1. 国家自然科学基金委员会，面上项目，32171463，基于滑动式微流控芯片的实时荧光数字PCR技术的研究，2022/1/1至2025/12/31，58万，在研，主持。
2. 国家自然科学基金委员会，国家重大科研仪器研制项目，31927803，蛋白-核酸通用型数字式多指标检测系统的研制，2020/1/1至2024/12/31，622万，在研，主要参与。
3. 国家自然科学基金委员会，青年科学基金项目，21705109，多通道数字PCR滑动芯片单分子灵敏度定量检测痰液中的肺癌相关基因标记物，2018/1/1至2020/12/31，24万，结题，主持。

1. 已与相关公司进行合作，提供相关的工业技术支持。
2. 课题组提供实验软硬件平台支持。
3. 理论及实验知识的指导。
4. 菌群时序影像的数据储备。

抗生素的滥用对病人而言可能会细菌耐药，进而产生耐药性和“超级细菌”，增加患者的痛苦和诊疗过程，从前面所述的耐药性致死案例中，我们也可知其也增加了病危和死亡概率；对医护工作着而言，抗生素的滥用危害了医护工作人员的安全；对药物研发人员而言，也增大了药物研发难度、研发时长和成本，进而影响患者治疗，对整个的医疗体系都有着很大负面的影响。目前抗药性检测的时间通常在两天以上，危重患者无法等待那么长的时间，一个精准且快速的检测设备和模型迫切需要。

本项目拟利用时序菌群影像信息，结合图像算法与深度学习技术，构建基于人工智能的细菌抗药性预测模型。具体研究内容包括：

时序菌群影像信息采集：利用滑动式微流控芯片等先进技术，实时采集细菌菌群的影像信息，记录细菌生长状态、菌落形态等时序变化。

图像处理与特征提取：利用传统图像算法对采集到的时序菌群影像进行处理，提取关键特征，如细菌菌落的形态、密度、分布等。

深度学习模型构建：基于提取的特征，构建深度学习模型，如卷积神经网络（CNN、U-net）等，对细菌的抗药性进行预测。通过大量数据的训练和优化，使模型能够准确地预测细菌对特定抗生素的敏感性。

模型验证与优化：利用独立数据集对构建的预测模型进行验证，并进行模型参数调优和性能优化，确保模型具有较高的准确性和稳定性。

应用与推广：将研究成果应用于临床医疗实践中，指导医生制定个性化的治疗方案，减少抗生素的滥用，降低细菌耐药性的风险。同时，将技术推广至药物研发领域，加速新药的研发和上市，促进医疗领域的发展和进步。