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：

       成熟度：技术突破         多孔有机聚合物是一类新兴的功能性高分子材料，相比传统高分子交联树脂，其具有类似无机分子筛的微孔，具有更高的官能团密度，已被广泛用于储存、分离或催化等领域。然而当前许多性能优良的多孔有机聚合物成本过高，严重制约着其实际应用。我们合成的价格低廉且性能优秀的多孔有机聚合物，其性能与当前典型多孔有机聚合物相当，而价格为它们的几十分之一或几百分之一，目前在储存氨气、分离二氧化碳及分离水中污染物（如硼酸，Hg2+等）等方面已完成实验室测试，这些成果将为多孔有机聚合物的真正应用打开通道。         意向开展成果转化的前提条件：中试放大及产业化工艺开发资金支持

本索拉非尼 (sorafenib) 是一种新颖的二芳基脲化合物，由Bayer和Onyx公司共同开发，于 2005年12月获美国FDA批准。索拉非尼是首个口服多激酶抑制剂，靶向作用于肿瘤细胞以及肿 瘤血管内丝氨酸/苏氨酸激酶受体和酪氨酸激酶受体。它适应晚期肾细胞癌的治疗，是少有的 晚期癌症治疗药物，被称为重磅级药物。所开发的索拉非尼合成路线，所有原材料都立足于国内，反应步骤简洁，操作简便，无昂 贵的辅助试剂，易于规模化生产。

本索拉非尼 (sorafenib) 是一种新颖的二芳基脲化合物，由Bayer和Onyx公司共同开发，于 2005年12月获美国FDA批准。索拉非尼是首个口服多激酶抑制剂，靶向作用于肿瘤细胞以及肿 瘤血管内丝氨酸/苏氨酸激酶受体和酪氨酸激酶受体。它适应晚期肾细胞癌的治疗，是少有的 晚期癌症治疗药物，被称为重磅级药物。所开发的索拉非尼合成路线，所有原材料都立足于国内，反应步骤简洁，操作简便，无昂 贵的辅助试剂，易于规模化生产。

安贝生坦 (ambrisentan) 是由美国Gilead Science公司开发的一种内皮素受体拮抗剂，该药物 以S-活性构型于2007年6月获得美国FDA批准上市，商品名为Letairis，口服用于治疗肺动脉高血 压。它是继波生坦和西他生坦之后第三个上市的内皮素受体拮抗剂，具有治疗效果好、安全性 高、药物相互作用少、给药方式简便等优点，已经成为该类药的重点产品。 华东理工大学近年来成功开发了安贝生坦合成工艺，做到工艺简便、收率高。所开发的安贝生坦合成路线，所有原材料都立足于国内，反应步骤简洁，操作简便，无昂 贵的辅助试剂，易于规模化生产。

本发明公开了一种可控药物释放的纳米药物载体粒子，所述粒子具有核壳型结构，最内层为表面介孔并且中空结构的金纳米笼(1)，所述金纳米笼(1)表面修饰一层带有正电的聚合物PAH层(2)，所述聚合物PAH层(2)的外表面包裹层具有pH敏感型的脂质体层(3)。当在pH、光照的外界激励触发下，门控由“关”转为“开”的状态，从而释放出药物分子。这种载体粒子能有效地提高癌症化疗的效率。

本发明公开了一种有机膨润土合成-废水处理一体化方法。它的步骤为:1)将干燥、粉碎的20～100目膨润土原土和季铵盐阳离子表面活性剂直接投加到待处理有机废水中,膨润土原土用量与待处理有机废水量比例为1∶50～1∶5000;2)快速搅拌10～30分钟;3)反应产物在沉淀池停留10～60分钟,土-水固液分离,废水达标后排放。本方法省略了有机膨润土制备的整套工序,减少了膨润土合成设备投资和运行费用,节约能源和水资源,消除了有机膨润土制备和使用过程中表面活性剂的二次污染;废水处理流程简单,操作方便,缩短了废水处理时间,吸附去除有机污染物的效率优于传统方法制备的有机膨润土,显著降低废水处理的成本,易于推广使用。

本发明涉及一种有机功能介孔氧化硅的合成方法。该方法以三乙氧基硅烷与三烷氧基有机硅烷偶联剂作为硅源，以聚环氧乙烷?聚环氧丙烷?聚环氧乙烷三嵌段共聚物（Ｐ１２３）作为表面活性剂，在酸性条件下通过共聚法一步将有机功能基团耦合到有序介孔氧化硅中，得到了功能化程度远远大于传统共聚法接枝率的有机功能化介孔氧化硅。在反应过程中，通过控制有机硅烷偶联剂与三乙氧基硅烷的加入量比例可调控介孔氧化硅的功能化程度及孔道的有序度。

润滑脂是重要的工业润滑剂，不仅能满足一般 的润滑要求，而且还具有良好的极压、抗磨和密封 性能，被广泛应用于钢铁、汽车、航空航天和军事 等工业。复合锂基润滑脂是由12-羟基硬脂酸与二 元酸的复合锂皂作为稠化剂制成的一类高性能润滑 脂产品，具有优良的机械安定性，轴承漏失量少， 出色的抗水防锈和氧化安定性。采用邻苯二甲酸二 辛酯等为润滑脂基础油，充分利用酯油高低温性能 好、氧化稳定性高、润滑性能优异等特点；采用复 合锂基金属皂基进行一步法稠化，方法简单且能降 低生产能耗；产品具备良好的胶体安定性与机械安定性，所含有抗氧化剂赋予其在一定高温下工作的性 能，并且通过极压抗磨剂的加入使得复合锂基润滑脂组合物具备优异的极压抗磨性。 本技术成果可广泛应用在钢铁工业、汽车工业、工程机械领域中。目前已经在中山大学精细化工研究 院下设的实验室开展石化下游产品的研发工作；在中山大学惠州研究院设置了润滑与磨损研究中心开展相 应的润滑脂中试工作，已经完成的装置有2L的和8L的小试釜，建立了100L的反应釜，并且利用本研究研制 了一套具有自主产权的工业润滑脂研磨装备。