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：

本发明公开了一种制备胶体金标记的装载有PD药物的纳米脂质体的方法。将卵磷脂；胆固醇乙醇溶液在特定条件下分散到含胶体金和左旋多巴或金刚烷胺PD治疗药物的PBS溶液中，再将该溶液置于水浴中搅拌，乙醇挥发完全之后适当超声制备而成。所制备的胶体金标记的装载PD药物纳米脂质体粒径小、稳定性好，且有金定位标记，可增加PD药物的稳定性，提高生物利用率，同时减少药物用量，降低毒性。制备方法操作简便，反应易控制。产物可用于研究纳米左旋多巴或金刚烷胺脂质体的给药效果，改善左旋多巴或金刚烷胺的毒副作用，增强脑靶向性，还可作为一种探针用于研究纳米脂质体的脑代谢途径。

一条具有靶向卵巢癌特性的多肽，利用噬菌体展示肽库技术于卵巢癌肿瘤模型体内筛选得到，其氨基酸序列为WSGPGVWGASVK。经鉴定此多肽不仅可区分卵巢癌细胞和正常细胞及卵巢癌细胞和其他癌症细胞进而与卵巢癌细胞特异性结合，并且可有效地被卵巢癌细胞内化，作为药物载体可提高药物的吸收率。此多肽在静脉注射入肿瘤模型体内后可有效地特异地富集于卵巢癌肿瘤区域，是一条全新的已证实其体内靶向能力的多肽，可作为一种构建靶向载体以传递抗癌药物的理想配体。

本发明提供了一种硫酸头孢喹诺的肺靶向PLGA微球制剂及其制备方法，制剂载药量 较高，包封率也大大提高，可以实现药物选择性集中于肺部，提高药效，减少毒副反应， 同时可实现药物在肺部缓慢释放，起到长效的作用。有效解决了我国对头孢喹诺及其制42 剂的研究开发相对较晚，与之相匹配的剂型种类较少，在体内半衰期较短，需要多次注 射给药等临床中的不便。

本发明属于医药学技术领域，具体涉及一种靶向硒醇抑制剂及其应用。本发明通过代谢组学和转录组学分析，研究抑制硒醇后胶质瘤细胞的氧化还原稳态、代谢稳态、细胞死亡模式和分子机制。包括ROS(活性氧)生成、GSH/GSSG(谷胱甘肽/还原型谷胱甘肽)代谢、脂质过氧化水平和细胞死亡标志物检测，进一步鉴定了抑制硒醇所触发的主要细胞死亡模式，并解析其是否涉及内质网应激及蛋白错误折叠等分子事件。基于这些研究结果，本发明进一步评估硒醇靶向治疗与现有化疗、放疗及免疫治疗的联合应用潜力，以优化治疗策略，提高胶质瘤患者的治疗响应率。

研究人员运用生物信息学分析叠加肝癌队列标本验证证实CACYBP在肝癌组织中高表达，且高表达CACYBP的肝癌病人总生存时间及无疾病进展时间更短，预后更差；而通过体外细胞实验及小鼠模型发现缺失CACYBP的肝癌细胞株在体内和体外的生长增殖能力显著减弱。为了研究CACYBP调控肝癌生长的分子机制，研究人员利用串联亲和纯化连用质谱技术，首次鉴定出环指蛋白41（RNF41）与CACYBP相互作用，并通过泛素化实验及放线菌酮追踪检测证实RNF41为CACYBP上游特异的E3泛素连接酶，在肝癌细胞中促进CACYBP的降解，且两者在肝癌组织中的表达呈显著负相关。进一步研究发现，CACYBP促进Ser10磷酸化使P27Kip1存留在胞浆中，从而加速细胞周期，促进肝癌细胞生长增殖，而RNF41对这一过程具有抑制作用。       该研究结合生物信息学分析、肝癌队列标本、细胞功能及分子机制验证，一方面揭示了CACYBP促进肝癌生长增殖的上下游分子机制，另一方面为开发新型肝癌诊疗靶点提供了理论依据。

团队对12例多灶肝癌患者的45个肿瘤样本及对应癌旁正常组织进行了全基因组测序、全外显子测序及RNA测序。研究发现同一患者的大癌灶和小癌灶的基因组特征存在极大的相似性，包括相同的HBV-DNA整合位点，相似的染色体结构变异、突变特征及拷贝数变化情况，提示12例多灶肝癌患者的大癌灶和小癌灶属于肝内转移瘤。该团队进一步分析45个癌灶的免疫微环境，发现同一患者中，与大癌灶相比，小癌灶具有更多的免疫细胞浸润，免疫活性刺激因子以及预测PD-1抗体治疗疗效的干扰素相关特征在小癌灶中表达上调。免疫相关通路在小癌灶中富集，而增殖及血管生成相关通路在大癌灶中更富集。此外，大部分小癌灶呈现sia分型中的“免疫反应亚型”。这些结果表明，同一肝癌患者的小癌灶比大癌灶具有更活跃的免疫状态。     为进一步探讨不同大小的癌灶对PD-1抗体治疗是否具有不同的治疗响应，该团队对8例接受PD-1抗体治疗的多灶肝癌患者全部癌灶的免疫治疗应答情况进行评估。结果发现其中5例多灶肝癌患者的大癌灶和小癌灶对PD-1抗体治疗存在混合反应，均体现为小癌灶具有更好的免疫治疗疗效——PD-1抗体治疗后，小癌灶平均缩小46.3%，而同一病例的大癌灶平均增加14.9%。

简介： 抗体药物是生物制药中复合增长率最高的，2019年全球研究抗体市场规模为34亿美元，预计在预测期内复合年增长率为6.2％。原研药二次改造获得成药性更好的药物分子（bio-better）是抗体和细胞因子药物研发的突破口。人工智能技术广泛应用在靶点筛选、分子进化、临床各阶段研究、产品上市后的活动中。 我们开发的智能抗体设计平台，包括 抗体序列注释分析、抗体翻译后修饰位点的预测、抗原线性表位预测、抗体结构的预测与优化、 抗体-抗原相互作用的预测、抗体分子的设计与改造。高效的完成抗体亲和力成熟、稳定性优化和人源化改造等。  优势： 1、研发成本节约3-5倍，时间节省5倍，筛选成功率提升6倍 2、可以帮助指导、设计实验，减少消耗，加快速度，提高准确率 3、计算方法已经得到了实验从正、反两方面的验证。 图1：深度学习算法预测蛋白质相互作用时界面氨基酸配对:成功率72.1% 图2：计算相互作用得到了实验从正、反两方面的验证

抗体药物是生物制药中复合增长率最高的，2019年全球研究抗体市场规模为34亿美元，预计在预测期内复合年增长率为6.2％。原研药二次改造获得成药性更好的药物分子（bio-better）是抗体和细胞因子药物研发的突破口。人工智能技术广泛应用在靶点筛选、分子进化、临床各阶段研究、产品上市后的活动中。我们开发的智能抗体设计平台，包括 抗体序列注释分析、抗体翻译后修饰位点的预测、抗原线性表位预测、抗体结构的预测与优化、 抗体-抗原相互作用的预测、抗体分子的设计与改造。高效的完成抗体亲和力成熟、稳定性优化和人源化改造等。 优势：1、研发成本节约3-5倍，时间节省5倍，筛选成功率提升6倍2、可以帮助指导、设计实验，减少消耗，加快速度，提高准确率3、计算方法已经得到了实验从正、反两方面的验证。