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：

 YJ-2102H全自动膏药软化点测定仪 YJ-2102H全自动膏药软化点测定仪是根据中华人民共和国药典标准2020年版四部通则2102膏药软化点测定法的要求，测定膏药在规定条件下受热软化时的温度情况，膏药因受热下坠25mm时的温度，用于检测膏药的老嫩程度，并可间接反映膏药的黏性。该仪器适用于可以满足各个膏药生产厂家、药检所以及相关单位使用。 一、主要技术特点 1、采用电脑智能控制、激光自动检测、液晶触摸屏人机界面、丝杠步进电机升降等技术，具有升温线性，浴液搅拌均匀，自动完成试样检测等特点。是一款自动化程度高、测试快捷方便、测试结果准确可靠的膏药软化点测定仪器。 2、仪器通过加热管溶液介质和膏药加热，通过磁力搅拌器搅拌使烧杯内温度均匀，控制器采用插补算法控制输出，使介质按照1.0-1.5℃/分钟线性上升。试验环内的膏药在升温过程中开始慢慢软化，当达到软化温度点时，试样环内的膏药在钢球重力作用下呈水滴状缓慢下降，当两个试样环内的膏药下降接触到下挡板时的温度平均值即为膏药软化点温度。 3、仪器主要由机箱支架、触摸屏人机界面、丝杠升降系统、加热升温调节系统、激光检测系统、磁力搅拌系统等部分组成。 4、为方便试验操作和组件在烧杯内的平稳升降，设计了一款试验平台，试验组件悬挂定位在试验平台上，通过丝杠驱动试验平台及试验组件平稳下降并定位精准，实现对射激光的光柱柱贴近下挡板的上侧面。 5、试验过程有动画模拟显示，触摸操作，人机交互界面，更直观，更方便。 6、温度控制采用斜率插补算法，精准升温，程序控制，实时控温。 7、分体式磁力搅拌采用无极调速，温度更加均匀。 8、激光对射自动检测判断样品下落，抗干扰能力强，反应灵敏度高。 二、主要技术指标和参数   1、测量范围 A.试样软化点在80℃以下者，5℃～80℃（蒸馏水）。 B.试样软化点在80℃以上者，32℃～162℃（甘油）。 2、温度分辨率:0.1℃（偏差可修正）。 3、加热管功率:700W。 4、升温斜率:升温速率稳定在1.0-1.5℃/min。 5、烧杯尺寸:直径110mm，高度130mm。 6、测量样品数:同时测量2个试样。 7、搅拌器 :磁力搅拌，搅拌速度连续可调。 8、试验结果处理 200组数据存储。 9、存储的数据可液晶调取显示，也可U盘转存查看(.csv文件)。 10、可选配微型打印机打印结果。 11、通讯接口 RS-485通讯接口，ModBus协议。 12、外形尺寸 390mm×300mm×575mm（长×宽×高）。 13、工作电源 220±10%VAC/50Hz。 14、整机功率 最大800W。 15、整机净重 12.0Kg。 16、使用环境： A.温度：15℃～35℃且相对稳定，无明显空气对流现象； B.湿度：≤85％；

YJ-8146H全自动松香软化点测定仪 本仪器是根据本仪器是根据中华人民共和国2020年药典松香软化点测定所规定的要求设计制造的，是本公司最新开发的软化点试验器的升级产品，适用于松香等物质的软化点测试。按照药典要求，软化点取本品适量，依法检查（通则2102膏药软化点测定方法）,升温速率约为每分钟5.0°C ±0.5°C,软化点应不低于76.0°C。同时本仪器也符合GB/T 8146-2003 松香试验方法中软化点测试要求。 一、主要技术特点 1、采用电脑智能控制、激光自动检测、液晶触摸屏人机界面、丝杠步进电机升降等技术，具有升温线性，浴液搅拌均匀，自动完成试样检测等特点。是一款自动化程度高、测试快捷方便、测试结果准确可靠的松香软化点测定仪器。 2、仪器通过加热管溶液介质和松香加热，通过磁力搅拌器搅拌使烧杯内温度均匀，控制器采用插补算法控制输出，使介质按照5℃/分钟线性上升。试验环内的松香在升温过程中开始慢慢软化，当达到软化温度点时，试样环内的松香在钢球重力作用下呈水滴状缓慢下降，当两个试样环内的松香下降接触到下挡板时的温度平均值即为松香软化点温度。 3、仪器主要由机箱支架、触摸屏人机界面、丝杠升降系统、加热升温调节系统、激光检测系统、磁力搅拌系统等部分组成。 4、为方便试验操作和组件在烧杯内的平稳升降，设计了一款试验平台，试验组件悬挂定位在试验平台上，通过丝杠驱动试验平台及试验组件平稳下降并定位精准，实现对射激光的光柱柱贴近下挡板的上侧面。 5、试验过程有动画模拟显示，触摸操作，人机交互界面，更直观，更方便。 6、温度控制采用斜率插补算法，精准升温，程序控制，实时控温。 7、分体式磁力搅拌采用无极调速，温度更加均匀。 8、激光对射自动检测判断样品下落，抗干扰能力强，反应灵敏度高。 9、配备松香专用制样环，保证测试结果的准确性。 10、本产品荣获国家资质证书，编号为：软著登字第6089527号。 二、主要技术指标和参数 1、测量范围 A.试样软化点在80℃以下者，5℃～80℃（蒸馏水）。 B.试样软化点在80℃以上者，32℃～160℃（甘油）。 2、温度分辨率:0.1℃（偏差可修正）。 3、加热管功率:700W。 4、升温斜率:启动三分钟后，升温速率稳定在(5.0±0.5)℃/min。 5、烧杯尺寸:直径110mm，高度130mm。 6、测量样品数:同时测量2个试样。 7、搅拌器 :磁力搅拌，搅拌速度连续可调。 8、试验结果处理 200组数据存储。 9、存储的数据可液晶调取显示，也可U盘转存查看(.csv文件)。 10、可选配微型打印机打印结果。 11、通讯接口 RS-485通讯接口，ModBus协议。 12、外形尺寸 390mm×300mm×575mm（长×宽×高）。 13、工作电源 220±10%VAC/50Hz。 14、整机功率 最大800W。 15、整机净重 12.0Kg。 16、使用环境： A.温度：15℃～35℃且相对稳定，无明显空气对流现象； B.湿度：≤85％；

XM-D014下丘脑与垂体激素对靶器官作用电动模型   XM-D014下丘脑与垂体激素对靶器官作用电动模型由集成电路控制，主要演示丘脑垂体的激素对相应靶器官细胞分泌的功能作用，示腺垂体（前叶）、中间部、脑神经垂体（后叶）。   一、显示内容： ■ 腺垂体（前叶）： 1、嗜酸性细胞： A：生长激素细胞→生长激素→骺软骨 B：催乳激素细胞→催乳素→乳房发育乳汗分泌 2、嗜碱性细胞： A：促甲状腺激素细胞→促甲状腺素→甲状腺→甲状腺素→周围器官组织→反食类到下丘脑 B：促肾上腺皮质激素→肾上腺→肾上素去甲肾上腺→周身→下丘脑 C：促性腺激素细胞→卵巢→雌激素（卵泡刺激素、黄体生成素）（间质细胞刺激激素）睾丸→雌激素 ■中间部：黑素细胞刺激素→皮肤黑素细胞 ■脑神经垂体（后叶）：视上核、室旁核→视上垂体素→子宫→室旁垂体束→后叶A催产素→乳房B抗利尿素→肾远端曲管→小血管血压。   二、技术参数： ■ 尺寸：51×23×86cm ■ 材质：PVC材料+木框   三、标准配置： ■ XM-D014下丘脑与垂体激素对靶器官作用电动模型：1台 ■ 电源线：1根 ■ 说明书：1册 ■ 保修卡合格证：1张

XM-D014下丘脑与垂体激素对靶器官作用电动模型   XM-D014下丘脑与垂体激素对靶器官作用电动模型由集成电路控制，主要演示丘脑垂体的激素对相应靶器官细胞分泌的功能作用，示腺垂体（前叶）、中间部、脑神经垂体（后叶）。   一、显示内容： ■ 腺垂体（前叶）： 1、嗜酸性细胞： A：生长激素细胞→生长激素→骺软骨 B：催乳激素细胞→催乳素→乳房发育乳汗分泌 2、嗜碱性细胞： A：促甲状腺激素细胞→促甲状腺素→甲状腺→甲状腺素→周围器官组织→反食类到下丘脑 B：促肾上腺皮质激素→肾上腺→肾上素去甲肾上腺→周身→下丘脑 C：促性腺激素细胞→卵巢→雌激素（卵泡刺激素、黄体生成素）（间质细胞刺激激素）睾丸→雌激素 ■中间部：黑素细胞刺激素→皮肤黑素细胞 ■脑神经垂体（后叶）：视上核、室旁核→视上垂体素→子宫→室旁垂体束→后叶A催产素→乳房B抗利尿素→肾远端曲管→小血管血压。   二、技术参数： ■ 尺寸：51×23×86cm ■ 材质：PVC材料+木框   三、标准配置： ■ XM-D014下丘脑与垂体激素对靶器官作用电动模型：1台 ■ 电源线：1根 ■ 说明书：1册 ■ 保修卡合格证：1张

本发明属于三维测量领域中的点云数据拼接技术，具体为一种 自适应的无标志点三维点云自动拼接方法，本发明包括几何特征点的 查找，图像特征点的查找，配准算法选择模型的建立，基于 RANSAC 的几何特征点匹配，利用 RANSAC 排除误匹配图像特征点，利用 SVD 算法求解旋转平移矩阵 RT，最后利用 RT 矩阵完成两片点云拼接。该 方法因为利用物体特征点来代替标志点进行拼接，可用于不能粘贴标 记点的测量场合；同时依靠对应

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。

技术分析(创新性、先进性、独占性)挖掘了蛋白质分子结构的几何特征，开发了新颖的优化设计算法，准确识别结合位点，准备预测抗体结构和抗体-抗原相互作用复合物结构，可以显著提高药物设计效益。自主独立开发。已经在国际竞赛中取得第一名的好成绩，也应用在生物和医学实验中，算法和程序代码完整。