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。                                                                                                                                                                    

本发明涉及猪ApoE基因敲除载体及其构建方法与应用，本发明的载体命名为pApoEKO-DTA-M，其核苷酸序列如SEQ?ID?NO : 1所示，其构建方法包括如下步骤：(1)扩增猪ApoE基因侧翼序列作为基因打靶的长臂和短臂；(2)短臂与打靶载体ploxp分别酶切、连接后，再与长臂连接；去除tk，与dta基因片段连接；(3)在长短臂之间插入特异性启动子Cre，构建得到ApoE基因敲除载体。本发明的猪ApoE基因敲除载体可用于培育敲除了ApoE基因的猪，用于动脉硬化模型动物的制备。

该技术涉及一项基于聚苯乙烯基的载体高分子微球的生产技术。产品经改性后，可获得表面带-Cl、-NH3等功能性基团的微球。 

1 成果简介荧光与核素在体小动物成像系统是在国家 863 计划的支持下研制的世界首台小动物在体（活体）分子成像系统。该系统具有同时实现荧光断层成像与正电子发射断层成像(PET)的双模式信息融合分子影像检测功能，可以以 3D 方式显示活动物体内任何位置的特定细胞和分子事件。在该系统中，发展了旋转扫描式动物在体全景成像检测技术和断层扫描三维重建技术，有效解决了伽玛光子信息采集与荧光图像获取相互干扰的难题，同时提高了荧光的检测深度；通过研发的光子漫射理论逆向算法，提高在体检测的空间分辨率和空间定位精度，结合 PET 深层透视的优点，可以 3D 方式显示活动物体内任何位置的特定细胞和分子事件。目前拥有 12 项专利。 该平台采用荧光和核素双模标记的检测方法和技术，研究者可以在一次实验活动中同时获取荧光、 PET 及双模融合的多种数据，并进行分析，从而可以更好更为全面地理解疾病产生的机理，研究药物的作用机制，也可以分析疾病耐药的发生过程，以及药效的持续时间等。研究人员能够使用该系统实时监测活体动物内部器官、组织与细胞、基因蛋白分子等不同层面的动态变化信息，开展在体水平的生命科学与医学科研和应用研究工作。例如，研究肿瘤和癌细胞在体生长、分化、凋亡、转移、扩善，药物在细胞、组织、器官层面的输送、扩散、代谢与定点释放，药物作用下体内肿瘤或癌细胞的生长、凋亡变化，以及与各种疾病相关的分子、细胞、组织的动态变化情况。 （ 1） 肿瘤小鼠荧光图像 （ 2）荧光与 PET 断层图像 上图 荧光与 PET 双模成像 系统特点：荧光与 PET 同时双模成像；动物在体 360゜全景无遮挡扫描成像；支持常规荧光或 PET 成像，也可以采集双模数据；荧光活体成像超越常规的浅表成像，支持 FMT 及小动物深度组织的成像。2 应用说明应用领域：药物研发和筛选；病理机理与病毒研究；新一代分子影像药物研发；药物代谢过程， 基因治疗效果及药效评价。

针对食品中的脂溶性营养素（天然色素、维生素等）普遍存在的溶解度低， 对光、热敏感，易氧化、分解以及生物利用率低等问题，本实验室通过纳米级包 埋载体技术，在显著改善功能因子水溶性的同时，提高其储藏稳定性和生物利用率。以 β-胡萝卜素为例的纳米乳液产品，储藏期间粒径保持在 100 nm 左右， 同时水包油的剂型显著改善了该色素在水相产品中的应用，并显著提高了营养素 的体内生物利用率。本技术加工手段温和，过程中无污染，非常适用于食品功能 因子的深加工，提高产品的附加值。

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。

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：