基于双方产学研深度合作所开发的新型冠状病毒（2019-nCoV）核酸检测试剂盒，已经进入疾控部门和医院开启测试。结果显示，检测27例确诊新冠病毒感染的样本中，该试剂盒全部检出；在50例疑似感染的咽拭子或鼻咽拭子样本中，已上市试剂盒检测出14例，海力特新冠病毒核酸精准试剂盒检测出21例（包含上述14例），最终这21例全部确诊，检出率提高33.3%。该工作表明，假阴性或“漏检”问题有望通过特异性提高试剂盒的灵敏度大大改善。并且，该产品也有望为新冠肺炎患者的疗效评估提供新的监控手段。 暨南大学与海力特共同在暨南大学东莞暨南大学研究院孵化的“东莞微量精准检测研究院”，已于2019年1月获得第三方检测许可证，现有新冠病毒检验能力每天300人份。

陕西师范大学生命科学学院副院长、教育部药用资源与天然药物化学重点实验室主任闫亚平教授团队，联合陕西脉元生物科技有限公司，基于中国疾病预防控制中心公布的病毒参考基因序列，针对现有市场上新型冠状病毒2019-nCoV核酸检测试剂盒的现状，研发并测试成功新型冠状病毒2019-nCoV核酸快速检测试剂盒（恒温扩增法）。目前，已向省市部门报备，助力患病人群的筛查和诊断。据悉，该产品基于环介导的等温循环扩增的技术研发，不需要荧光定量PCR仪等特殊的仪器设备，用水浴锅等简易设备65℃恒温，仅需15分钟即可完成扩增反应，快速、简易，检测结果肉眼可见，检测限可低至每反应体系3个拷贝的核酸模板，为基层医院提供了一种快速检测新型冠状病毒（2019-nCoV）的方法。同时，闫亚平教授团队将其拥有的核酸扩增类产品一管式冻干的专利技术应用其中，可实现检测试剂盒的常温储存和运输，反应体系中只需添加模板即可，简化了操作步骤，适于基层医院开展快速筛查和疫情监控。该产品目前已经完成注册检验，可向有资质的临床机构提供试用。

华南理工大学生物科学与工程学院张雷教授团队联合广东省人民医院、广州天宝颂原生物科技开发有限公司等单位组成联合攻关团队，选取2019新型冠状病毒表面糖蛋白基因作为扩增靶基因区域设计特异性引物，采用环介导等温扩增技术成功研发出免核酸提取便携式检测试剂盒，检测时限低至45分钟，具有便携式、快速、特异性高等优点，目前已经完成质量体系评估和试生产。

本发明提供核酸水凝胶在干细胞诱导分化中的用途。所述核酸水凝胶包括：支架单元，该支架单元具备至少三个支架粘性末端，交联单元，该交联单元具备至少两个交联粘性末端，以及水性介质；所述支架单元和所述交联单元均由核酸以碱基互补配对的方式形成，所述支架单元与所述交联单元通过所述支架粘性末端与所述交联粘性末端以碱基互补配对的方式交联，从而形成三维空间网络结构；所述水凝胶用于使干细胞在所述三维空间网络结构中生长并进行诱导分化。

华南理工大学生物科学与工程学院张雷教授团队联合广东省人民医院、广州天宝颂原生物科技开发有限公司等单位组成联合攻关团队，选取2019新型冠状病毒表面糖蛋白基因作为扩增靶基因区域设计特异性引物，采用环介导等温扩增技术成功研发出免核酸提取便携式检测试剂盒，检测时限低至45分钟，具有便携式、快速、特异性高等优点，目前已经完成质量体系评估和试生产。

首先选取了序列特征各异的12条富含RGG的多肽片段，利用SPR技术评价多肽片段对G-四链体的结合能力。再结合filter-binding、NMR等研究手段，发现并证实了含有7个RGG重复单元的多肽12能选择性识别G-四链体结构，其识别位点为G-四链体的四分体平面。利用序列突变和序列重排等方式，作者证实多肽12对G-四链体的特异识别存在明显的序列特异性，这种特异性同时表现在氨基酸的类型以及其特定的排布顺序上。基于上述结果，作者对含有该RGG多肽序列的蛋白进行数据库搜索，发现了cold-inducible RNA-binding protein（CIRBP），并通过一系列实验证实该蛋白能在细胞内外有效识别G-四链体。值得注意的是，该RGG肽段在CIRBP识别G-四链体的过程中起关键作用，突变或缺失都会导致蛋白识别G-四链体的能力显著下降。该研究首次通过RGG多肽序列与G-四链体相互作用的系统研究，发现了全新的G-四链体结合蛋白，并为将来发现更多的G-四链体结合蛋白提供了一种新途径。

已有样品/n迅裂细菌裂解酶与核酸提取试剂盒采用专利的噬菌体裂解酶，具有常温 5-10 分钟内裂解、无毒无害等特点，并结合特有的技术能实现在取样拭子上的原位裂解，大大简化从取样拭子上获得靶标物如细菌等的核酸提取过程，具有提取效率高、操作简便等优点，是临床PCR检测，如产道中B簇链球菌和鼻拭子中耐甲氧西林金黄色葡萄球菌（MRSA）,的 理想样本前处理试剂。同时还研发了通用的真菌和细菌核酸提取试剂盒，与简单的涡旋仪联用，可以裂解和提取任何真菌和细菌的核酸。市场前景:可广泛应用于细菌裂解提取，应用前景广阔。

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：

邓宏魁研究团队开创性地建立了化学小分子诱导细胞重编程的新体系，提供了细胞命运调控的新手段，突破了功能细胞制备的关键瓶颈，为再生医学治疗重大疾病开辟了新的理想途径，是我国在该领域前沿的标志性重大成果。