本技术成果是依托北理工空间生命创新团队，围绕抗体药物研发、抗体工程和个体化诊疗等领域中抗体蛋白测序的迫切需求，将高精度生物质谱仪器与计算生物学算法融合开发了无需细胞系或DNA而直接对抗体蛋白进行测序的技术，是具有全链条自主知识产权的新一代抗体测序技术。

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：

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。

相关专利提出了一种新型球囊，用于肺动脉扩张时，减少肺动脉损伤，炎症反应导致肺动脉再次狭窄或闭塞。

相关专利提出了一种新型球囊，用于肺动脉扩张时，减少肺动脉损伤，炎症反应导致肺动脉再次狭窄或闭塞。应用范围:该指引导管提出一种新型的球囊。该导管较以往的球囊功能更加多，不仅可以扩张肺动脉，同时还携带药物至病变肺动脉，抑制肺动脉的再次狭窄。目前市场未见类似产品。效益分析:本实用新型的目的在于提供一种新型的球囊。该球囊通过纳米技术将抑制炎症的药物附着于球囊表面。目前的球囊只能临时的扩张肺动脉。使用新型的球囊不仅可以扩张肺动脉，同时还有抑制肺动脉再次狭窄和闭塞的作用。

项目概况： 医药中间体是药品生产的重要原料，医药化合物也是构成新药的重要元素。与新型药 物有关的化合物和中间体的研发是新药开发的必不可少的环节，长期以来一直是各大制药厂 十分关注的课题。 制药厂或专业研究机构从事医药中间体和化合物的研发工作同样要经历启动、计划、 实施、收尾四个阶段，完全适合采用项目管理的方法进行管理。本课题研究医药中间体研发 课题项目管理的基本模式与方法，力图为委托企业研究总结一套行之有效的管理方法。此外， 还负责指导委托企业研发人员正确应用这套项目管理方法，为其培养合格的项目经理。

本实用新型公开了一种易挥发药物瓶瓶盖，涉及医疗用品领域，提供一种能够自动关闭的瓶盖。易挥发药物瓶瓶盖包括瓶盖主体、滑块、弹簧、密封垫和推杆；瓶盖主体上设置有药瓶连接结构，瓶盖主体内设置有棉签孔、滑块槽、弹簧孔和推杆槽；滑块槽一端设置有滑块槽斜面；弹簧孔与滑块槽同轴设置并与滑块槽连通；推杆槽由瓶盖主体表面延伸至滑块槽；棉签孔贯穿瓶盖主体并与滑块槽的带有滑块槽斜面一端相交；弹簧位于弹簧孔内；滑块位于滑块槽内，滑块一端设置有滑块斜面，滑块另一端插入弹簧孔并压紧弹簧；密封垫一面与滑块斜面连接，另一面与滑块槽斜面贴合；推杆穿过推杆槽并与滑块连接。本实用新型适用于安装在易挥发药物瓶上，例如安尔碘瓶。

本项目经过多轮反复筛选历时三年最终设计了100多种结构化合物，并确定了具有促成体神经发生高活性的新专利骨架。该类化合物在1mg/kg仍然有非常高的显著活性，可以通过药物刺激大脑海马区的神经细胞再生，替换死亡的神经元细胞功能，从而增强与海马区相关的学习和记忆能力。 一、项目分类 关键核心技术突破 二、技术分析 随着社会的发展，人口老龄化速度正在加快，早老性痴呆症的发病率在65岁左右的老年人中约占10％，或有6000多万人患有不同种类的痴呆症。目前治疗阿尔兹海默症的药物均无法延缓痴呆症的进展。任何一个能成功治疗阿兹海默疾病的药物至少获取200亿的利润。本项目经过多轮反复筛选历时三年最终设计了100多种结构化合物，并确定了具有促成体神经发生高活性的新专利骨架。该类化合物在1mg/kg仍然有非常高的显著活性，可以通过药物刺激大脑海马区的神经细胞再生，替换死亡的神经元细胞功能，从而增强与海马区相关的学习和记忆能力。 本项目的药物属于小分子，结构稳定，非常易于工业合成。本项目的候选药物是促进患者自身提高大脑区海马神经发生弥补受损神经元的缺失功能，因此在疗效上与单纯抑制或是提高神经递质类水平药物相比存在巨大竞争优势。预估计，随着时间的推移，该候选化合物上市后，可以取代这些药物的总市场的50%-70%。目前已经获得中国和美国发明专利授权。