别探针在生化分析中的广泛应用提供了理论依据；在此基础上，发展了基于核酸适体的血清中疾病相关生物分子免标记检测新方法，促进了核酸适体分析化学的发展。
2.通过对分子组装体系中分子间协同相互作用的高分辨STM研究，提出了调控表界面功能分子形成可控均一组装结构的新方法。
揭示了利用多氢键效应由非手性分子组装产生单一的表面手性及其手性传递、放大的分子机制，发现手性组装过程“多数原理”；通过调控动态共价键的热力学平衡及形成动力学过程，实现了稳定均一的二维分子纳米结构的构筑；在研究手性识别分离、纳米生物传感等方面具有重要意义。
3.发展了多参数表征活细胞中单分子动态相互作用的单分子荧光成像及其与AFM联用新技术，发现细胞膜上转化生长因子受体结构的动态变化、以及单体形成二聚体激活的信号转导新模式。
2019年国家自然科学奖项目提名公示内容一、项目名称：原子气体玻色-爱因斯坦凝聚研究二、提名单位意见：该项目致力于激光冷却原子实现玻色-爱因斯坦凝聚（简称BEC）的研究，使中国成为少数最先实现BEC国家之一，取得如下系统性和创新性的研究成果：1) 提出并建立玻色-爱因斯坦凝聚可积模型，预言分数量子涡旋态并被实验证实。
2) 提出有限温度量子隧穿的周期瞬子方法，发现非阿贝尔约瑟夫森效应。
3) 建立团簇动力学平均场理论，发现超逆流凝聚态。
建立了光晶格中冷原子平台，提出了光晶格钟的理论模型，获得了影响精度的各种参数。
该项目8 篇代表性论文被SCI 他人引用886 次，2篇入选ESI高被引论文，1 篇入选2009 年中国百篇最具影响国际学术论文。
多个著名科学期刊如Rev. Mod. Phys.、Phys. Rep.、Science、Nature等发表专题评价他们的工作。
2010 年被邀请在第22 届国际原子物理学大会（ICAP）作大会报告，这是中国科学家第一次在这个大会上作邀请报告。
项目建立了原子玻色-爱因斯坦凝聚基本理论，首创国内冷原子钟、原子芯片等核心技术，引领并推动了冷原子物理及精密测量相关领域的发展，获2016年北京市科学技术奖一等奖。
提名该项目为国家自然科学奖二等奖。
三、项目简介（限1页，不超过1200字）：该项目属物理学中的原子分子物理学领域。
激光冷却原子并实现玻色-爱因斯坦凝聚（简称BEC）是20世纪末物理学的重大进展。
1997年以来已有4次诺贝尔物理学奖授予了与冷原子和精密测量相关的科学家（1997、2001、2012、2018年）。
超冷原子BEC具有独特的量子力学波动性、宏观量子相干性及人工可调控性，是研究量子力学基本问题的重要平台，对发展原子钟、原子芯片等高新技术具有战略意义，成为世界发达国家抢占的制高点。
(1). 提出并建立玻色-爱因斯坦凝聚可积模型，预言分数量子涡旋态并被实验证实。
2019年国家自然科学奖提名公示一、项目名称低维量子结构的物性调控及其原理性应用二、提名者：中国科学院提名意见：该项目围绕功能纳米量子结构的组装与物性调控开展了深入系统的研究，取得了一系列在国际上有较大影响力的原创性基础研究成果。
在结构组装及生长机制方面，通过改变功能分子末端官能团等手段在固体表面实现了纳米结构的可控组装，发展了一种被广泛应用的单一溶剂中制备单分散贵金属及合金纳米粒子的组装方法等。
相关成果对三维有序组装和纳米功能器件的构造具有重要的参考价值和指导意义。
在物性调控方面，首次通过改变功能分子吸附位置实现了单分子自旋量子态的可控调制，首次在金表面上构造了具有固定偏心轴的单个分子转子，实现了大面积有序阵列的组装，利用单分子自旋可逆“开关”的近藤效应，首次实现了对单个自旋量子态的可逆控制等。
相关研究成果引起了国际同行的广泛关注，被选为Physical Review Letters 的“Editors'Suggestions”，美国物理学会Physics、英国物理学会PhysicsWorld、英国皇家化学会、Nature-Asia和Nature China等进行了亮点报道，称相关工作是“实用的单分子转子、单分子发电机／无线电辐射器构造组装的重要研究”和“原理上证实了实用化单分子器件的构造”等。
8篇代表性论文被SCI 他引867次。
该项目的一系列相关成果得到了国内外同行专家的高度认可与积极评价，具有重要科学价值。
推荐材料属实，符合推荐要求。
同意推荐该项目为国家自然科学奖二等奖。
三、项目简介低维纳米量子结构的可控制备、物性调控及其原理性应用是凝聚态物理领域前沿研究的重要方向。
该项目主要是在单个原子或单个分子层次上直接“观察”纳米量子结构，结合理论计算深入理解其组装机制，进而实现对其结构与物理性质（如自旋特性）的调控，追求功能化，为在未来功能器件中的原理性应用奠定基础。
该项目的主要研究内容包括功能纳米量子结构的组装及机制和功能纳米量子结构的物性调控及其原理性应用两个方面。
附件：2019年国家科学技术奖提名项目公示内容（自然科学奖）项目名称: 海洋天然气水合物分解演化理论与调控方法提名者:谈和平，哈尔滨工业大学，教授，工程热物理一、提名意见二、项目简介（限1页）天然气水合物是最具开采价值的新型清洁能源，我国南海储量达800亿吨油当量，是我国石油与天然气已探明储量的总和，实现天然气水合物资源开发是我国重大战略需求。
天然气水合物开发过程存在水合物分解相变复杂、热质传递困难、储层胶结强度弱化显著等问题，导致水合物分解产气效率低、持续性差，甚至引起储层失稳等重大安全风险，因此实现其安全高效开采是世界性难题。
该项目在国家自然基金重点项目、973计划、国家科技重大专项等项目支持下，针对水合物分解多孔介质内复杂相态转化理论、含相变过程多相多组分运移机制、储层胶结强度弱化及其与海底结构物（井筒、桩基础等）相互作用机理等关键科学问题，开展了十余年的研究，取得了以下主要突破和科学发现：1. 发现了海洋天然气水合物分解相态转化-多相渗流-胶结弱化规律，建立了水合物分解运移与储层变形演化理论。
建立了海洋多组分体系水合物相平衡方程，突破了传统热力学模型的理论局限；首次发现了水合物分解亚稳态纳米气泡富集现象，认识了分解过程水合物再生成逆反应的内在本质；发现了微孔隙内水合物赋存形态转化特性，提出了水合物相变多相渗流模型，构建了水合物分解气、水运移理论框架；发现了水合物储层粘聚力随水合物分解的衰减规律，揭示了水合物储层变形过程中胶结结构的演化机制。
2. 揭示了海洋天然气水合物分解驱动与失稳机理，提出了水合物分解强化与储层安全调控方法。
发现了天然气水合物分解存在压差驱动-显热主导-传热控制表观动力学演化三历程，提出了压-热联调强化水合物分解方法；首次发现了二氧化碳水合物具有更高的抗变形能力，创造性地提出注二氧化碳强化储层结构强度方法；建立了水合物储层与结构物相互作用模型，确定了水合物分解对海底结构物的影响边界。
2019年国家自然科学奖项目提名公示内容一、项目名称：光功能共轭聚合物设计、合成及生物应用的基础研究二、提名单位意见：该项目围绕重大疾病早期、高灵敏诊断与治疗领域中的关键科学问题，在分子水平上对共轭聚合物的设计、荧光信号放大性能及其生物应用展开了系列研究，在以下方面取得了重要创新性的研究成果：设计合成了一系列新型水溶性共轭聚合物材料，阐明了它们的分子结构、聚集态与光物理性质的关系，通过高效荧光共振能量转移机制发展了生物识别与传感新方法，率先实现了重大疾病相关的基因、蛋白质高灵敏检测并获得与肿瘤的关联性信息，首次通过逐步判别分析和累积检测分析方法，分析了中国人群结肠癌七种相关基因的DNA甲基化水平，临床实验结果表明结肠癌诊断准确率大于80％；首次构建了可逆抗生素超分子组装体系，提出了共轭聚合物高效抗菌的新策略。
该项目研究特色鲜明，系统、深入地研究了分子基元设计合成、光物理性能与传感机理及其在重大疾病诊断与治疗中的应用。
该项目研究在国际上获得了广泛关注和高度评价，将共轭聚合物的设计及其在生物领域应用的基础研究推向了一个新的层次。
提名该项目为国家自然科学奖二等奖。
三、项目简介（限1页，不超过1200字）：发展重大疾病的早期、高灵敏诊断与治疗新技术对提高国民健康具有重大意义。
分子层次上标志物（如DNA和蛋白质）的检测可以实现疾病的早期预警及诊断，但检测中由于生物探针分子与大多数的目标生物分子结合后其光学信号或电子特性不会发生显著变化，因此，如何理解和认识具有信号放大功能的分子体系，并将其作为信号传导基元把生物分子结合事件的信息转化为可测量的光信号，这是该领域的核心科学问题。
在分子水平上正确理解分子材料中的基本物理化学过程，设计发展光学功能化学分子及其光学检测体系是推动该领域获得突破性进展的关键。
该项目以共轭聚合物为研究对象，利用其独特的电子共轭结构与光学信号放大特性，建立和发展了快速、简便的生物识别与检测方法，在分子与细胞水平实现了重大疾病相关的基因、蛋白质的高灵敏检测并获得与肿瘤的关联性信息；通过设计高效抗菌新体系，实现了共轭聚合物在疾病治疗中的新应用。
2019年度国家自然科学奖提名项目公示项目名称涉水边坡稳定性分析及区域滑坡敏感性测评的整体方法提名单位中国岩石力学与工程学会提名意见：针对降雨和库水位变动引起的边坡（高坝）稳定性分析、区域内的滑坡敏感性测评展开研究，主要创新点如下：1. 建立了边坡地下水渗流的Signorni型变分不等式模型。
该模型消除了出渗点的奇异性，非线性弱于其他变分不等式，其适定性已被澳大利亚等国的数学家所论证，并已在水利、堤防和港口建设中取得应用。
2. 发现并证明了适用于岩土类材料的Phi-Nu不等式，已在边坡稳定性分析中取得了广泛应用，并被一些大型商用软件（如Abaqus）所采纳。
3. 提出了边坡稳定性分析的整体方法，实现了三维稳定性分析的严格极限平衡法，解决了解的不收敛问题。
基于Logistic回归分析，揭示了年概率暴雨条件下滑坡发生概率的空间分布特征，据此可对区域内的滑坡敏感性做出测评。
研究始于1996年香港政府RGC项目：自然边坡失稳与泥石流机制；2002年研究领域扩展至三峡库区边坡和高坝稳定性分析，并陆续获得了包括国家杰出青年基金在内的多个自然科学基金和部门基金的资助。
八篇代表性论文SCI严格他引984次，其中一篇获2015年Elsevier最佳论文奖；相关论文81篇，SCI严格他引2830次，其中一篇中文期刊论文CNKI严格他引744次。
部分成果于2008年获中国岩石力学与工程学会首个自然科学一等奖。
提名该项目为国家自然科学奖二等奖。
项目简介采用确定性分析和概率统计方法，针对与降雨/库水位变动有关的边坡（高坝）稳定性分析和区域内滑坡敏感性测评展开研究。
主要科学发现如下：1. 建立了边坡地下水渗流的Signorni型变分不等式模型，该模型消除了自由面出渗点的奇异性，非线性弱于其他变分不等式；基于该不等式的有限元法可在固定网格上求解无压渗流场，其适定性和良好的数值特性已被Monash大学数学家Alnashri和Droniou发表在数值分析顶尖刊物上的论文详细论证。
附件：2019年国家科学技术奖提名项目公示内容（自然科学奖）项目名称: 海洋天然气水合物分解演化理论与调控方法提名者:谈和平，哈尔滨工业大学，教授，工程热物理郭烈锦，西安交通大学，教授，工程热物理宣益民，南京航空航天大学，教授，工程热物理一、提名意见二、项目简介（限1页）天然气水合物是最具开采价值的新型清洁能源，我国南海储量达800亿吨油当量，是我国石油与天然气已探明储量的总和，实现天然气水合物资源开发是我国重大战略需求。
天然气水合物开发过程存在水合物分解相变复杂、热质传递困难、储层胶结强度弱化显著等问题，导致水合物分解产气效率低、持续性差，甚至引起储层失稳等重大安全风险，因此实现其安全高效开采是世界性难题。
该项目在国家自然基金重点项目、973计划、国家科技重大专项等项目支持下，针对水合物分解多孔介质内复杂相态转化理论、含相变过程多相多组分运移机制、储层胶结强度弱化及其与海底结构物相互作用机理等关键科学问题，开展了十余年的研究，取得了以下主要突破和科学发现：1. 发现了海洋天然气水合物分解相态转化-多相渗流-胶结弱化规律，建立了水合物分解运移与储层变形演化理论。
建立了海洋多组分体系水合物相平衡方程，发现了水合物分解亚稳态纳米气泡富集现象，认识了分解过程水合物再生成本质；发现了微孔隙内水合物赋存形态转化特性，提出了水合物相变渗流模型；发现了水合物储层粘聚力随水合物分解的衰减规律，揭示了水合物储层变形过程中胶结结构的演化机制。
2. 揭示了海洋天然气水合物分解驱动与失稳机理，提出了水合物分解强化与储层安全调控方法。
发现了天然气水合物分解存在压差驱动-显热主导-传热控制表观动力学演化三历程，提出了强化天然气水合物分解方法；发现了二氧化碳水合物具有更高的抗变形能力，提出注二氧化碳强化储层结构强度方法；建立了水合物储层与结构物相互作用模型，确定了水合物分解对海底结构物的影响作用。
3. 构建并验证了海洋天然气水合物模拟开采系统。
2019年国家自然科学奖提名公示项目名称 高维图像类脑化语义信息提取理论与方法提 名 者 工业和信息化部提名意见该项目围绕高维图像类脑化语义信息提取展开研究，是国际学术前沿和国家战略需求中的重大科学问题，取得了具有重要创新性和理论价值的基础研究成果。
受大脑基于部件的认知过程启发，提出了一套语义可解释鉴别化紧致特征提取理论和方法，达到了认知可解释和特征可鉴别的统一。
受大脑协同思维的启发，提出了基于时空协同和内部协同的图像协同处理架构，显著提升了图像识别的准确率。
受大脑演化认知特性启发，提出了基于演化表达的图像信息描述理论和方法，突破了手工设计描述子的局限。
该项目的研究成果得到了中国、美国、英国、加拿大等国院士和IEEE/ACM/OSA/SPIE/IAPR/AAAS Fellow等国际同行的高度认可。
有力推动了本学科及相关学科的发展。
符合国家科学技术奖的推荐条件。
提名该项目为国家自然科学奖二等奖。
项目简介针对语义丰富的高维图像信号，借鉴和发展脑科学、认知科学的成果，对高维图像进行类脑化处理是减少和消除语义鸿沟重大问题的关键，代表了当前信息领域的发展方向之一。
本项目以类脑化处理为手段，建立了语义可解释、协同认知、演化表达三个方面的高维图像语义信息提取理论和方法。
取得了如下科学发现：1.受大脑基于部件的认知过程启发，提出了同时提取隐藏语义和保持内在流形结构的非负矩阵分解理论框架，并进一步将其发展为流形正则化稀疏非负矩阵分解方法并应用到高光谱图像处理和恢复中，解决了非负矩阵分解可解释性强但鉴别能力弱的难题。
还提出了确定性列矩阵分解子空间学习方法。
形成了一套可解释鉴别化语义特征提取理论和方法，一定程度上达到了认知可解释和特征可鉴别的统一。
2.受大脑协同思维的启发，提出了图像及视频的协同处理框架：针对视频内容识别，提出了时空拉普拉斯金字塔协同编码机制，能够同时捕获结构信息和运动信息，克服了传统方法误配准问题。
针对图像识别，提出了Gabor区域协方差矩阵描述子，刻画了蕴含图像细节和鉴别信息的多区域协同二阶关系，突破常规协方差矩阵只能进行简单局部匹配但不能进行高准确度精细图像识别的局限，使图像识别率得到提升。
3.受大脑演化认知特性启发，提出了基于演化表达的图像信息描述理论和方法，突破了手工设计描述子的局限。
针对可见光图像，提出用多目标演化学习算法自动产生域适应（domain-adaptive）全局特征描述子；针对高光谱图像，提出了基于免疫克隆和多任务稀疏追逐的光谱选择方法，解决了已有方法无法保持原始光谱通道物理特性的缺点。
本项目8篇代表性论文发表在图像/视频处理和分析领域国际期刊IEEE T-PAMI、T-NNLS、T-CSVT、T-CYB、T-GRS等上，被SCI他引691次。
相关工作获得中国电子学会自然科学一等奖、中国计算机学会自然科学一等奖、陕西省科学技术奖（基础研究）一等奖。
客观评价该项目在高维图像类脑化语义信息提取领域进行了一系列创新性研究。
本项目8 篇代表性论文被SCI他引691次。
研究成果得到了国内外学者的高度评价和应用推广。
具体评价如下：1. 对重要科学发现点1 的评价英国帝国理工学院人工智能领域教授(Professor for Artificial Intelligence)、Association for the Advancement of Affective Computing (AAAC)协会主席、IEEE 会士Bjorn W. Schuller与其合作者在顶级期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》上的论文“A Deep Matrix Factorization Method for Learning Attribute Representations”中引用了代表性论文[7]并指出本项目所提出“Graph-regularized NMF (GNMF)是聚类特征学习的先进技术(the state-of-the-art NMF techniques for learning features for the purpose of clustering) ”。
认为“GNMF考虑了数据空间的内在几何结构和鉴别结构，这一考虑对实际应用至关重要(takes into account the intrinsic geometric and discriminating structure of the data space, which is essential to the real-world applications) ”。
评价“GNMF学习到的特征比标准NMF算法具有更强的鉴别能力(By preserving the graph structure, it allows the learned features to have more discriminating power than the standard NMF algorithm)”。
加拿大工程研究院院士、IEEE Fellow、IEEE 电路与系统协会主席M.N.S.Swamy 教授在其学术专著《Neural Networks and Statistical Learning》中引用了代表性论文[1]，指出所提“可解释性列矩阵分解方法以确定性方式执行，能够很好地逼近奇异值分解(Selects columns in a deterministic manner, which well-approximates SVD …)”。
2. 对重要科学发现点2 的评价美国明尼苏达大学讲席教授、IEEE 机器人视觉委员会主席、IEEE 会士Nikolaos Papanikolopoulos与其合作者在图像处理与人工智能领域顶级期刊《IEEE Trans. Pattern Analysis and Machine Intelligence》上的论文“Tensor Sparse Coding for Positive Definite Matrices”和计算机视觉领域重要会议ECCV上的论文“Tensor Sparse Coding for Region Covariances”中均引用了代表性论文[2]并通过大量实验室验证了本项目所提Gabor区域协方差描述子(GRCM)的有效性，性能有显著提高（见其论文图3）。
澳大利亚昆士兰大学教授、澳大利亚工程院院士、世界创新基金会院士、IAPR Fellow委员会主席、IEEE 会士Brian C. Lovell等在计算机视觉领域重要会议ECCV 上的论文“Sparse Coding and Dictionary Learning for Symmetric Definie Matrices: a Kernel Approach”中采用所本项目提GRCM描述子(即代表性论文[2]所提方法)研究基于黎曼流形的识别方法时得到了最高的识别率(Obtains the highest accuracy)，显著优于其他方法(Significantly outperforms state-of-the-art Euclidean solutions)。
加拿大皇家学会会士、IEEE 会士、加拿大阿尔伯塔大学讲座教授Witold Pedrycz等在《Neurocomputing》上的论文“Weighted Feature Trajectories and Concatenated Bag-of-Features for Action Recognition”中指出本项目所提基于时空拉普拉斯金字塔协同编码机制的动作识别(代表性论文[4])已经是计算机视觉领域最热门的课题之一，在视频监控、视频检索和人机交互中有广泛的应用(has been one of the most active topics in computer vision with a broad range of applications to video surveillance, automatic video indexing and retrieval, human computer interaction)。
3. 对重要科学发现点3 的评价美国卡耐基梅隆大学教授Gustavo K. Rohd等在《IEEE Transactions on Image Processing》上的论文“The Radon Cumulative Distribution Transform and Its Application to Image Classification”中引用了代表性论文[5]，指出本项目所提基于多目标遗传算法特征学习方法(MOGP)已经被证明在图像分类中取得了很大的成功，在很多图像数据库中提高了先进分类的性能(have proven to be very successful in image classification and they have improved the state of the art classification for a wide range of image datasets)。
澳大利亚中央昆士兰大学教授、国际神经网络协会澳大利亚分会主席、澳大利亚研究委员会委员Brijesh Verma及其合作者《IEEE Congress on Evolutionary Computation》会议上的论文“Image Descriptor: A Genetic Programming Approach to Multiclass Texture Classification”中引用了代表性论文[5]，指出本项目所提MOGP方法的演化算法由像素输入、滤波、最大池化和级联等四层组成，然后通过主成分分析将演化算法的输出的特征向量的尺寸进行缩减。
(In their method, the evolved program consists of four tiers, i.e., the raw pixel values as inputs, filtering, max-pooling, and concatenation. Then the output of the evolved program is fed into Principal Component Analysis (PCA) to shrink the size of the generated feature vector )。
