其他成果/n种牛骨胶原多肽的生产方法，包括如下步骤：将牛骨胶原蛋白溶液与磷酸盐溶液混匀，并加热一定时间，得到牛骨胶原蛋白浆液；通入交流电流处理一定时间，切断电源后再通入恒压反向电流处理一定时间，切断电源后再通入恒压正向电流处理一定时间，得到牛骨胶原蛋白混合液；对牛骨胶原蛋白混合液加入一次复合酶进行超声辅助酶解，得到一次酶解液；再加入二次复合酶进行超声辅助酶解，得到二次酶解液；再进行微波灭酶处理，将灭酶酶解液静置冷却，离心取上清液后再进行冷冻干燥处理，即得成品的牛骨胶原多肽。该牛骨胶原多肽的生产方法，

本发明公开了一种肿瘤靶向多肽光敏剂键合物，属于生物医药领域。所述的肿瘤靶向多肽光敏剂键 合物的结构为 A-B-C-D，其中，A 为光动力学治疗光敏剂，B 为含正电荷的细胞穿膜肽片段，C 为基质 金属蛋白酶特异性识别多肽片段，D 为含负电荷的多肽片段。本发明公开的多肽光敏剂键合物可以显著 提高光动力学治疗光敏剂在生理条件下的稳定性，极大的减少光动力学

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：

本发明提供了一种单链片段抗体-多肽融合蛋白及其应用,该蛋白是一种具有结合 Her2受体和携带抗癌siRNA药物双向功能的融合蛋白,可以作为抗癌siRNA的药物 载体。其中,单链片段抗体为Her2-ScFv,多肽为鱼精蛋白片段多肽。该单链片段抗 体-多肽融合蛋白的序列如SEQ ID NO.1所示的序列。本发明构建的Her2单链片段抗 体与鱼精多肽的融合蛋白具有结合Her2受体和携带抗癌siRNA药物的双向功能。本 发明的融合蛋白能把抗癌siRNA药物定向导入目标癌细胞中,开发了非病毒载体工 具,加速RNAi技术应用于临床。

项目成果/简介:本发明提供了一种单链片段抗体-多肽融合蛋白及其应用,该蛋白是一种具有结合 Her2受体和携带抗癌siRNA药物双向功能的融合蛋白,可以作为抗癌siRNA的药物 载体。其中,单链片段抗体为Her2-ScFv,多肽为鱼精蛋白片段多肽。该单链片段抗 体-多肽融合蛋白的序列如SEQ ID NO.1所示的序列。本发明构建的Her2单链片段抗 体与鱼精多肽的融合蛋白具有结合Her2受体和携带抗癌siRNA药物的双向功能。本 发明的融合蛋白能把抗癌siRNA药物定向导入目标癌细胞中,开发了非病毒载体工 具,加速RNAi技术应用于临床。项目阶段:成果已转化

其他成果/n一种金枪鱼骨胶原多肽的制备方法，包括如下步骤：将金枪鱼骨蛋白与蒸馏水混匀，并进行加热加压处理，得到金枪鱼骨蛋白浆液；调节金枪鱼骨蛋白浆液pH，并加入木瓜蛋白酶进行酶解，得到酶解液；将酶解液灭酶得到灭酶酶解液；将灭酶酶解液静置冷却，离心取上清液后再进行超滤处理，得胶原多肽粗液；将胶原多肽粗液依次加入到阴离子交换树脂层析柱中洗脱，葡聚糖凝胶柱层析中洗脱，采用高效液相色谱进行纯化处理，即得金枪鱼骨胶原多肽。该金枪鱼骨胶原多肽的制备方法，工艺安全、制备便捷。

多肽水凝胶具有生物相容性高、可降解、具有生物活性等特点和优点，它在生长因子和药物的缓控释、组织工程和再生医学等领域具有很高的应用前景。目前有较高转化前景的项目是多肽水凝胶在疫苗佐剂和抗体制备方面的应用。癌症、艾滋病、丙肝等重大疾病疫苗的研制具有重要的意义。在这些疾病的预防性和治疗性疫苗研制中，关键的一环是可激活人体细胞免疫的佐剂的发现。 本项目开发出一种多肽水凝胶，具有极强地激发细胞免疫的功能。对比于现有的几种可激活细胞免疫的佐剂（CpG，MPL 等），我们的水凝胶佐剂具有以下优势： 1）成本低，1mgCpG 价格为 5000-8000rmb，1mgMPL 价格为 2000-4000rmb，我们的短肽实验室合成成本 1g 低于 500rmb； 2）操作简单，仅需物理混合就可实现与抗原复合； 3）适用于蛋白、短肽、DNA、灭活癌细胞等各类抗原，通用性高； 4）短肽结构简单，可大量制备，实验室一天内一次性即可合成10g 以上该多肽，可用于制备 10000 瓶以上 1mL 的水凝胶（临床用的疫苗每次注射量是 0.5-1mL），可以很容易的实现中试级别的化合物合成及疫苗制备。基于这些优点，该佐剂具有极强的应用前景，该研究获得科技部重大国际合作项目资助。 由于本项目的水凝胶可制备短肽抗原的抗体，它在抗体定制中具有极高的应用前景。目前抗体制备的技术为第一步将短肽连接到载体蛋白 BSA、KLH 等上，然后打动物 6-10 周。现有技术操作复杂（需偶联蛋白）、耗时长（6-10 周），而且很多时候还未能产生有效的抗体。 我们想发展的技术相比于现有技术来说具有明显的优势：操作简单，仅需物理混合短肽抗原；抗体产生迅速，4-6 周即能生成抗体；抗体滴度高，由于无需使用载体蛋白，短肽的特异性抗体滴度更高；对于磷酸化抗体来说，本项目的水凝胶能减少磷酸化短肽被体内磷酸酶去磷酸化，从而提高磷酸化短肽抗体的比例。 

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。