针对肿瘤缺氧所致PD-1抗体不敏感，本项目利用白蛋白及ROS响应链接子将PD-1抗体与富氧血红蛋白（Hb）及ATO包裹成纳米颗粒。 一、项目进展 创意计划阶段 二、负责人及成员 姓名 学院/所学专业 入学/毕业时间 张琰 第二临床医学院/临床医学 2019.9/2024.6 梁洛绮 第一临床医学院/临床医学 2018.9/2023.6 三、指导教师 姓名 学院/所学专业 职务/职称 研究方向 侯鹏 第一临床医学院 副主任/教授 肿瘤生物学 杨琪 第一临床医学院 副主任/副教授 肿瘤生物学 四、项目简介 目前，尽管晚期肿瘤免疫治疗取得巨大突破，仍有大量患者对PD-1抗体不敏感。主要原因是实体肿瘤灌注不良，缺氧、酸化，抑制免疫。阿托伐醌（ATO）为线粒体Complex III抑制剂，能有效降低组织氧耗改善缺氧，但生物利用率低毒性大，应用受限。针对肿瘤缺氧所致PD-1抗体不敏感，本项目利用白蛋白及ROS响应链接子将PD-1抗体与富氧血红蛋白（Hb）及ATO包裹成纳米颗粒。研究结果证实该颗粒能肿瘤局部富集，链接子遇肿瘤微环境高含量ROS解离释放Hb 、ATO及PD-1抗体，瘤细胞对ATO的利用提高，氧耗降低。此外，Hb氧递送实现多途径改善缺氧，显著提高PD-1抗体疗效，具有潜在医学转化价值。

多肽药物研发具有广阔的研究空间和市场应用前景。2015 年全球多肽药物市场为 175 亿美元，据预测，2015-2025 年年增长率为10.3%，到 2025 年全球多肽药物市场将增至 469 亿美元。随着多肽药物价格的平民化、蛋白相互作用新靶点以及替代传统注射给药的新型给药技术迅猛发展，多肽药物的临床应用范围将进一步得以拓展。然而，多肽药物工业化生产中存在合成步骤繁琐、成本高等一系列技术问题，导致药品价格昂贵，大大增加了医疗负担，严重影响了这些多肽新药投放市场的速度。而我国多肽药物产业与欧美相比还

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。

纳米氮化硼材料兼具氮化硼和纳米材料的双重优势，广泛应用于航空航天、高端电子散热材料、吸附剂、水净化、化妆品等领域。项目团队开发出一种能够实现形貌和尺寸均一且具有超大比表面积多孔氮化硼纳米纤维的规模化制备技术，目前市场尚未实现规模化生产。该技术合成工艺简单可控、成本低、过程绿色环保，处于国际领先地位。 1 产品的应用领域 图2 高性能氮化硼纳米纤维粉体 图3 氮化硼纳米纤维粉体微观形貌

产品特点 　　高纯纳米氧化铝通过等离子体气相燃烧法制备，纯度高、粒径小、分布均匀，比表面积大、表面干净，无残余杂质，松装密度低，易于分散，晶相稳定、硬度高、尺寸稳定性好，应用于各种塑料、橡胶、陶瓷产品的补强增韧，提高陶瓷的致密性、光洁度、冷热疲劳性、断裂韧性、抗蠕变性能和高分子材料产品的耐磨性能尤为**。由于纳米三氧化二铝也是性能优异的远红外发射材料，作为远红外发射和保温材料被应用于化纤产品和高压钠灯中。此外，α相氧化铝电阻率高，具有良好的绝缘性能，可应用于YGA激光晶的主要配件和集成电路基板中。 　　产品参数 产品名称 型号 平均粒度（nm) 纯度(%) 比表面积(m2/g) 松装密度(g/cm3) 晶型 颜色 纳米氧化铝 ZH-Al2O330N 30 99.9 63.67 0.12 α相 白色 纳米氧化铝 ZH-Al2O350N 50 99.9 55.46 0.19 α相 白色 纳米氧化铝 ZH-Al2O3100N 100 99.99 35.19 0.33 α相 白色 纳米氧化铝 ZH-Al2O3200N 200 99.99 23.18 0.56 α相 白色 加工定制 为客户提供定制颗粒大小和表面改性处理 　　产品应用 　　1、红宝石、蓝宝石的主成份皆为氧化铝，用高纯的纳米氧化铝粉做出来的产品，杂质少，色泽更亮，更均匀; 　　2、铝与空气中的氧气反应，生成一层致密的氧化铝薄膜覆盖在暴露于空气中铝表面; 　　3、铝为电和热的良导体。氧化铝的晶体形态因为硬度高，适合用作研磨材料及切割工具; 　　4、高纯纳米氧化铝粉末常用作色层分析的媒介物; 　　5、**度氧化铝陶瓷、C基板、封装材料、高纯坩埚、绕线轴、轰击靶、炉管;抛光材料、玻璃制品、金属制品、半导体材料、塑料、磁带、打磨带;涂料、橡胶、塑料耐磨增强材料、耐水材料;气相沉积材料、荧光材料、特种玻璃、复合材料和树脂材料;催化剂、催化载体、分析试剂; 　　6、高纯纳米氧化铝粉应用于照明：长余辉荧光粉原料及稀土三基色荧光粉原料，高压钠灯透光管,LED灯等。 　　产品表征 　　包装储存 　　本品为镀铝箔袋热封包装，密封保存于干燥、阴凉的环境中，不宜暴露空气中，防受潮发生氧化团聚，影响分散性能和使用效果;包装数量可以根据客户要求提供，分装。 　　技术咨询与索样 　　联系人：王经理(Mr.Wang) 　　电话：18133608898  微信：18133608898 QQ：3355407318 邮箱：sales@hfzhnano.com  

　产品特点 　　高纯纳米四氧化三钴通过等离子体气相燃烧法制备，纯度高、粒径小、分布均匀，比表面积大、表面干净，无残余杂质，松装密度低，易于分散。 　　产品参数 产品名称 型号 平均粒度（nm) 纯度(%) 比表面积(m2/g) 松装密度(g/cm3) 形貌 颜色 纳米氧化钴 ZH-Co3O450N 50 99.9 31.43 0.36 近球形 黑色 纳米氧化钴 ZH-Co3O4100N 100 99.9 25.79 0.45 近球形 黑色 纳米氧化钴 ZH-Co3O4500N 500 99.9 11.30 0.87 近球形 黑色 加工定制 为客户提供定制颗粒大小和表面改性处理 　　产品应用 　　1、高纯纳米四氧化三钴应用于催化剂上面：利用四氧化三钴纳米棒作催化剂，可将汽车尾气中的CO在低温下转化为CO2; 　　2、可用作颜料、釉料、氧化催化剂、分析试剂，也用于从镍中分离钴等; 　　3、高纯纳米四氧化三钴具有尖晶石晶体结构，是一种重要的磁性材料、P—型半导体，在异相催化、锂离子充电电池的材料、固态传感器、电致变色器件、太阳能吸收材料和颜料等方便的应用; 　　4、适用范围：压敏电阻、热敏电阻、氧化锌避雷器、显象管玻壳、锂离子电池等行业; 　　5、用作锂电子材料，用于氧化钴及钴盐的制备，用作高纯分析试剂、氧化钴及钴盐的制备，用作锂电子材料、氧化钴及钴盐的制备，用于电池材料、磁性材料、热敏电阻等; 也可用作催化剂机制作珐琅等。 　　包装储存 　　本品为充惰气塑料袋包装，密封保存于干燥、阴凉的环境中，不宜暴露空气中，防受潮发生氧化团聚，影响分散性能和使用效果;包装数量可以根据客户要求提供，分装。 　　技术咨询与索样 　　联系人：王经理(Mr.Wang) 　　电话：18133608898 0551-65110318 微信：18133608898 QQ：3355407318 邮箱：sales@hfzhnano.com  

目前主流的抗菌膜制备方法是在基膜表面接枝抗菌物质，常用的抗菌材料包括氧化石墨烯、碳纳米管、抗菌聚合物、金属离子等，但这些材料普遍存在着接枝方式复杂，且对环境有危害的缺陷。相比而言，季铵盐类抗菌剂具有抗菌效果好，环境友好等特点，目前水溶性的小分子或高分子季铵盐抗菌剂已经广泛应用于水处理、食品、医疗卫生和包装材料等领域。然而，将季铵化合物直接接枝到膜表面所制备的抗菌膜仍存在制备流程复杂，成本较高等问题，这也使得目前开发的大部分季铵盐功能膜无法大规模应用于实际水处理系统。因此，为解决以上问题，开发新型亲水抗菌功膜的制备方法是目前业内所亟需的。 本成果中提出的制备方法将氯甲基化聚合物制备为中空纤维多孔膜，并制作为管壳式膜组件，之后采用过滤操作模式直接将叔胺化合物接枝到组件中的中空纤维膜丝上，从而制备出具有优良抗菌性能的季铵化功能膜组件。该制备方法简单便捷，且接枝稳定性高，适合长期大规模应用于实际膜法水处理体系中，且制备的超滤膜具有良好的亲水性和抗菌性。抗菌膜制备简单便捷，常温常压过滤操作即可完成接枝，且接枝稳定性高，成本低，对水体中微生物去除率99.9%以上，尤其能抑制微生物在膜上（内外表面，孔道壁面）生长。 图1.性能参数

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：