李正名院士是我国著名的教育家、化学家和农药学家。在李先生逝世3周年之际，李正名奖学金捐赠暨首届颁奖仪式在南开大学举行。本文结合一部分典型的具体事例，对李正名先生的教育家精神和科学家精神进行了介绍，从中折射出他始终如一的坚定爱国信念和无私奉献精神。青年学子通过学习李先生的光辉事迹，可以深入了解老一辈科学家浓厚的家国情怀。本文有助于激励当代大学生厚植爱国主义理想与信念，增强自主创新意识和能力，立志为中华民族的伟大复兴贡献自己的全部力量。

分子表示学习是人工智能驱动药物研发中的关键任务。尽管图神经网络(GNN)在该领域已表现出优异性能并被广泛应用，但高效提取并显式解析官能团仍是一项挑战。为此，我们提出了MolUNet++模型，该模型通过分子边收缩池化(Molecular Edge Shrinkage Pooling，MESPool)实现分层子结构提取，利用嵌套式UNet框架进行多粒度特征融合，并结合子结构掩蔽解释器实现分子片段的定量分析。我们在分子性质预测、药物-药物相互作用(Drug-Drug Interaction，DDI)预测及药物-靶标相互作用(Drug-Target Interaction，DTI)预测等任务上对MolUNet++进行了评估。实验结果表明，MolUNet++不仅在预测性能上优于传统GNN模型，同时展现出显式、直观且符合化学逻辑的可解释性，为药物设计与优化领域的研究者提供了有价值的启示与工具。

银纳米粒子的合成与表征近年来逐渐被引入化学专业本科教学实验中，具有一定的综合性和前沿性。传统教学中普遍采用化学还原法，使用温和还原剂将银离子还原为银纳米颗粒，常在玻璃容器中配合水浴加热进行反应。但该方法存在试剂利用率低，产物粒径不均、难以精确调控粒子大小等问题，且实验条件可控性差，严重影响实验结果与学生学习体验。为了提升教学效果，本项目设计引入了微流控芯片合成与机器学习指导的综合方案对这个实验进行改进。通过在微流控芯片中控制流速、反应浓度和温度等参数，可提高反应可控性与纳米粒子合成的重复性，显著提高粒径一致性和合成效率；同时，借助机器学习方法对实验数据进行建模与预测，能够辅助学生理解不同反应条件对产物结构的影响，并实现目标产物粒径的可控合成。本实验的教学设计将微流控技术与数据驱动的人工智能方法引入到传统纳米粒子合成教学中，不仅丰富了教学内容，也对学生的操作能力、数据处理能力和问题解决能力提出了更高要求。通过项目实施，能够激发学生对现代化学研究方法的兴趣，帮助其构建对纳米材料化学反应机制更为深入的理解，提升其科学素养与综合创新能力。