产品详细介绍HHL-1小试活化炉适用于炭化炉炭化后的物质，进行活化。一、技术参数：接线方式：三相四线  单相运转加热控制部分：电压380V  功率7.5KW   运转部分：0.2KW活化量：1-3KG二、测试方法：1、由操作人员安装，测试合格后，传动部分通电，试运行5分钟正常后，升温至500℃，保温30分钟。将炉温升到900℃保温10分钟，关机。2、添加符合要求的炭化料开机，将炉温升到300℃向炉内通入所需蒸汽，汽量按需求而定，然后将炉温升到900℃（升温时间为2-3小时）在900℃的活化时间按产品的要求而定（吸附值高，活化时间长，吸附值低，活化时间短），符合要求后，关闭加热系统，保持转速和蒸汽量，炉温降至500℃，关闭蒸汽，炉温降至300℃，关闭转动系统。炉温降至室温，取出样品，清理系统。3、准备下一个样品的操作

本发明属于医药技术领域，公开了从植物肉桂中分离提取的多种瑞诺烷二萜类化合物的活性及结构，提供了新瑞诺烷二萜化合物的分离制备方法。本发明揭示了该类化合物具有免疫抑制活性、昆虫拒食活性和生长抑制活性，其中具有免疫抑制活性的化合物表现为对ConA 诱导的 T 细胞增殖有显著抑制作用，昆虫拒食活性和生长抑制活性表现为对甜菜夜蛾幼虫有拒食活性、对棉铃虫幼虫有拒食活性和对棉铃虫幼虫有生长抑制作用。这些化合物可用于制备免疫抑制、对昆虫有拒食活性和生长抑制活性的药物。

本发明属于医药技术领域，公开了从植物肉桂中分离提取的多种瑞诺烷二萜类化合物的活性及结构，提供了新瑞诺烷二萜化合物的分离制备方法。本发明揭示了该类化合物具有免疫抑制活性、昆虫拒食活性和生长抑制活性，其中具有免疫抑制活性的化合物表现为对ConA 诱导的 T 细胞增殖有显著抑制作用，昆虫拒食活性和生长抑制活性表现为对甜菜夜蛾幼虫有拒食活性、对棉铃虫幼虫有拒食活性和对棉铃虫幼虫有生长抑制作用。这些化合物可用于制备免疫抑制、对昆虫有拒食活性和生长抑制活性的药物。

病毒的同源性包括基因组核苷酸序列的同源，也包括蛋白质氨基酸序列的同源。在序列比对方面，穿山甲冠状病毒与新冠病毒在氨基酸序列同源性方面超过90%的相似度。对于药物筛选来说，蛋白质氨基酸序列的同源性越高，意味着病毒生命活动的方式越相近，可以形象地理解为，两个病毒的“行为方式”非常一致。这种“行为方式”与新冠病毒极为相似的病毒，能不能替代新冠病毒用于药物筛选呢？童贻刚敏锐地意识到：如果可以，那么“筛药”工作将在针对新冠病毒的同时，也保障了实验的安全性，筛药工作将走出高安全等级实验室，走进普通P2实验室。

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：

本发明提供了一种高含油量花生的定向筛选方法，本发明利用在培养基中添加羟脯氨酸来筛选高含油量花生，在添加有羟脯氨酸的培养基中，耐脱水能力弱、一般含油量花生的细胞因失水而凋亡；耐脱水能力强、高含油量花生的细胞才能存活，凡是能在该培养基上成活和正常发育的花生细胞，其含油量必定是高的；凡是不能在该培养基上成活和正常发育的花生细胞，其含油量必定是低的；以此技术形成了高含油量花生的定向培育技术。本发明通过定向

利用目前已上市靶向抗癌药物索拉非尼（sorafenib）作为先导化合物，在分析其基本化学结构基础上，设计合成一系列结构类似的衍生物。通过系统的药理毒理学研究，对所合成的新化合物进行有目的筛选，从而发现新药，并对其进行系统的研究，目标是研制出具有自主知识产权的靶向抗癌新药。在未来的肿瘤治疗发展中，针对分子靶点的新一代抗肿瘤药物将凭借其特异性与靶向性，在抗癌治疗中将发挥重要作用。尤其是以酪氨酸激酶为靶点进行抗肿瘤药物的研发，具有十分广阔的前景。江苏省药物研究所原名南京药物研究所，始建于1962年7月，2006年12月整体划转南京工业大学，是具有独立法人资格的专门从事新药创新与开发研究的专业科研机构。至今共取得新药证书158份。江苏省药物研究所有限公司学科建设和科研设备齐全，以江苏省药物研究所为依托的“江苏省药物安全性评价中心”、“江苏省动物质量检测站”、“江苏省药物新剂型研究与工程化服务技术中心”是江苏省“三药”示范工程的重点配套设施。我所长期服务于企业，已与江苏省恩华药业股份有限公司、江苏亚邦药业集团股份有限公司、江苏四环生物股份有限公司等多家上市公司结为校企联盟，具有良好的产学研合作基础与传统。

研发阶段/n（1）采用BHIA培养基从患病鱼体病灶处（或者从肝、脾、肾、腹水）分离病原菌，在初培养的基础，挑取单个菌落进行纯培养并快速鉴定其种类。（2）将分离菌株接种在盛有适宜的培养基的平板中，采用药物纸片检测分离菌株的药物敏感性，确定分离菌株的药物敏感谱。（3）参照日本化学疗法学会的试管法，在药物系列试管中测定抗生素类药物对分离致病菌的抑、杀菌浓度，根据不同种类的抗生素类药物对分离菌株的最小抑菌浓度（MIC）的大小，选择治疗疾病的适宜药物种类和剂量用药。应用前景：适用于全国各地的海、淡水水产养殖区

活性氯化亚铜为白色立体晶体，微溶于水，溶于浓盐酸和氨水中生成络合物，不溶于稀盐酸及乙醇中，在干燥空气中稳定。在热水中迅速水解生成氯化铜水合物而呈红色。活性氯化亚铜主要用于染料工业，有机合成，硅化物，石油化工等生产中作缩合剂，催化剂，还原剂等，还用于杀虫剂，防腐剂及冶金，电镀，医药，电池等制造中。 传统的生产方法中一般是以金属铜粉或铜作为原料，首先制成硫酸铜，再进一步制成氯化亚铜，受到原料来源及价格的限制，使生产成本高，产量低，市场供应紧张。本研究是以低品味铜为原料，经焙烧，浸取转化，首先将矿石中的铜与其它成分分离，并制成纯净的硫酸铜或氯化铜溶液，再加食盐，加入亚硫酸盐进行还原，生产氯化亚铜沉淀，用乙醇洗涤，真空干燥，即得产品。 根据初步预算，年产2000吨活性氯化亚铜的生产装置，总建设投资为500万元，年产值4000－4200万元，生产成本3000万元，年利税收入1000－1200万元，产品市场行情及应用前景十分看好。