针对现有多肽药物合成方法的缺点，发展了相变化多肽 合成法，使用多肽的收敛式合成路线研发出针对 II 型糖尿病的索马 鲁肽和利拉鲁肽；针对骨质疏松的 Abaloparatide、特立帕肽和鲑鱼 降钙素；针对前列腺癌的曲普瑞林、地加瑞克和 PSMA-617；针对特 发性便秘的利那洛肽和普卡那肽；还有比伐卢定、阿托西班、特利加 压素、去氨加压素等多肽药物的全新制备工艺。

本项目提供了一种靶向肝癌细胞的纳米药物（LTAG-NPs）。该药 物以天然多糖搭载临床广泛使用的铂类抗癌药物，具有合成简便，成 分友好的特点，通过与肝（癌）细胞发生特异性结合，实现肝癌靶向 效果。药物在肝部高效富集并在肿瘤细胞中释药。因此，LTAG-NPs 在有效抑制肿瘤生长的同时，明显降低传统化疗药物强烈的毒副作用， 提高患者顺从度和安全性。具有较高临床应用价值和转化前景。 体外释药实验表明，在肿瘤细胞环境下，LTAG-NPs 4 小时释放 药物超过 20%，6 天药物全部释放，既在 6 天内缓慢持续释药；药物 代谢实验证明，LTAG-NPs 在注射小鼠体内 24 h 后仍保持较高药物 浓度，具有血液长循环效果；生物分布实验证明，纳米药物在肝部的 富集是传统化疗药物的 5-6 倍，明显降低了在肾脏的积累；对于同时 种有肝异位瘤和肺异位瘤的小鼠，LTAG-NPs 在肝异位瘤的富集量为 肺异位瘤的 2.5 倍，说明具有优异的肝肿瘤靶向能力。体内抑瘤实验 证明，纳米药物具有与传统化疗药物相当的抑瘤效果但毒副作用明显 降低，尤其是明显降低了肾毒性。大剂量注射传统化疗药物的小鼠在 5 天内全部死亡，而纳米药物组则保持存活率 100%，且小鼠体重稳 步上升，体征良好。 以上动物实验全部由医院完成并进行相关评价

目前肿瘤化疗仍是大多数癌症患者不可缺少的治疗方法，但是化疗药物往往缺乏选择性，而且肿瘤细胞容易产生多药耐药性，严重影响化疗的效果。因此，研究可逆转肿瘤多药耐药性的功能性药物输送系统在提高化疗药物药效、降低毒副作用等方面将具有广阔的应用前景。纳米药物载体，如脂质体封装的抗癌药物在临床前和临床实验中已被证实能够通过降低毒性和增强疗效来提高治疗指数。然而，传统脂质体存在载药量低（一般<10%）、稳定性差、药物容易泄漏等问题，导致治疗效果不理想，并且容易引发机体的毒副作用。

放射性药物是可用于诊断或治疗目的的药物，由放射性同位素与有机分子键合组成。有机分子将放射性同位素传递至特定的器官、组织或细胞。 ​ 根据特性选择放射性同位素发射穿透伽马射线的放射性同位素用于诊断（成像），发出的辐射脱离身体后被特定仪器（SPECT / PET相机）检测到。通常，用于成像的同位素产生的辐射在1天后通过放射性衰变和正常的身体排泄完全消除。最常见的用于成像的同位素是：99mTc、I123、I131、Tl201、In111和F18。 ​ 发射短程粒子（α或β）的放射性同位素用于治疗，因为它们能够在非常短的距离内失去所有能量，因此产生大量局部伤害（例如细胞破坏）。该特性用于治疗目的：破坏癌细胞，骨癌或关节炎的姑息治疗中减缓疼痛。这类同位素在体内的停留时间比成像同位素更长；用来提高治疗效率，但仍然限制在几天内。最常见的治疗同位素是：I131、Y90、Rh188和Lu177。 ​ 放射性药物的工作原理是：基于使用分子“出租车”，将受控剂量的放射性活度特异性地传递至目标患病组织（通常是癌细胞），以便根据所用放射性核素的类型可视化（诊断）或治愈（治疗）组织。放射性药物通常包含负责将放射性核素引导至目标组织的生物载体（抗体、肽等）。双功能螯合剂牢固地抓住放射性核素并确保与生物载体之间的牢固结合。

本发明（小试阶段）采用的技术方案是：将野生型酿酒酵母细胞内的分子伴侣SSA1基因编码的第483位亮氨酸突变为色氨酸，得到基因突变型SSA1-YS1酵母细胞；然后经SSA1-YS1酵母细胞的活化；初始OD值的调试；制备筛选待测药物检测溶液；从第一天起，隔天提取适量SSA1-YS1酵母细胞悬液稀释后平板涂布；置于24℃恒温培养箱中培养3天，再转入4℃冰箱中培养7天，观察SSA1-YS1酵母细胞的颜色。 将野生型酿酒酵母细胞内的分子伴侣SSA1基因编码的第483位亮氨酸突变为色氨酸，得到基因突变型SSA1-YS1酵母细胞；然后经SSA1-YS1酵母细胞的活化；初始OD值的调试；制备筛选待测药物检测溶液；从第一天起，隔天提取适量SSA1-YS1酵母细胞悬液稀释后平板涂布；置于24℃恒温培养箱中培养3天，再转入4℃冰箱中培养7天，观察SSA1-YS1酵母细胞的颜色。

索非布韦（又译为索氟布韦，英文名 Sofosbuvir，CAS：1190307- 88-0）是全球首个丙型肝炎病毒(HCV)NS5B 聚合酶核苷酸类似物抑 制剂，用于治疗慢性丙型肝炎，目前国外已有产品在销售，且利润可 观。国内还没有此类药物，本项目具有重大的发展前景。 采用本课题组开发的新型氟取代反应，设计和开发了一条经济、 绿色和环保的具有巨大临床价值和市场价值抗丙肝药物索非布韦及 其关键含氟医药中间体的制备工艺。本项目的目的是对本课题组开发 的新颖制备工艺进行中试放大研究，进而实现商业化规模制备，从而 产生良好的社会效益和经济效益。 依托南开大学化学院良好的科研平台，以及本课题组多年积累的 有机氟化学及合成有机化学的基础研究成果，我们对具有巨大临床价 值和市场价值的抗丙肝新药索非布韦及其关键含氟中间体的制备工 艺进行优化。小试规模研究结果表明，本制备工艺能以良好的经济性、 兼顾环保、安全等考量获得预期质量要求的目标产品。后期通过小试 放大研究、中试研究和商业化生产确认等产业化开发程序。 

在有机合成上，药物导向的有机合成，特别是快速、有效地合成高光学纯度的具有药物或生物活性的有机分子一直是一种挑战性的工作。因此，尽管在药物为导向的手性合成领域有很大的创新要求，但是到目前为止，有效的合成方法的发展及最终应用于新型药物的发现仍然是稀少的。神经炎症治疗有关的抗炎解热药物目前在临床上是一种重要而且昂贵的药物，对它的有效使用已经作为一种治疗策略去治疗伴有神经炎症的脑部疾病。例如：阿兹海默氏症(P.Eikelenboom，E.van Exel，J.J.Hoozemans，R.Veerhuis，A

项目背景：1.夹层玻璃是由两片或多片玻璃，之间夹了一层 或多层有 PVB 膜，经过特殊的高温预压及高温高压工艺处理后， 使玻璃和中间膜永久粘合为一体的复合玻璃产品。2.夹胶玻璃因 其所具有的安全性、防盗性、隔音型、防紫外线、节能等性能广 泛应用于国内外汽车安全玻璃、建筑安全玻璃、太阳能光伏等领 域。 所需技术需求简要描述：1.PVB 膜片：①汽车前挡风玻璃用 夹层 PVB 膜的抗穿透性。试样规格 2mm 玻璃+0.76mm 胶片+2mm 玻 璃，300mm*300mm.用 2260 克的钢球在一定高度自由落体砸玻璃， 目前可以承受 3.5 米高度，目标需求胶片可以承受 4.2 米高度； ②汽车前挡风玻璃用夹层 PVB 膜的低温抗冲击性。试样规格 2mm 玻璃+0.76mm 胶片+2mm 玻璃，尺寸 300mm*300mm，在零下 20 摄 氏度条件下，用 227 克钢球在一定高度以自由落体方式砸玻璃， 目标需求可以承受 11 米高度。2.聚乙烯醇缩丁醛“PVB”：聚乙 烯醇缩丁醛的生产过程中第一步 PVA+丁醛的缩合反应，目前是 采用盐酸作为催化剂。寻找替代盐酸的催化剂或者无催化剂的方 法，要求替代材料低成本且无污染。  对技术提供方的要求:具有开展项目研发的能力及人员设备支持，以及验证和判断的科研能力，能够提供完整的解决方案。 

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：