胞内寄生性单增李斯特菌和绵羊李斯特菌能在吞噬细胞等抗原递呈细胞内繁殖，引发高水平的抗原递呈作用，分别通过MHCⅠ和Ⅱ类途径引起宿主抗原特异性的CD8+和CD4+ T细胞免疫反应，建立长期有效的免疫保护记忆，因此可作为一种通用的疫苗载体。本项目以上述两种李斯特菌为活菌载体搭建新型疫苗构建通用平台，该平台具有以下优势：生物安全——敲除了菌株致病基因，降低了毒性；外源蛋白表达稳定——外源抗原基因整合至细菌基因组，永远不会丢失；外源抗原具有分泌性——抗原基因融合有分泌信号肽，使蛋白能分泌到胞外，更有利于免疫刺激；对环境、公共健康安全——重组疫苗菌株不携带耐药基因，不会给环境和公共健康带来危害。本平台技术目前已获得授权专利，成果属于国际先进水平，已在结核疫苗及猪繁殖与呼吸综合症病毒疫苗的研制上应用。该平台还可应用于肿瘤治疗性疫苗及其他预防病毒和慢性细菌感染的疫苗的研发，是一种通用的疫苗构建平台。

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。

协同利用酶触发的超分子自组装和生物正交断键反应，在肿瘤细胞内部实现原位、特异的前药激活，不仅极大地降低了抗癌药物的毒副作用，而且增强了靶向活化能力。设计合成了带有前药激活开关Tetrazine的酶响应组装前体短肽，利用宫颈癌细胞过表达的磷酸酶，在肿瘤原位构建功能纳米组装体，使前药激活开关获得肿瘤靶向性并且大量富集。后续使用的阿霉素前药TCO-DOX (其中，TCO为生物正交脱笼基团)在正常细胞或组织内没有激活，不产生毒性；而在肿瘤内则能被高效激活，显著提高了癌细胞的杀伤效果。

本实用新型提供一种肿瘤科积液高效提取装置，涉及医疗器械技术领域，包括穿刺针、连接管、气管、气囊、液管、储液袋和排气装置，所述连接管左端连接穿刺针，右端通过气管与气囊连接，所述连接管下侧通过液管与储液袋连接，所述连接管上侧开有通孔；所述排气装置包括通气管和升降帽盖，所述通气管中心还设有滑管，所述升降帽盖上还设有滑杆，所述滑杆插入滑管连接，所述升降帽盖通过滑杆和滑管的配合连接在通气管内升降，所述通气管安装在所述通孔内，本实用新型结构简单，可以实现高效取液。

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。