非损伤微测技术（Non-invasive Micro-test Technology，NMT）源于美国MBL实验室（54位诺贝尔奖得主的摇篮），由神经学家Lionel F. Jaffe（美国扬格公司创始人之一）于1974年发明，2001年，美国扬格公司正式推出现代NMT。NMT是一种研究活体材料的底层核心技术，研究人员基于NMT能够建立自己独有的Me-Only 研究平台，从而获得极具创新的研究成果。         NMT可在不接触、不损伤样品的情况下，检测分子/离子进出生物活体的流速（流动速率和方向），可测样品种类繁多，小到菌、单细胞、液泡，大到组织、器官、整体都可检测。基于NMT商业化的设备统称为非损伤微测系统。         扬格/旭月的非损伤微测系统包含BIO系列、CONFLUX系列（共聚焦/荧光NMT）、NMT100系列、NMT200系列、NMT100S系列、NMT200S系列、NMT150系列、NMT活体工作站系列、NMT Physiolyzer®系列等，已发展至第七代自动化智能产品。扬格/旭月的NMT系统全部采用从美国扬格（旭月北京）研发中心自主研发的imFluxes智能操作软件，将十余年的NMT应用大数据与设备实现完美结合，并且在产品一体化、自动化、智能化、扩展升级等诸多方面都有大幅提升。         扬格/旭月已取得基于NMT的数十项专利及软件著作权，拥有完善的专利保护体系，所有产品全部通过中关村NMT联盟认证和ISO9001质量体系认证。扬格/旭月所销售的NMT专用耗材，已通过中关村NMT联盟认证，所有耗材是扬格/旭月研发中心结合十余年的经验、摸索并自主研发生产的。NMT专用耗材较传统的通用型耗材保质期更长，性能更稳定、可靠，所有对外销售的耗材全部经过严格的生产、检验流程。         扬格/旭月的NMT研究平台已经帮助国内外科研单位取得近百项各类专利，以及包含Nature、Cell在内的500多篇论文。同时，已销往欧洲的瑞士苏黎世大学（拥有包括爱因斯坦在内10余位诺贝尔奖得主），以及中国科学院、中国林科院、中国农科院、农业部下属的众多科研院所与高校，以及北大、上海交大等知名高校。 名称：NMT活体肿瘤工作站 代数：第七代 品牌：旭月 产地：中国 已获得认证：中关村NMT联盟认证，ISO9001国际质量体系认证 简介：NMT活体肿瘤工作站是一款针对活体肿瘤细胞/组织生理功能研究而特别设计的活体生理功能检测平台，可在保持肿瘤细胞/组织完整的情况下，检测进出样品内外的分子、离子的流速，反映肿瘤的实时生理状态，分辨率高达10-12 mol级别。能满足肿瘤靶向治疗、药物筛选、细胞凋亡等方向的临床与基础研究需求 1 活体、原位、非损伤测量 对整体或分离后的样品不造成损伤，获取正常生理状态下的信息。 2 无需标记 预先知道测定的是何种指标，无需用放射性、化学或药理学等标记方法，安全且环保。 3 不用提取样品 可直接检测，不需要研磨等传统的提取方法。 4 实时、动态检测 动态实时（最短在6秒左右）检测和获取数据。 5 长时间持续检测 可进行长达8个小时以上的实时和动态监测。 6 可测指标 采购相对应耗材后可单独检测H+、Cl-浓度和流速。 预留指标检测升级端口，可升级指标包含：IAA、O2、H2O2、Cd2+、Pb2+、Cu2+、Ca2+、K+、Na+、NH4+、NO3-、Mg2+的浓度和流速检测。 预留双指标检测升级端口，升级后可单独检测一种离子或分子，也可同时检测两种离子或一种离子与一种分子的浓度和流速，用于离子/分子相关性研究及更前沿的科研探索。 7 可测样品种类繁多 整体、器官、组织等都可以检测（理论值：150μm-10cm均可）。 8 自动化操作 X方向自动/手动操控传感器移动，Y、Z方向手动操控传感器移动。 9 数据采集方式 X方向一维数据采集。 型号 功能 可升级功能 NMT-LTP 1.标配两种指标：H+、Cl-。 2.操作方式：一维自动。 3.检测样品：可检测150μm-10cm样品。 4.数据：1D。可直接检测、输出流速和浓度数据。 5.检测方式：单传感器检测 6.异常报警：有 1.可升级指标：膜电势、IAA、O2、H2O2、Cd2+、Pb2+、Cu2+、Ca2+、K+、Na+、NH4+、NO3-、Mg2+。 2.可扩展：未来新研发指标可扩展升级。 3.操作方式：可升级至三维自动。 4.检测样品：检测样品尺寸为5μm-10cm。 5.可升级检测方式：单/双传感器检测可选。 6.数据：1D/3D可选。可直接检测、输出流速和浓度数据。                                                                                                                                                                    

YJ-0633A药物黏度测定仪 本仪器YJ-0633A药物黏度测定仪的制造符合中国药典2020年版0633黏度测定法所规定的技术要求，可以通用品氏和乌氏粘度计。本仪器专为粘度测试设计，由水槽和控制器两部分组成。粘度恒温槽提供一个稳定的温场和测试平台，此外仪器也可作为高精度浴槽，进行其它试验。本仪器的最大特点是：全喷塑处理，经久耐用；双层缸结构，高精度控温仪，控温准确。 主要功能特点 1、采用智能液晶显示温控仪，控温迅速，响应快，超调小，控温精度达±0.1℃。 2、采用硬质玻璃缸及保温外套缸（称双缸），保温性能好，试样观察清晰。 3、采用台式、一体机设计方式，仪器整体性好，使用方便。 4、带有线控计时按键，用于实验时的计时显示和控制。 5、采用电动搅拌装置，浴缸内的温度均匀。 6、制冷器与主机分离式设计，防止压缩机工作振动带来的粘度计测试误差。 二、主要技术参数 1、工作电源：   AC(220±10%)V，50Hz±5%。 2、加热功率：   1600W。 3、搅拌电机：   功率6W；转速 1200r/min。 4、测温范围：    10℃～180（选配制冷器后可实现制冷）5、控温精度：   ±0.1℃。 6、恒温浴：     容量，25L；形式，内外两层缸（双缸）。 7、使用环境：   环境温度-10℃～+35℃，相对湿度＜85％。 8、温度传感器： 工业铂电阻，其分度号为Pt100。 9、整机功耗：   不大于1800W。 10、毛细管粘度计：  4支（平氏或者乌氏客户可任选）11、外形尺寸：   530㎜×400㎜×670㎜ （长×宽×高，含浴缸等）。

多肽药物研发具有广阔的研究空间和市场应用前景。2015 年全球多肽药物市场为 175 亿美元，据预测，2015-2025 年年增长率为10.3%，到 2025 年全球多肽药物市场将增至 469 亿美元。随着多肽药物价格的平民化、蛋白相互作用新靶点以及替代传统注射给药的新型给药技术迅猛发展，多肽药物的临床应用范围将进一步得以拓展。然而，多肽药物工业化生产中存在合成步骤繁琐、成本高等一系列技术问题，导致药品价格昂贵，大大增加了医疗负担，严重影响了这些多肽新药投放市场的速度。而我国多肽药物产业与欧美相比还

复方凝乳酶胶囊被广泛用于治疗小儿消化不良、吐奶等消化道疾 病，这类药物几乎无副作用，但是复方凝乳酶胶囊存在着蛋白水解谱 窄、疗效慢，适应症少的缺点。前期，本课题组在青藏高原发现了一 种新型的、对 α 酪蛋白、β 酪蛋白、γ 酪蛋白都具有较强水解活性的 凝乳酶 YS-1，该凝乳酶在物化特性上与传统复方凝乳酶胶囊中的小 牛皱胃凝乳酶较为类似，但蛋白水解谱广，可用于替换小牛皱胃凝乳 酶，提高传统复方凝乳酶胶囊功效、扩大其适应症，尤其在婴儿促消 化、止吐奶方

目前肿瘤化疗仍是大多数癌症患者不可缺少的治疗方法，但是化疗药物往往缺乏选择性，而且肿瘤细胞容易产生多药耐药性，严重影响化疗的效果。因此，研究可逆转肿瘤多药耐药性的功能性药物输送系统在提高化疗药物药效、降低毒副作用等方面将具有广阔的应用前景。纳米药物载体，如脂质体封装的抗癌药物在临床前和临床实验中已被证实能够通过降低毒性和增强疗效来提高治疗指数。然而，传统脂质体存在载药量低（一般<10%）、稳定性差、药物容易泄漏等问题，导致治疗效果不理想，并且容易引发机体的毒副作用。

本项目提供了一种靶向肝癌细胞的纳米药物（LTAG-NPs）。该药物以天然多糖搭载临床广泛使用的铂类抗癌药物，具有合成简便，成分友好的特点，通过与肝（癌）细胞发生特异性结合，实现肝癌靶向效果。药物在肝部高效富集并在肿瘤细胞中释药。因此，LTAG-NPs在有效抑制肿瘤生长的同时，明显降低传统化疗药物强烈的毒副作用，提高患者顺从度和安全性。具有较高临床应用价值和转化前景。 体外释药实验表明，在肿瘤细胞环境下，LTAG-NPs 4 小时释放药物超过 20%，6 天药物全部释放，既在 6 天内缓慢持续释药；药物代谢实验证明，LTAG-NPs 在注射小鼠体内 24 h 后仍保持较高药物浓度，具有血液长循环效果；生物分布实验证明，纳米药物在肝部的富集是传统化疗药物的 5-6 倍，明显降低了在肾脏的积累；对于同时种有肝异位瘤和肺异位瘤的小鼠，LTAG-NPs 在肝异位瘤的富集量为肺异位瘤的 2.5 倍，说明具有优异的肝肿瘤靶向能力。体内抑瘤实验证明，纳米药物具有与传统化疗药物相当的抑瘤效果但毒副作用明显降低，尤其是明显降低了肾毒性。大剂量注射传统化疗药物的小鼠在5 天内全部死亡，而纳米药物组则保持存活率 100%，且小鼠体重稳步上升，体征良好。 以上动物实验全部由医院完成并进行相关评价

放射性药物是可用于诊断或治疗目的的药物，由放射性同位素与有机分子键合组成。有机分子将放射性同位素传递至特定的器官、组织或细胞。 ​ 根据特性选择放射性同位素发射穿透伽马射线的放射性同位素用于诊断（成像），发出的辐射脱离身体后被特定仪器（SPECT / PET相机）检测到。通常，用于成像的同位素产生的辐射在1天后通过放射性衰变和正常的身体排泄完全消除。最常见的用于成像的同位素是：99mTc、I123、I131、Tl201、In111和F18。 ​ 发射短程粒子（α或β）的放射性同位素用于治疗，因为它们能够在非常短的距离内失去所有能量，因此产生大量局部伤害（例如细胞破坏）。该特性用于治疗目的：破坏癌细胞，骨癌或关节炎的姑息治疗中减缓疼痛。这类同位素在体内的停留时间比成像同位素更长；用来提高治疗效率，但仍然限制在几天内。最常见的治疗同位素是：I131、Y90、Rh188和Lu177。 ​ 放射性药物的工作原理是：基于使用分子“出租车”，将受控剂量的放射性活度特异性地传递至目标患病组织（通常是癌细胞），以便根据所用放射性核素的类型可视化（诊断）或治愈（治疗）组织。放射性药物通常包含负责将放射性核素引导至目标组织的生物载体（抗体、肽等）。双功能螯合剂牢固地抓住放射性核素并确保与生物载体之间的牢固结合。

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：

考虑到血液循环中的表达PD-1的T细胞（PD-1+T细胞）可以靶向结合aPD-1抗体，然后通过趋化因子的作用主动向炎症或者肿瘤部位聚集，他们设计了一种新的纳米药物递送策略（如上图），不仅可以利用纳米载体递送aPD-1抗体用于免疫检查点的阻断，而且还可以利用T细胞来递送NF-κB信号通路抑制剂用于抗肿瘤T淋巴细胞的募集。由于纳米载体pH的敏感性，肿瘤浸润的PD-1+ T细胞结合的纳米药物在酸性的肿瘤微环境中释放，留下aPD-1封闭抗肿瘤T细胞上的PD-1/PD-L1免疫检查点，新产生的负载NF-κB信号通路抑制剂的纳米药物被肿瘤细胞和肿瘤相关巨噬细胞摄取，从而抑制肿瘤细胞和肿瘤相关巨噬细胞的NF-κB信号通路，进一步增加抗肿瘤T淋巴细胞的募集，这些募集来的T细胞又可以再次作为纳米药物输送的工具输送纳米药物，这种良性的药物递送循环可以显著提升肿瘤内药物的聚集，改善肿瘤中T细胞的浸润，协同提升肿瘤免疫治疗的效果，为一些不响应免疫检查点治疗的肿瘤提供了一个新的方向。