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：

目前用于空气过滤的净化材料，主要以丙纶、涤纶纤维无纺布为主，其微观结构是以直径为50~100nm 、长 10~20µm 的纤维组成多孔的纤维薄膜。对空气中悬浮颗粒（包含 PM2.5）的过滤净化主要是通过多层纤维进行阻隔，存在着过滤性能与透气性相矛盾的问题，且无法有效解决。本项目采 用涂装技术将多孔矿物材料、矿物纤维材料与 ePTFE 纤维进行了复合，在多孔纤维的结点上担载了一定量多孔矿物或矿物纤维作为吸附活性中心，制备出具有吸附功能的纤维过滤材料，可实现对微细、 超微细颗粒过滤的同时产生吸附作用，这样即使存在较大的孔隙也能产生良好的净化作用，可有效解 决过滤性能与透气性相矛盾的问题。经过检测，本项目所制备的样品对空气中微细、超微细颗粒（以PM2.5 为例）具有很强的去除功能，且透气性良好。

高压静电纺丝技术是一种自上而下 (top-down) 的纳米制造技术, 通过外加电场力克服喷头毛细管尖端液滴的液体表面张力和黏弹力而形成射流, 在静电斥力、库仑力和表面张力共同作用下，被雾化后的液体射流被高频弯曲、拉延、分裂，在几十毫秒内被牵伸千万倍，经溶剂挥发或熔体冷却在接收端得到纳米级纤维。该技术工艺过程简单、操控方便、选择材料范围广泛、可控性强、并且可以通过喷头设计制备具有微观结构特征的纳米纤维。 应用高压静电纺丝技术制备的纳米纤维膜，其表面积大、孔隙率高、并且具有三维立体连续网状结构等特征。结合聚合物基材的使用，电纺纳米纤维膜不仅仅可以有针对性地解决难溶药物溶解度问题，而且可以用于开发多种药物的速溶速效给药系统。可以根据用户需要进行各种药物速效给药系统的研制与开发

洪连，系藏族习用药材，为玄参科植物短筒兔耳草的干燥全草。本项目公开的藏药洪连提取物具有明显的抗病毒作用,以及保护肝细胞,降低血清中的谷丙转氨和谷草转氨酶的活性,从而改善和恢复肝功能的作用，故而该提取物可以用于制备抗病毒药物和保肝药物。同时,其原料来源丰富、价廉、萃取工艺简单,成本低,并可很方便地做成各种剂型，具有广阔的开发与应用前景。 

活性天然产物在合成化学发展、生物医学研究与创新药物发现中一直扮演着重要角色。过去三十年中，接近50%的新上市创新药物来源于天然产物或其衍生物。天然产物的衍生化对构效关系研究和药物活性优化至关重要，而直接通过选择性的官能团化对天然产物进行后期衍生改造无疑是最经济高效的方法。此外，对于天然产物的后期衍生化也有助于快速、有效地构造出化学探针，帮助开展化学生物学研究，揭示新的生物靶点和作用机制。  近年来，随着有机合成方法学与生物酶催化技术的蓬勃发展，涌现出很多在复杂底物上进行选择性官能团化的方法。这些方法极大地促进了天然产物“后期多样化衍生策略” (late-stage diversification)的发展。基于在天然产物后期多样化衍生方面的出色工作，近期雷晓光课题组在美国化学会旗舰期刊《ACS Central Science》上发表了两篇背靠背文章，详细阐述了“后期多样化衍生策略”在天然产物合成与创新药物研发中的应用。

用于耐药性结核病的治疗，为制备抗结核杆菌药物提供了一个新 的选择，解决了已有异烟肼衍生物不能有效抑制耐药性结核杆菌、易 引起肝损伤等问题，该衍生物在抑制耐药性结核杆菌活性方面高于异 烟肼，而且不易引起肝损伤。

在粘胶纤维行业，每天会产生大量高COD、高浊度的废碱液。目前企业一般是采用国外耐碱的有机纳滤膜技术对废碱液进行处理和回用，但存在工艺段被国外技术垄断、过程通量低且不稳定，膜材料寿命短且膜价格昂贵等问题。陶瓷纳滤膜由于其材料的固有稳定性，是解决这一问题的有效途径，在化纤碱液回用中有巨大的应用市场。本成果采用自主开发具有完全自主知识产权的陶瓷纳滤膜产品，在国内龙头企业三友化纤，建成首套陶瓷纳滤膜处理粘胶纤维碱液的工业化装置，具有能耗低、碱回收率高，运行稳定，使用寿命长

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。