该技术利用具有自主知识产权的四甲基吡嗪高产枯草杆菌，通过有效的发酵 控制策略，提高四甲基吡嗪内源前体乙偶姻的积累，并建立了乙偶姻发酵偶联四甲基吡嗪非酶促合成的两步法工艺，四甲基吡嗪生产水平达到目前国际领先水平；采用减压蒸发、低温结晶等技术方式对四甲基吡嗪进行提取纯化；所得产品具有天然等同度，并在产品纯度、风味贡献度等方面相比化学合成四甲基吡嗪具有明显优越性。 创新要点 采用的四甲基吡嗪高产菌株具有自主知识产权；四甲基吡嗪两步法工艺具有工艺简单、成本低廉、环境友好等特性。 

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：

MPL®是 Corixa 公司商业化生产的的疫苗佐剂，在欧洲和澳大利亚应用于临 床实验。研究表明，MPL®只能激活 TLR4-TRAM-TRIF 信号转导途径，而不能激活 TLR4-Mal-MyD88 信号转导途径[34]，因此只会诱导产生适量的细胞因子，而不引发严重的炎症反应。除 MPL®外，其它结构类脂 A 分子，如单磷酸类脂 A（MPLA），也能在降低自身毒性的同时保留免疫刺激能力，因此开发类脂 A 疫苗佐剂成为近 几年研究的热点。 本实验室利用染色体基因敲除和整合技术，构建一系列能合成不同结构类脂 A分子的大肠杆菌基因工程菌。其中HW001菌株能产生可用于疫苗佐剂的M-MPLA， 通过 TLC 及 ESI/MS 鉴定，该菌株可合成单一的 MPLA 结构，在 LPS 免疫功能中起着重要作用。具有重要的应用前景，生产方法简单，利用简单的培养基即可实现M-MPLA 的大量生产。此外，本实验室具有成熟的 M-MPLA 提纯工艺，可实现从菌株、发酵到纯化整个工艺的转让。

菌种来源于传统食品，鉴定为枯草芽孢杆菌，无安全性风险；发酵原料以农副产品为主，资源丰富，成本低；发酵周期短，能耗少，工艺相对简单；发酵菌株基因工程菌已构建成功，产酶水平提高潜力巨大；二次膜过滤组合步骤提取，收率高，步骤简化，废水排放少。最适 pH 在 8～10，最适温度 55℃；具备与碱性蛋白酶、胰蛋白酶、木瓜蛋白酶、菠萝蛋白酶、中性蛋白酶的良好匹配特性 创新要点 无酸性蛋白酶活性，而中性和碱性内切型蛋白酶的活性很低；；与 ProteAX酶同样酶单位加量下比较，Zj016 氨肽酶水解后的小肽含量更高，水解更加彻底。 

本发明公开了一株产胞外多糖的植物乳杆菌，其分类命名为Lactobacillus plantarum，菌株号为LCC?605，已保藏于中国典型培养物保藏中心，保藏编号为CCTCC M 2016491，保藏日期为2016年9月18号。与现有菌株相比，本发明的植物乳杆菌LCC?605所产胞外多糖首次发现能自组装形成纳米颗粒，且吸附重金属与亚甲基蓝能力最强，对亚甲基蓝、Pb2+、Cd2+和Cu2+的吸附量分别为3029mg/g、1513mg/g、2097mg/g和2987mg/g，可用于生物修复以治理环境中

本发明公开了一种蜡样芽孢杆菌、其筛选方法、制剂及应用。所述蜡样芽孢杆菌，具有高效土霉素降解能力，按照如下方法筛选：(1)取受土霉素污染的猪粪菌悬液，在含有 400μg/ml 至 500μg/ml 的放线菌酮的培养基中培养出细菌单菌落；(2)不断提高培养基中土霉素的浓度，保留能适应的细菌单菌落；(3)将上述细菌单菌落，加入无机盐培养基培养，不断提高土霉素浓度，保藏土霉素降解率不低于 50％且 OD600 不低于 0.2 的细菌。所述制剂包括质量比例为 1：4 至 1：5的所述芽孢杆菌干粉和有机基质。所

1.痛点问题 表面活性素是一种枯草芽孢杆菌脂肽，分子结构含7个氨基酸环肽及13-16个碳链长度的脂肪酸，作为脂肽家族生物表面活性剂的代表性分子，具有优异的表面/界面活性、稳定性及抑菌、杀虫等性能。因此，其在石油开采、工农业、医药、日化等领域展现出了非常广阔的应用前景。 但发酵产率低严重制约了表面活性素的工业化生产和应用。研究表明，野生菌株的产量通常为1g/L以下。培养基和培养条件优化后，产量提高也很有限。菌株的基因工程改造方面也比较困难。表面活性素（脂肽）合成机制为特殊的非核糖体肽合成机制，基因簇很大，长度达到26Kb以上。因此很难实现异源表达，只能进行基因组原位突变改造。其分子结构中既包含氨基酸、也包括脂肪酸，因此代谢途径也很复杂。此外，发酵培养过程中，严重的起泡和泡沫溢出问题也制约了工业化的进程。 2.解决方案 化工系于慧敏教授团队从南海底泥等特殊环境中筛选获得了产表面活性素野生枯草芽孢杆菌，进一步采用原位编辑超强启动子工程、特点氨基酸和脂肪酸代谢工程和营养细胞-芽孢调控综合策略，成功构建高产表面活性素的无休眠枯草芽孢杆菌超级细胞工厂，并进一步打通了高产表面活性素新工艺，获得了表面活性素液体和粉末产品。 3.合作需求 本项目寻求有志于在石油开采、工农业、日化洗涤等不同应用领域进行脂肽（表面活性素）新产品开发的企业开展合作，尤其是在上述不同领域具有孵化资源或资金，在工程化、产品化所需的场地、实验条件等方面具有生产和销售优势或经验的企业。也寻求对不同应用场景具有共同开发兴趣的企业开展技术合作。最后，也希望与一些高科技园区进行对接，推动产品生产线建设。

中试阶段/n该成果属于兽用微生物添加剂制备技术应用领域，涉及一株缓解畜禽应激的枯草芽孢杆菌选育及应用。该发明从禽源分离筛选的对养殖动物常见肠道致病菌如金黄色葡萄球菌、大肠杆菌、沙门氏菌具有明显的抑菌效果的枯草芽孢杆菌（Bacillus subtilis）HDRaBS1。生物功能验证表明该菌株具有抗逆性强和抗应激等特点，可用于制备抗畜禽应激的微生物制剂，其中的制剂包括畜禽饲用微生物添加剂。还公开了该枯草芽孢杆菌HDRaBS1的分离鉴定方法及其在畜禽用单菌剂制备中的应用。

简介： 抗体药物是生物制药中复合增长率最高的，2019年全球研究抗体市场规模为34亿美元，预计在预测期内复合年增长率为6.2％。原研药二次改造获得成药性更好的药物分子（bio-better）是抗体和细胞因子药物研发的突破口。人工智能技术广泛应用在靶点筛选、分子进化、临床各阶段研究、产品上市后的活动中。 我们开发的智能抗体设计平台，包括 抗体序列注释分析、抗体翻译后修饰位点的预测、抗原线性表位预测、抗体结构的预测与优化、 抗体-抗原相互作用的预测、抗体分子的设计与改造。高效的完成抗体亲和力成熟、稳定性优化和人源化改造等。  优势： 1、研发成本节约3-5倍，时间节省5倍，筛选成功率提升6倍 2、可以帮助指导、设计实验，减少消耗，加快速度，提高准确率 3、计算方法已经得到了实验从正、反两方面的验证。 图1：深度学习算法预测蛋白质相互作用时界面氨基酸配对:成功率72.1% 图2：计算相互作用得到了实验从正、反两方面的验证