4月22日，清华大学药学院饶燏课题组与武汉大学宋保亮课题组合作在《药物化学杂志》（Journal of Medicinal Chemistry）发表题为“降解对比抑制：开发靶向3-羟基-3-甲基-戊二酰辅酶A还原酶的降解小分子”（Degradation Versus Inhibition: Development of Proteolysis-Targeting Chimeras for Overcoming Statin-Induced Compensatory Upregulation of 3-Hydroxy-3-methylglutaryl Coenzyme A Reductase）的研究论文。HMGCR（3-Hydroxy-3-methylglutaryl Coenzyme A Reductase）是胆固醇（cholesterol）合成途径中的限速酶，并且是经典的治疗血脂异常的药物靶点。它的抑制剂（statin,他汀类化合物）如阿伐他汀（atorvastatin,立普妥®，辉瑞）在临床被用于预防和治疗心血管疾病，并取得了极大的成功。但是有相当一部分人对他汀类药物不耐受，比如会发生骨骼肌损伤等较为严重的副作用，这有可能与服用他汀类药物后体内通过负反馈调节导致HMGCR补偿性表达升高有关。因而在该工作中，研究人员利用蛋白靶向降解嵌合体（Proteolysis-Targeting Chimera, PROTAC）的技术，对HMGCR在进行降解而起到抑制胆固醇合成作用的同时可以避免HMGCR的高表达，从而有望降低副作用。 图1.抑制剂与PROTAC对HMGCR的影响 在该工作中，研究人员首先筛选出SRD15细胞系作为细胞测试的基础，然后基于HMGCR的配体阿伐他汀和E3链接酶CRBN的配体泊马渡胺进行了一系列的构效关系研究，发现化合物P22A作为PROTAC具有较好地降解活性（DC50~100 nM）。相比之下，抑制剂阿伐他汀对HMGCR引起了明显的上调作用（图1）。 图2.抑制剂和PROTAC对LDLR和胆固醇的影响 接下来，研究人员通过一系列的生化和细胞生物学实验证实了PROTAC通过泛素-蛋白酶体系统发挥作用的机制；通过蛋白组学的研究发现抑制剂和PROTAC引起的组学应答也有很大不同。抑制剂和PROTAC对胆固醇合成抑制和通过SREBP通路引起的低密度脂蛋白受体（LDLR）表达水平上调的能力相当（图2）。 HMGCR是位于内质网上的八次跨膜蛋白, PROTAC对此类蛋白的降解能力往往有限，该工作首次证明利用PROTAC技术对内质网蛋白进行降解的可行性。另外，靶蛋白上调的现象还出现在很多其它的抑制剂中，该工作展示了面对此种情况时是PROTAC一个很好的应用场景。 宋保亮课题组博士生李美欣和饶燏组博士后杨毅庆为本工作共同第一作者，饶燏和宋保亮课题组罗婕为共同通讯作者。本研究得到了国家自然科学基金、清华-北大生命联合中心以及中国博士后基金的大力支持。 原文链接： https://pubs.acs.org/doi/10.1021/acs.jmedchem.0c00339

科研项目经费“包干制+负面清单”管理是指利用科技发展资金资助的科研项目，在财政科研经费总额不变、经费支出不违背“负面清单”的前提下，财政科研经费支出不设科目和比例限制，可根据项目研究实际需要自主决定项目经费支出的经费使用管理方式。

报道了pre-tRNA结合人源tRNA剪接内切酶 (tRNA splicing endonuclease, TSEN) 复合物处于“预催化”和“催化后”两种状态的高分辨率结构，结合体外生化，揭示了TSEN复合物识别和剪切pre-tRNA内含子的分子机理。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。