近日，由清华大学医学院、清华大学全球健康与传染病研究中心与艾滋病综合研究中心主任张林琦教授团队与深圳第三人民医院和腾盛华创合作研发的新冠单克隆中和抗体安巴韦单抗/罗米司韦单抗联合疗法在中国商业化上市。

本发明涉及抑制肿瘤侵袭和扩散技术，特别是一种抑制肿瘤侵袭和扩散的具有磁场和光照双重调控的超分子组装体的制备方法及其应用。本发明的目的是针对上述技术分析和存在问题，提供了一种可以抑制肿瘤细胞侵袭和转移，并且具有磁场和光照双重调控的超分子组装体，同时提供了该组装体的制备方法。/line本发明中的超分子组装体是一种能够通过光照和磁场诱导的形貌转化的纳米纤维聚集体。这些独特的能力是通过将生物相容性的靶向肽连接在氧化铁磁性纳米颗粒下与β-环糊精修饰的透明质酸非共价交联来完成的。更重要的是，由于癌细胞的表面的透明质酸受体过度表达，得到地磁定向聚合的多糖为基础的组装体，其可以在纳米纤维网状结构中特定地吸引癌细胞，从而抑制肿瘤细胞的迁移和挽救肿瘤细胞迁移的小鼠。本发明是实现生物超分子组装体对较弱的地磁场精确响应的第一个实例，为减少肿瘤细胞转移造成的死亡提供了一种新型的刺激响应性纳米超分子生物材料。

本发明公开了一种用于增强畜禽免疫功能和抗病毒能力的药物提取物、制剂和制备方法，药物提取物包括以下重量份数的原料药材：黄芪300‑900份、板蓝根100‑300份、防风100‑300份、炒白术100‑300份、黄芩100‑400份和紫锥菊100‑500份；以及公开了制剂和制备方法。本发明采用提取、在线高速离心、减压浓缩、喷雾干燥技术，技术能达到省时省力，高效低耗，有效成分得以充分保留；并且科学的药材

【发 明 人】顾薇；陈军；杨希雄；陆姗姗；严旭 【摘要】 针对现有技术中9-硝基喜树碱溶解度差、生物利用度低的技术问题，本发明提供9-NC-环糊精包合物，其含有分子摩尔比为1:30~200的活性成分9-NC和包合剂β-CD或其衍生物；具体制备方法为：将9-NC丙酮饱和溶液滴加到CD溶液中，并在25~60℃下磁力搅拌至丙酮完全挥发；所得混悬液离心后取上清液进行冷冻干燥得9-NC-CD包合物粉末。同时本发明提供含有上述9-NC-CD包合物和药学上可接受的赋形剂的药物组合物。本发明提供的包合物相比于9-NC游离药物溶解度增加300倍以上；同时包合物表现出更高的内酯稳定性与体外缓释效果；用X射线衍射分析与热分析法表明包合物中9-NC已完全被包合，进一步验证工艺的可靠性。由此，包合物可被开发成为液体制剂，也可改善9-NC固体制剂的体内吸收，提高生物利用度。

本发明公开了肝细胞生长调节因子酪氨酸激酶底物(HGS)在预防和/或治疗 EV71 感染中的应用， 属于抗病毒药物领域。本发明通过将 HGS 蛋白加入到细胞中再加 EV71，检测&nb

本发明公开了一种金属复合物催化剂、其制备方法以及在制备D,L-薄荷醇中的应用，该金属复合物催化剂由如下重量百分比的元素组成：镍70-85％、铝8-10％、钒5-10％、钴2-10％。该金属复合物催化剂应用于百里酚加氢制备D,L-薄荷醇时，具有反应活性高，手性化合物消旋化速度快的特点。同时异构化中加入的某种碱是减少轻组分副产物的关键。整个工艺反应选择性好，制备工艺简单，生产成本低，合成路线对环境友好。

葡萄糖响应型的伴刀豆球蛋白‑淀粉纳米颗粒的制备方法及其应用。本发明涉及纳米颗粒制备和食品医药领域，具体涉及伴刀豆球蛋白和支链淀粉通过组装得到葡萄糖响应性的纳米颗粒及其制备工艺。该制备工艺为配制含氯化钠的伴刀豆球蛋白(ConA)浓度为0.5‑1.5mg/mL的乙酸缓冲溶液，加入一定量的浓度为1‑10mg/mL的糊化淀粉乳，制得氯化钠浓度为0.013‑0.120g/mL的悬浮液，在15‑35℃下不断搅

针对目前污水处理中的设备复杂、成本高及二次污染等技术瓶颈问题，本项 目研发了可降解高分子絮凝剂，并与超声方法联合使用，对污水进行处理，解决了目前污水处理的二次污染和高成本问题，产生了较好的社会效益。实现了水资源的修复与循环利用、天然资源的开发与应用以及廉价高效进行污水处理等科技创新和技术进步。获授权发明专利 8 件，申请 PCT 发明专利 1 件；第三方检测结果；发表论文 20 余篇。进行了合成中试和推广试用。 成果的技术指标、创新性与先进性以天然产物海藻酸钠为基体，得到新型的改性海藻酸钠絮凝剂；在改性海藻酸纳分子中引入磁性纳米粒子基团，合成了具有磁响应性的纳米絮凝剂；对水中的重金属离子和有机杂质进行了吸附和絮凝作用研究。将絮凝技术与物理超声方法联合使用，将声空化效应运用到大容量废水处理中，设计并制备了新型动力式与压电式两种换能装置，用超声－臭氧-紫外联用技术对工业废水中的有机污染物进行去污处理，取得很好的效果。产品的吸附容量大、脱除率高、速度快，后处理容易，无二次污染，环境友好。对于含有重金属离子 Pb2+、Cu2+ 、Hg2+、Cd2+ 、 Fe3+、Ni2+ 的工业污水进行吸附实验，结果表明：对于重金属离子去除率大于 95%， 选择性吸附性能， Pb(II) ＞ Cu(II) ＞ Hg(II) ＞ Cd(II) ＞ Fe(III) ＞ Ni(II) ＞Cr（VI）。 

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；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.）致癌性预测服务器首页致癌性预测结果页相关综述对本服务器的介绍RF-hERG-Score预测药物引起的hERG相关心脏毒性2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。特异性重打分函数显著虚拟筛选性能显著较高筛选出两个候选抑制剂3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。lncRNA-蛋白质相互作用预测模型的性能比较lncRNA-蛋白质相互作用预测服务器相关软件著作权：

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。 成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；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.） 致癌性预测服务器首页 致癌性预测结果页 相关综述对本服务器的介绍 RF-hERG-Score预测药物引起的hERG相关心脏毒性 2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。 特异性重打分函数显著虚拟筛选性能显著较高 筛选出两个候选抑制剂 3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。 lncRNA-蛋白质相互作用预测模型的性能比较 lncRNA-蛋白质相互作用预测服务器相关软件著作权：