本实用新型公开了一种方便转移细胞的细胞共培养培养瓶，培养瓶的瓶体被间隔部件分隔为两个培养室，每个培养室的侧壁上分别设置有培养瓶口，培养瓶口连接密封瓶口的密闭盖，所述间隔部件设置有可连通两个培养室的连通机构，所述连通机构设置可隔断两个培养室通路的封闭机关，所述培养室的侧壁上还设置有可改变培养室内部气压的变压部件，培养室的底面为双层结构，上层结构为位于培养室内的为弹性薄膜，下层结构为位于弹性薄膜下方的刚性支撑板，关闭密闭盖封闭瓶体，且培养室的变压部件使培养室内产生负压情况下，弹性薄膜隆起，在弹性薄膜和刚性支撑板之间形成封闭空腔。该细胞培养瓶能够实现细胞的共培养，同时方便转移瓶体内的细胞。

XM-846细胞膜放大模型   XM-846细胞膜放大模型示组成细胞膜中磷脂分子与蛋白质分子的排列和相互位置，示磷脂分子由球形的亲水极和两条曲折的疏水极组成，其亲水极分别朝向模型的上下面（细胞的内外面）并互相平行排列，曲折的疏水极相对排列在模型的中间，蛋白质分子以不规则团块表示，有的镶嵌在表层，有的贯穿内外两层磷脂分子，其分布应均匀。 尺寸：放大，31×16.5×17cm 材质：PVC材料

XM-846A细胞器放大模型   功能特点： ■ XM-846A细胞器放大模型由线粒体、叶绿体、高尔基体和中心粒4种细胞器组成。 ■ 线粒体示外膜、内膜、外室、内室、嵴、基粒等结构。 ■ 叶绿体示外膜、内膜、基质、基粒、基质片层、基粒片层等结构。 ■ 高尔基体示扁平囊泡、形成面、分泌面、大泡、小泡及自分泌面离去的分泌泡等。 ■ 中心粒示两个中心粒互成直角，九组微管环状排列，每组均由三个微管并排组成。 ■ 尺寸：放大，23×16×13cm ■ 材质：玻璃钢材料

XM-705B-1肾与肾上腺模型（1.5倍，带数字标识）   XM-705B-1带数字标识肾与肾上腺模型可拆分为2部件，显示了肾剖面的肾皮质、肾髓质、肾小盏、肾大盏、肾盂、输尿管以及肾动脉、肾静脉等结构，共有11个部位数字指示标志及对应文字说明。 尺寸：放大1.5倍，11×11×23cm 材质：PVC材料

XM-705B肾解剖附肾上腺模型   XM-705B肾解剖附肾上腺模型可拆分为2部件，显示肾的上、下两端、内外两缘及前后两面的外形特征，在肾的剖面上显示肾的皮质和髓质、肾锥体、肾乳头、肾柱、肾小盏、肾大盏、肾盂、肾上腺及部分肾动静脉分支、属支的断段，还显示输尿管的起始部，共有10个部位数字指示标志及对应文字说明。 尺寸：自然大，11×11×15cm 材质：PVC材料

XM-705B肾解剖附肾上腺模型   XM-705B肾解剖附肾上腺模型可拆分为2部件，显示肾的上、下两端、内外两缘及前后两面的外形特征，在肾的剖面上显示肾的皮质和髓质、肾锥体、肾乳头、肾柱、肾小盏、肾大盏、肾盂、肾上腺及部分肾动静脉分支、属支的断段，还显示输尿管的起始部，共有10个部位数字指示标志及对应文字说明。 尺寸：自然大，11×11×15cm 材质：PVC材料

本发明属于干细胞与生物技术领域，涉及间充质干细胞的新应用。携带miR-122的小鼠脂肪来源的间充质干细胞的构建方法，和携带miR-122的成人脂肪来源的间充质干细胞的构建方法。另外，本发明还提供了携带miR-122的脂肪来源的间充质干细胞用于制备治疗肝纤维化尤其是HBV病毒感染的肝纤维化治疗制剂应用。本发明较之未携带miR-122的普通间充质干细胞，可避免HBV对植入细胞的影响，更好地发挥干细胞疗效，进而更好地促进肝脏病理恢复，改善肝功能和全身状态，从而为临床治疗肝纤维化，特别是乙肝相关肝纤维化开辟细胞治疗的新途径。

本发明公开了肝细胞生长调节因子酪氨酸激酶底物(HGS)在预防和/或治疗 EV71 感染中的应用， 属于抗病毒药物领域。本发明通过将 HGS 蛋白加入到细胞中再加 EV71，检测&nb

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：