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

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。

核苷是 DNA 或 RNA 的组成部分，荧光识别在核酸的研究中被广泛应用于荧光光谱法检测，其作为荧光探针的特性取决于可靠性和灵敏度。研究开发制备毒性低、量子产率高及灵敏度高的核苷类作为荧光探针的良好骨架，经过结构修饰的荧光核苷类似物不仅具备良好的发射性，还对周围微环境变化非常敏感。其结构与天然核苷极为相似，具有很好的生物兼容性，插入核酸序列后可代替天然核苷发挥正常的生物功能。

本发明属于钙钛矿结构环境协调性压电陶瓷领域，特别涉及一种铌酸钾钠-锆钛酸铋钠系无铅压电陶瓷，该无铅压电陶瓷由通式(1-x)(KuNav)NbO3-xBi0.5Na0.5Zr1-yTiyO3表示，式中，0＜x≤0.05, ?0≤y≤0.3，0.40≤u≤0.55，0.45≤v≤0.60，且u+?v=1。本发明提供的无铅压电陶瓷具有较高的压电性能，所用原料价格低廉，节约成本，有利于促进实用化进程，在工业生产中应用。

光电晶体及其器件作为激光技术的关键材料和器件，被诸多国家列为优先发展的技术领域。本项目在国家 863 计划、天津市重大科技攻关、国防科工局民口配套等项目支持下，瞄准国家需求，围绕产品化关键技术攻关，取得了以下主要科技创新： （1）自主设计基于经验数据库的智能计算机晶体生长自动控制系统，并开发了晶体生长成套装备，应用于多种晶体生长，得到批量推广应用。 （2）发展了两种非固液同成分共熔配比晶体的制备方法，实现了 SLN 晶体和 SLT 晶体的批量、廉价制备。 （3）开发了宽温度范围工作铌酸锂电光调 Q 晶体及电光调 Q 开关，在-55℃～70℃温度区间稳定工作，大幅提高了军用激光系统的温度稳定性。（4）以高温度稳定性电光调 Q 开关为核心技术自主研发的系列高温度稳定性铌酸锂电光调 Q 激光系统，实现了批量生产和应用。 （5）开发了满足激光雷达等长期在线工作的低内电场铌酸锂电光调 Q 晶体和电光调 Q 开关。 （6）开发了高抗光损伤阈值的钽酸锂电光调 Q 晶体和电光调 Q开关，典型 1064nm 波段的激光损伤阈值比铌酸锂晶体提高两个数量级以上，且能够满足军工宽温度范围要求。

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：

本发明属于钙钛矿结构环境协调性压电陶瓷领域，特别涉及一种铌酸钾钠-锆钛酸铋钾/锂系无铅压电陶瓷，该无铅压电陶瓷由通式(1-x)K0.5Na0.5NbO3-xBi0.5M0.5Zr1-yTiyO3表示，式中，0＜x≤0.05，0≤y≤0.3，M为K或Li。本发明所述无铅压电陶瓷具有良好的压电和介电性能，所用原料价格相对低廉，不含贵金属或有毒金属原料。

α-酮戊二酸又称为α-胶酮酸；2-氧代戊二酸；α-羰基戊二酸；化学结构式为：分子式 ：C5H6O5 ；分子量146.10，外观为白色或类白色结晶粉末。是有机药物的中间体，特别是合成氨基酸及肽类的重要原料，是L-精氨酸-α-酮戊二酸（1：1），L-精氨酸-α-酮戊二酸（2：1）二水合物，L-鸟氨酸-α-酮戊二酸（1：1）二水合物，L-鸟氨酸-α-酮戊二酸（2：1）二水合物，α-酮戊二酸二甲酯，α-酮戊二酸单钾盐，α-酮戊二酸二钠盐，L-谷氨酰氨-α-酮戊二酸（1：1）等药物的必不可少的重要中间体，其作为合成氨基酸及肽类药物的原料，在医药工业上应用广泛，发展前途广阔。同时，它本身还是体格增强剂、生化试剂，测肝功能的配套试剂。因此，α-酮戊二酸的研究开发及推广应用是促进此类新型氨基酸药物发展的关键因素之一，具有重大意义。促进我国新型氨基酸药物的发展正是本项目的目的之所在。

丁二酸是重大的碳四平台化合物，目前石化法生产污染大，成本高，严重抑制了其应用发展规模。利用可再生资源厌氧发酵制备丁二酸具有反应条件温和、污染小、原子经济性高的特点，且可有效地实现温室气体CO2的循环利用，是高效的绿色生产技术。在“十一五”国家高技术研究发展计划（863计划）支持下，南京工业大学依托国家生化工程技术研究中心和江苏省工业生物技术重点实验室，在箘株选育、厌氧发酵工程、有机酸分离纯化等关键技术研究中取得了重大突破，丁二酸发酵浓度达到70g/L，质量收率达到70%，生产强度达到2.0g/(L•h)，提取收率达到85%，产品纯度达到聚合级的要求。目前生物法制备丁二酸的工艺成本低于石化法，具有了一定的竞争优势，研究水平处于国际先进、国内领先。与常茂生物化学工程股份有限公司合作，实现了丁二酸1000L发酵规模的中试生产，并正在建设500吨/年的生产线，为生物法制备丁二酸的产业化奠定了基础。与中石化北京化工研究院联合开发生物基PBS类聚酯的合成技术。研究表明，生物法制备丁二酸可直接达到聚合级要求，制备所得PBS类聚酯产品具有良好的生物可降解性。合作成果的应用对于加速PBS材料的应用与推广具有非常重要的意义。