抗癌药物的靶向选择性、低耐药性是目前抗癌药物深度研发的难点和瓶颈。本成果发明了一种靶向肿瘤标志蛋白的小分子多肽，其不仅呈现对已筛选的肝癌、乳腺癌、前列腺癌等细胞强的抑制和杀伤作用，尤其是对肝癌呈现强的细胞选择性，具有开发为国家注册一类原创新药的前景。相关工作与成果已申报国家发明专利，属于自主知识产权和原创研发。

上海理工大学能动学院教授杨其国科研团队及时开展“紧凑型传染性医废快速消杀技术和设备”课题研究。 这套系统最大的特点是就地、高效、环保，就像一座可移动的小型医废处理厂。装置采用撬装车载式结构，通过技术创新，把燃烧、除尘、烟气净化等关键技术集成在车辆上，深度开发后可以建成智能化系统，使传染性医废能够在医院就地、及时、安全处理掉，综合效益得到很大的提升 这套新型处置系统的个头虽然小，能力却很强。设备的设计处理能力为100kg/h，可满足类似武汉雷神山医院1500张床位产生的大量传染性医疗废物处置需求等场合，还可以根据不同规模医院的需求进行“定制化”设计，形成系列产品。 杨其国教授团队在系统设计中，聚焦低能耗、高效率，采用了分段送风的回转窑二燃室焚烧、碳化硅板式换热器余热回收、弱碱液喷雾急冷、活性炭/消石灰喷射、布袋除尘、喷淋洗涤除酸及深度除尘、丝网除雾消白的技术路线，实现处置彻底、排放达标。

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：

研发阶段/n一种缺失gG和TK基因的重组牛传染性鼻气管炎病毒和应用。　　成果简介：本研究通过定向基因缺失技术将牛传染性鼻气管炎病毒的毒力基因TK和必需基因gG缺失，得到了牛传染性鼻气管炎的gG和TK双基因缺失突变株。疫苗免疫是防治牛传染性鼻气管炎的根本措施，灭活疫苗不能区分野毒感染和疫苗免疫牛，弱毒疫苗有残余毒力和返强风险，本研究获得的牛传染性鼻气管炎的gG和TK双基因缺失突变株，可区分野毒感染牛和疫苗免疫牛，是血清学“标志”疫苗，为我国牛传染性鼻气管炎根除计划提供了技术支撑。　　应用前景：目前我国

成果介绍超材料(Metamaterial),或其二维形式—超表面(Metasurface)由具有亚波长尺寸的人工原子周期或者非周期地排列而成,其描述方式可分为等效媒质和空间编码两种形式。由等效媒质描述的超材料(或超表面)我们称之为新型人工电磁媒质,由空间编码描述的超材料(超表面)我们称之为编码超材料(超表面)和数字超材料(超表面)。对于新型人工电磁媒质,人们通过自由设计单元结构、单元排列方式、以及单元各向异性,可以根据意愿控制等效媒质的媒质参数,实现自然界中不存在或者很难实现的介电常数和/或磁导率,进而控制电磁波。本成果对于新型人工电磁媒质对电磁波的调控作用,例如隐身衣、电磁黑洞、雷达幻觉器件、远场超分辨率成像透镜、新型透镜天线、隐身表面、极化转换器、人工表面等离激元器件及混合集成电路等。技术创新点及参数对于编码和数字超材料(超表面),我们提出基于空间编码调控电磁波的新思路。其中,一比特编码超材料选用相位差接近180度的两种基本单元(记为0单元和1单元),按照一定规律排列0和1单元构成超材料,以实现所需的设计功能。当电磁编码采用FPGA控制时,可实现现场可编程超材料,即单一的超材料在FPGA的实时控制下可实现多种功能(例如单波束、多波束、波束扫描、隐身功能等)。市场前景本成果获得国家自然科学二等奖。该项目突破传统模拟超材料的等效媒质表征方法，创造性地提出用 0 和 1 表征的数字超材料，建了数字编码和现场可编程超材料新体系；在国际上率先从微波传输线的角度研究人工 SPP 超材料，提出一种性能优越的超薄、可共形 SPP 传输线，开辟了基于 SPP 模式的微波领域新分支，实现了超材料研究从跟跑、并跑变成走在世界前列的跨越。