Anhui Medical University

安徽育境生物科技有限公司 一、文献速览 现代药物研发的宏大叙事中，天然产物始终扮演着不可或缺的角色，它们是地球生态系统中无数独特化学结构的宝库，蕴藏着发现创新药物的无限潜力。 然而，天然产物结构复杂、多样性庞大，传统筛选和发现方法效率低下，难以充分挖掘其价值。正是在这一背景下，人工智能的崛起为天然产物药物发现注入了前所未有的活力。 2023年11月，《Nature Reviews Drug Discovery》（IF=112）发表了一篇题为《人工智能在天然产物药物发现中的应用》的重量级综述文章。 该文章汇集了来自全球学术界、研究机构和领先制药企业（如芝加哥大学、莱顿大学、海德堡欧洲分子生物学实验室、辉瑞、拜耳等）的60余位顶尖专家，涵盖了人工智能、计算生物学、天然产物化学、药物设计与药理学、生物信息学等多个前沿领域。作者们通过整合不同领域的知识与技术，共同探索AI如何优化和加速天然产物从发现到开发的各个环节。 这篇综述深入探讨了AI如何变革天然产物药物发现。文章核心在于强调计算组学（基因组、代谢组）与AI（特别是机器学习）的深度融合，以高效发现、表征天然产物，并预测其生物活性。 文中亮点包括：AI在生物合成基因簇（BGCs）挖掘、质谱/核磁数据结构解析以及宏分子靶点和生物活性预测中的应用，如利用图神经网络进行药物-靶点结合亲和力预测，或借助NLP进行生物活性预测。 它创新性地提出了跨学科协同模型，旨在克服天然产物数据稀疏性和标准化难题。文章不仅展示了AI带来的巨大潜力，也坦诚指出当前挑战，如数据质量、标准化和算法过拟合问题，并建议采用“奥卡姆剃刀”原则，选择适合数据量的简单模型。未来需加强高质量数据积累、标准化和跨领域合作。 在过去五年里，人工智能在天然产物药物发现领域取得了令人瞩目的进展。主要的研发方法集中在运用机器学习（ML）和深度学习（DL）技术，以实现更高效的生物活性预测、全新的从头（de novo）分子设计、对基因组和代谢组数据进行深入挖掘，以及对天然产物复杂结构进行精准表征。 这些先进的计算工具，如利用图神经网络进行药物-靶点结合亲和力预测、基于SMILES和图结构的生成模型进行分子生成，以及利用自然语言处理（NLP）从海量文献中提取信息和预测生物合成基因簇（BGCs）的活性，极大地提高了药物发现的效率。 本文作为一篇综述文章，其核心创新在于综合性与前瞻性。它首次系统地将计算组学与AI在天然产物药物发现中的应用进行了深度整合，明确提出了两者之间“协同增效”的巨大潜力。 文章并非简单罗列技术，而是深入探讨了实现这些协同效应的关键挑战，如高质量数据集的构建、数据标准化、算法验证策略以及稀疏数据和不完整标签的处理。 作者团队通过一个跨学科研讨会的形式，构建了一个整合性的视角，旨在连接不同研究领域，共同利用AI的力量来发掘生物圈中广阔的化学多样性，用于新药开发。这为领域提供了宝贵的指导原则，强调了数据质量和标准化是AI成功的基石，并鼓励采用“主动学习”、迁移学习和强化学习等策略应对数据限制。 二、综合解读 本文深入探讨了人工智能（AI）在天然产物药物发现领域的应用前景、当前挑战及未来发展方向。文章指出，尽管计算组学技术取得了显著进展，能够揭示天然产物的多样性，且机器学习等AI方法在计算药物设计中展现出巨大潜力，但将两者有效结合以识别药物候选分子仍面临诸多挑战。  为此，本文提出利用一个整合的视角，探讨如何利用AI的力量来发掘生物圈中庞大的化学多样性，以开发新药。  第一节：引言 这篇综述指出，天然产物，包括肽、聚酮、糖类、萜烯和生物碱等，在细菌、真菌、植物和动物界中构成了数十万种不同的化学结构，它们在生物间的复杂相互作用中扮演着关键角色，并历史上成功地被应用于抗生素、化疗药物和免疫抑制剂等领域。 尽管在1990年至2010年间，天然产物药物发现因组合化学和高通量筛选的兴起而一度式微，但随着大规模组学数据的出现，天然产物研究迎来了复兴。 目前，已超过2500个生物合成基因簇（BGCs）及其产物被实验表征，这为通过计算基因组分析发现数百万个新型分子的潜在生物合成途径提供了可能。 文章强调，人工智能（AI）方法，特别是机器学习，正被应用于天然产物研究中，以预测BGC产物的化学结构、揭示结构-活性关系以及预测天然产物的靶点和生物活性，这在计算药物设计领域取得了令人兴奋的进展，从而促进了组学驱动的天然产物发现与计算药物设计之间的“交叉融合”。  图1直观地展示了AI如何通过整合基因组学、转录组学、蛋白质组学、代谢组学、结构数据和生物活性等多种数据类型，来学习复杂的特征关系并形成有意义的假设，从而在天然产物和药物发现中发挥关键作用，涵盖了从非机器学习方法到传统机器学习再到深度学习的广泛应用。  Box 1指出，“垃圾进，垃圾出”是机器学习中的一个重要概念，强调了在评估模型时数据平衡和独立测试集的重要性。它详细说明了数据不平衡如何导致不准确的模型评估，并提出了在模型开发三个阶段（训练和测试集的数据选择、模型训练期间的采样和数据加权、模型训练后的类别特定模型评估）解决这些问题的策略。 人工智能在天然产物与药物发现中的应用 图1全面展示了人工智能（AI）如何整合多组学和生物活性数据，通过非机器学习、传统机器学习和深度学习方法，赋能天然产物药物发现，实现化合物分类、化学结构解析，以及生态角色与大分子靶点预测等关键应用。 “数据（Data）”部分展示了用于AI分析的六种主要数据类型。基因组学（Genomics）数据代表了生物体的完整DNA序列信息，这些序列中包含编码天然产物生物合成途径的生物合成基因簇（Biosynthetic Gene Clusters, BGCs）。 生物合成基因簇是指在微生物基因组中编码天然产物（Natural Products, NPs）生物合成途径的基因集合，这些天然产物通常是具有生物活性的次级代谢产物。 1.转录组学（Transcriptomics）数据反映了基因的表达水平，通常以热图形式展示，揭示了在特定条件下哪些基因是活跃的。 2.蛋白质组学（Proteomics）数据提供了蛋白质的序列和表达信息，这些蛋白质是基因组指令的执行者。 3.代谢组学（Metabolomics）数据通过质谱（Mass Spectrometry, MS）等技术，检测和量化生物体内的小分子代谢产物，即天然产物本身。 4.组学技术（Omics Technologies）是一系列计算方法，通过大规模分析生物分子的集合（如基因组、转录组、蛋白质组和代谢组）来获取生物系统的全面视图。 5.结构数据（Structural data）包括了天然产物的三维结构（如核磁共振（Nuclear Magnetic Resonance, NMR）谱图）以及蛋白质靶点的结构信息。 6.生物活性（Bioactivity）数据来源于实验检测，如细胞筛选，用于评估天然产物对生物系统的影响。 而在AI方法（AI Methods）部分，图将AI技术分为三类。 1.非机器学习（Non-machine learning）方法主要关注数据间的直接统计关系。 其中，相关与回归（Correlation and regression）用于分析不同数据集之间的线性或非线性关系，以发现潜在的联系。 代谢基因组学（Metabologenomics）是一种整合基因组和代谢组数据的方法，旨在将基因组中预测的生物合成基因簇与代谢组中检测到的特定代谢物联系起来，从而“去孤儿化”（de-orphan）那些已知基因簇但未知产物的代谢物。 2.传统机器学习（Traditional machine learning）方法则侧重于从数据中学习模式并进行预测。机器学习（Machine Learning, ML）是AI的一个子领域，通过算法从数据中识别模式来生成洞察力。 降维（Dimension reduction）技术，如主成分分析（PCA）、t-分布随机邻域嵌入（t-SNE）和均匀流形近似与投影（UMAP），用于将高维数据投影到低维空间，以便可视化和识别数据中的主要变异模式，例如在化学空间（Chemical Space）中对化合物进行可视化和导航。化学空间是一个巨大的、多维度的概念空间，由所有可能存在的化学化合物构成，通常通过化合物的理化性质来定义。 聚类（Clustering）算法用于将相似的数据点分组，例如将生物合成基因簇归类到基因簇家族中，以发现共同的生物合成途径。 基于自组织映射（Self-Organizing Maps, SOM）的靶点预测（SOM-based target prediction）利用自组织映射这种神经网络模型，将高维化学描述符映射到低维网格，从而预测天然产物的生物活性或大分子靶点。 基因簇家族（Gene cluster families）是指通过计算分析将相似的生物合成基因簇（BGCs）归类分组，以识别共享的生物合成逻辑并预测其产物的化学结构与生物活性。 3.深度学习（Deep learning）是近年来发展迅速的一类机器学习方法，它使用多层人工神经网络（Artificial neural networks）来学习数据中的复杂、非线性模式。深度学习具有捕获非线性关系和接受非表格输入的能力，扩展了AI在天然产物计算研究中的适用性。 SMART NMR是基于卷积神经网络（Convolutional Neural Network, CNN）的工具，用于核磁共振谱图分析，辅助天然产物的结构解析，能够从复杂的谱图中识别和注释分子结构。 计算机视觉（Computer vision）技术，例如DECIMER（Deep Learning for Chemical Image Recognition），能够自动识别并解析化学结构图像，将其转换为机器可读的格式，如SMILES字符串（Simplified Molecular Input Line Entry Specification），这是一种用短ASCII字符串描述化学物种结构的线性符号系统。 自然语言处理（Natural Language Processing, NLP）方法，如MS2LDA（Mass Spectrometry-based Molecular Networking with Latent Dirichlet Allocation），通过分析序列或谱图数据中的模式，类似于处理文本中的词语，用于化学亚结构探索和注释，例如从串联质谱（Tandem Mass Spectrometry, MS/MS）数据中识别分子碎片模式，这对于天然产物的结构推定至关重要。 最终，这些AI方法将数据转化为有价值的知识和应用。首先，通过化学空间和化合物分类（Chemical space and compound classification），研究人员可以可视化和导航庞大的化学分子库，识别具有特定性质或生物活性的化合物类群。 其次，化学结构解析（Chemical structure elucidation）是天然产物药物发现的核心环节，AI辅助的谱图分析和图像识别极大地加速了未知天然产物的结构确定过程。 最后，AI能够预测天然产物的生态角色和大分子靶点（Ecological roles and macromolecular targets），这对于理解天然产物在生物系统中的功能以及开发新药物至关重要。通过预测天然产物可能结合的蛋白质靶点，可以指导药物筛选和机制研究，从而加速新药研发进程。 评估机器学习模型的标准实践 本图（Box 1）详细阐述了评估机器学习模型（machine learning model）的关键规范，主要聚焦于通过数据平衡（data balancing）来解决数据集偏差问题，以及利用独立测试集（independent test set）和交叉验证（cross-validation）来避免模型过拟合（overfitting），确保模型评估的可靠性与准确性。 在人工智能（Artificial Intelligence, AI）驱动的药物发现，特别是天然产物（natural product）研究中，高质量数据集的构建和模型评估的严谨性至关重要。 Box 1强调了“垃圾进，垃圾出”（Garbage in, garbage out）的机器学习基本原则，并指出若缺乏适当的模型验证，很难识别模型的真实预测能力。文章提出了两个核心评估点：数据平衡和独立测试集的使用。  首先，在数据平衡方面，机器学习数据集通常存在不均匀性，即数据不平衡（data imbalance）。这主要体现在两种情况： 一是“一个或多个数据标签的过度代表”（over-representation of one or more data labels），例如，在药物-靶点相互作用的二分类问题中，如果正样本远多于负样本，模型可能会倾向于总是预测正向交互，即使其本身没有实际预测能力，也能达到很高的表面准确率。 二是“一个或多个数据特征的过度代表”（over-representation of one or more data features），这在生物学数据中尤为常见，因为某些物种或分子类型已被更广泛地研究，导致数据集中存在特定序列或分子结构的过度代表。 针对这些数据不平衡，Box 1提出了在模型开发三个阶段采取的策略：  1. 模型训练前的数据选择（Data selection for training and test sets before model training）：在此阶段，应首先过滤掉重复或近似重复的数据点，然后根据类别和特征标签按比例划分训练集（training set）和测试集（test set），例如80%用于训练，20%用于测试。 这能避免训练集和测试集中的（近似）重复数据导致模型自动做出正确预测，并确保模型在各个子类别上都能得到独立评估。  2. 模型训练期间的采样和数据加权（Sampling and data weighting during model training）：如果模型未被明确指示，它将优先考虑整体准确性。为了防止模型在少数类别上的预测错误被忽视，可以对数据进行加权，使少数类别获得更高的权重或在损失函数中贡献更多，从而惩罚这些类别的预测错误。 另一种方法是欠采样（undersample）或过采样（oversample）数据集，以人工调整数据点的比例，使其均匀分布，从而使模型更具普适性且不易偏向过度代表的标签或特征。  3. 模型训练后的类别特异性评估（Class-specific model evaluation after model training）：为了评估模型在每个数据子类别上的表现，无论该类别的数据点数量多少，都必须单独评估每个类别的预测能力。  这可以通过计算真实/假阳性率或真实/假阴性率（true or false positive or negative rates）来完成，对于数据特征则可以通过评估每个序列或化合物聚类的性能来完成。 其次，Box 1强调了交叉验证（Cross-validation）和独立测试集（independent test sets）的重要性。在机器学习算法开发过程中，开发人员通常会尝试不同的输入特征、模型参数和模型类型。 一个常见的不准确之处是，同一个测试集（test set）常被重复用于评估中间模型和最终模型，这使得测试集不再真正独立，可能导致模型过拟合（overfitting）而不被察觉。          因此，在任何训练开始前，预留一个真正的“独立测试集”至关重要，该测试集仅用于开发结束时评估模型的最终性能。 在开发过程中，可以通过从训练数据中选择一个验证集（validation set）或对所有训练数据进行交叉验证来监控模型性能。在选择（交叉）验证集时，同样需要考虑数据不平衡问题，并建议进行多次运行以获得具有代表性的标准偏差，从而统计检验观察到的改进是否显著。 例如，对于具有结构-活性关系（structure–activity relationship）的合成化合物，随机分割验证会高估模型的泛化能力，因此采用化学聚类或时间分割对于真正验证模型至关重要。这些实践是确保AI模型在天然产物药物发现等复杂领域中发挥其全部潜力、并建立对其预测信任的基础。 原文链接：  https://doi.org/10.1038/s41573-023-00774-7     ❖ 育境生物，根植于中国科学技术大学、安徽大学、安徽医科大学等高等学府的深厚科研沃土，汇聚了一支由资深专家领衔的专业团队。我们专注于生命科学前沿，致力于为高校、科研院所、医疗机构及生物科技企业，提供一站式、高标准的科研技术解决方案。我们深知科研之路的挑战，愿以我们的专业，成为您探索之路的坚实后盾。 · 往期推荐 铁死亡新发现！胶质瘤治疗潜在靶点！ 肿瘤细胞与免疫细胞的“宿敌”关系 动物模型（猪篇）| 一文了解猪 作为实验动物，有哪些应用？ AI for science | 人工智能驱动药物筛选

优 秀 论 文 2025.12.22 “2025年最具人气学术论文”评选活动已圆满结束，在此基础上，为持续激励科研创新，嘉奖优秀科研成果，《国际生物制品学杂志》编辑部对2024年第6期—2025年第5期已出版的论文进行了新一轮的评选。 经多轮严谨评议，综合考量公众号阅读量、官网下载量、文章科学性及创新性等多项指标，以下6篇论文在本次评选中脱颖而出，被评为《国际生物制品学杂志》2025年优秀学术论文。 一等奖 同时测定流感病毒裂解疫苗中Triton X-100与聚山梨酯80残留量的HPLC-ELSD法建立及验证 点击图片阅读原文（下同） 中文摘要 目的   建立并验证同时测定流感病毒裂解疫苗（MDCK细胞）中Triton X-100和聚山梨酯80（polysorbate 80，PS80）残留量的方法。 方法   采用高效液相色谱（high performance liquid chromato-graphy，HPLC）-蒸发光散射检测器（evaporative light-scattering detector，ELSD）方法检测流感病毒裂解疫苗中的Triton X-100和PS80残留量，并对该方法的专属性、准确度、精密度、线性、定量限和耐用性进行验证。 结果   HPLC-ELSD法检测空白溶剂无色谱峰出现，混合标准溶液和供试品可见2个目标色谱峰，且与相邻峰的分离度大于1.5；Triton X-100和PS80样品的不同浓度加标回收率分别在90.0%~105.0%和80.0%~105.0%；同一实验员重复进样6次，Triton X-100和PS80残留量的相对标准偏差（relative standard deviation，RSD）分别为0.7%和1.4%；由2名实验员在不同工作日检测Triton X-100和PS80残留量的RSD均不高于5.0%；Triton X-100质量分数在0.010%~0.100%范围内，浓度与峰面积呈良好的线性关系，定量限为0.010%。PS80质量分数在0.006%~0.060%范围内，浓度与峰面积呈线性关系，定量限为0.003%。 结论   成功建立了流感病毒裂解疫苗（MDCK细胞）中Triton X-100和PS80残留量的HPLC-ELSD检测方法，该方法具有良好的专属性、准确度、精密度、线性和耐用性。 作者 刘萌萌  慕容健昌  钟子辉  雷国民  柯林源  李东 深圳康泰生物制品股份有限公司研发中心，深圳  518057 通信作者：李东， Email：lidong@biokangtai.com 引用本文：刘萌萌, 慕容健昌, 钟子辉, 等. 同时测定流感病毒裂解疫苗中Triton X-100与聚山梨酯80残留量的HPLC-ELSD法建立及验证 [J]. 国际生物制品学杂志, 2025, 48(5): 343-349. DOI: 10.3760/cma.j.cn311962-20241219-00090 二等奖 靶向人IFNα2b和TSG6受体的重组融合蛋白原核高效表达及生物学活性测定 中文摘要 目的    采用合成生物学的原理与方法，将自行构建的融合蛋白重组人IFNα2b（recombinant human IFNα2b，rhIFNα2b）-TNFα刺激基因6（TNFα stimulated gene 6，TSG6）在BL21大肠埃希工程菌中高效表达，并检测其抗炎、抗病毒活性。 方法    采用Swiss-model软件同源建模法在线预测该融合蛋白的三级结构等；将经密码子优化的人IFNα2b与TSG6基因片段通过连接肽连接，构建成含rhIFNα2b-TSG6融合基因的pET-32a重组质粒，转化至E. coli BL21(DE3)菌株，经发酵、包涵体变复性及纯化后获得融合蛋白rhIFNα2b-TSG6。采用SDS-PAGE对其纯度和蛋白含量进行分析，并通过蛋白质印迹检测蛋白特异性。采用WISH/水疱性口炎病毒活性检测系统，以微量细胞病变抑制法测定融合蛋白的抗病毒活性。在小鼠巨细胞病毒感染肝炎模型中观察该融合蛋白对肝细胞的保护作用及对IL-1β mRNA水平的抑制。测试rhIFNα2b-TSG6在家兔体内的药代动力学。 结果    生物信息学分析结果显示，rhIFNα2b-TSG6符合设计预期。经鉴定，该基因成功以包涵体形式表达出目的蛋白，蛋白质表观相对分子量约为68 000，表达量达30%~40%。纯化后的rhIFNα2b-TSG6纯度达90%，能分别与抗人IFNα和抗人TSG6单克隆抗体特异性结合；其抗病毒比活性为（1.80±0.16）×106 国际单位/mg，约为单独rhIFNα2b的3.5倍。在小鼠病毒感染肝炎模型中起到明显抑制炎症、保护肝脏的作用。在家兔中血药浓度于24 h达到峰值。 结论    在大肠埃希工程菌中高效表达了有明显抗病毒抑炎活性的rhIFNα2b-TSG6，为融合蛋白的规模化生产及临床治疗病毒性疾病打下基础。 作者 蒋敏之1  张瑞祺2  侯伟3  桂菁宜2  林皖3  倪一鸿3  徐明月3  孙仡竹3  韩舞乐3  张冉2  姜河2  蔡鑫曈2  郭佳乐3  张俊玲4  王明丽1,2,4 1安徽医科大学中央与地方共建生物医学工程实验室，合肥 230032；2安徽医科大学临床医学院，合肥 230031；3安徽医科大学第二临床医学院，合肥 230032；4安徽医科大学微生物学教研室，合肥 230032 通信作者： 王明丽，Email：1952987441@qq.com 张俊玲，Email：zhangjl@ahmu.edu.cn 引用本文：蒋敏之, 张瑞祺, 侯伟, 等. 靶向人IFNα2b和TSG6受体的重组融合蛋白原核高效表达及生物学活性测定 [J]. 国际生物制品学杂志, 2025, 48(4): 225-232.    DOI: 10.3760/cma.j.cn311962-20241111-00074 二等奖 柯萨奇病毒B组5型病毒蛋白1生物信息学与线性B细胞抗原表位预测分析 中文摘要 目的   对柯萨奇病毒B组5型（coxsackievirus B5，CV-B5）的病毒蛋白1（viral protein 1，VP1）进行生物信息学分析，以期为后续免疫监测、表位疫苗设计和疾病研究提供科学依据。 方法   应用ProtParam、SignalP-6.0、DeepTMHMM-1.0、NetPhos-3.1、NetNGlyc1.0、SOPMA、SWISS-MODEL、ABCpred、BCPred和IEDB在线网站预测分析VP1的物理化学性质、结构特征和线性B细胞抗原表位。 结果   CV-B5 VP1是不稳定且呈碱性的亲水性蛋白，无信号肽结构，有1个跨膜结构域。预测该蛋白可能存在33个磷酸化位点和15个糖基化位点。VP1二级结构以无规则卷曲为主，存在多个潜在的优势Ｂ细胞抗原表位。 结论   利用生物信息学工具对CV-B5 VP1进行预测分析，初步判断了VP1的生物学功能及线性抗原表位。 作者 汪馨  程晓东  周淑洁  何佳丽  程鹏博  宋菲扬  柴瑜  陈霞 安徽省疾病预防控制中心免疫规划所，合肥  230601 通信作者：陈霞， Email：chenxia@ahcdc.com.cn 引用本文：汪馨, 程晓东, 周淑洁, 等. 柯萨奇病毒B组5型病毒蛋白1生物信息学与线性B细胞抗原表位预测分析 [J]. 国际生物制品学杂志, 2025, 48(4): 233-240.  DOI: 10.3760/cma.j.cn311962-20241203-00084 三等奖 基孔肯雅热疫苗研究进展 中文摘要 基孔肯雅病毒感染可引发基孔肯雅热，该病毒在热带及温带的广泛区域均有流行，已成为全球性公共卫生问题。基孔肯雅热以对症治疗为主，没有特效药物，接种疫苗是预防基孔肯雅病毒感染的经济有效手段。虽然目前已有2款疫苗被批准在局部地区使用，但远不能满足高风险区对疫苗的需求。此文对基孔肯雅病毒疫苗研发现状进行综述，重点对已上市疫苗、进入临床试验阶段的疫苗和有潜力进入临床试验的疫苗进行总结。 作者 梁晓鸣1  鲁帅尧1, 2  1中国医学科学院/北京协和医学院，医学生物学研究所，昆明  650118；2云南省跨境传染病防控与新药创制重点实验室，昆明  650118 通信作者：鲁帅尧，  Email：lushuaiyao-km@163.com 引用本文：梁晓鸣, 鲁帅尧. 基孔肯雅热疫苗研究进展 [J]. 国际生物制品学杂志, 2025, 48(5): 370-377.     DOI: 10.3760/cma.j.cn311962-20250728-00055 三等奖 13价肺炎球菌多糖结合疫苗免疫原性的小鼠模型评价 中文摘要 目的   通过比较13价肺炎球菌多糖结合疫苗在BALB/c、KM、CD1小鼠品系体内的免疫应答，评价该疫苗的最佳小鼠免疫原性模型及此模型的最佳小鼠性别及免疫剂量。 方法   将13价肺炎球菌多糖结合疫苗分别以每针次0.05、0.10、0.20、0.40 μg的剂量免疫3个品系小鼠，采用ELISA分析免疫应答差异以评价最佳小鼠模型；比较4个剂量在最佳小鼠模型中的雌雄小鼠应答差异以评价最佳小鼠性别；比较4个剂量免疫最佳性别的最佳小鼠模型以评价最佳免疫剂量。 结果   3个品系中，多数血清型在CD1小鼠中免疫应答值最高，KM小鼠应答最弱。在CD1小鼠品系中剂量与免疫应答之间有明显量效关系。4个剂量免疫CD1雌雄小鼠，0.05 μg剂量时免疫应答值均较低，在0.10、0.20、0.40 μg剂量时，几乎所有血清型在雌性小鼠中产生的免疫应答值均高于雄性小鼠。4个剂量免疫CD1雌性小鼠，除3、9V、19F、23F型外，其余血清型在0.20 μg剂量产生的免疫应答值均明显高于其他3个剂量。 结论   评价13价肺炎球菌多糖结合疫苗免疫原性的最佳小鼠模型为雌性CD1小鼠， 最佳免疫剂量为0.20 μg。 作者 杨英英  杨钰娟  祁鹏宇  杨晨  周宇晨  钱文君  苏文婷  杨田瑶  周海飞  罗树权 兰州生物制品研究所有限责任公司菌苗四室，甘肃省疫苗技术创新中心，兰州  730046 通信作者：周海飞， Email：haifeichow@163.com 引用本文：杨英英, 杨钰娟, 祁鹏宇, 等. 13价肺炎球菌多糖结合疫苗免疫原性的小鼠模型评价 [J]. 国际生物制品学杂志, 2025, 48(5): 315-320.  DOI: 10.3760/cma.j.cn311962-20250107-00001  三等奖 WHO生物医药技术报告系列介绍 中文摘要 WHO技术报告系列（Technical Report Series, TRS）为生物医药行业提供了重要的技术指南，涵盖了从产品研发、临床试验到商业化生产、分销运输以及退市全生命周期的技术规范和标准，指导企业建立全面的知识体系，确保其产品符合国际标准。此文介绍了WHO TRS 的来源、编号原则、对生物医药行业的指导意义和TRS本身面临的挑战，从质量管理、厂房与设施、质量控制、生产管理、储存与分销以及核查等方面，汇总罗列了相关的TRS，并对各板块作简要介绍；根据多年的质量管理和WHO预认证的实战经验和体会，分享了如何有效学习WHO TRS，以指导企业的全面质量管理工作和加速企业WHO 预认证项目。 作者 殷伟东  崔志英 上海泽润生物科技有限公司质量保证部，上海 201203  通信作者：崔志英， Email: cuizhiying@walvax.com 引用本文：殷伟东, 崔志英. WHO生物医药技术报告系列介绍 [J]. 国际生物制品学杂志, 2025, 48(4): 278-284. DOI: 10.3760/cma.j.cn311962-20240910-00060 总结 恭喜以上论文获得了2025年优秀学术论文。编辑部将于近期向优秀论文获奖者颁发荣誉证书，期待获奖学者继续深耕科研、勇攀高峰，共同推动生物制品学科的繁荣与进步！ 与此同时，我们也欢迎本领域工作者向《国际生物制品学杂志》投稿！ 点击此处获取投稿具体要求 《国际生物制品学杂志》为中华医学会系列杂志，创刊于1978年10月，目前由中华人民共和国国家卫生健康委员会主管、中华医学会和上海生物制品研究所有限责任公司主办。现任主编李秀玲，编委团队共50人，审稿专家116人。 本刊重点介绍国内外生物制品学领域的新进展、新动态、新技术和新成就，设有述评、综述、论著、短篇论著、病例报告、学习交流、国际会议介绍等栏目。 投稿流程 方法一：登录中华医学会杂志社学术期刊出版服务平台 https://medpress.yiigle.com，选择《国际生物制品学杂志》进行投稿。 方法二：登录《国际生物制品学杂志》官网：http://www.ijbiol.com，点击投稿系统入口进行投稿。 投稿详情请致电编辑部郭老师18616609021或021-62834337。 邮件订阅 点击官网右下角Email Alert订阅本刊，可免费获取当期目录及文章电子版！ 分享、在看、点赞，请至少给我们一个哦

大家好，我是冲哥！在安徽乃至长三角的医疗圈，安徽医科大学绝对是“实力派标杆”。这所拥有98年办学历史的省属重点医科高校，不仅是安徽医学教育的发源地，更以“好学力行，造就良医”的校训，为医疗行业输送了十八万余名专业人才。作为教育部、国家卫生健康委与安徽省共建高校，它坐拥12个ESI全球前1%学科、4所博士后科研流动站，5所直属三甲医院构建的实践平台，让其毕业生在就业市场上极具竞争力。今天就来盘点安医就业率顶尖的6大专业，数据真实不夸大，报考参考价值拉满！ 一、护理学：98.5%就业率登顶，三甲医院的“香饽饽” 作为全校就业率最高的专业，护理学用实力诠释了“刚需为王”。这是省级特色专业，更是全国首批护理学一级学科硕士授权点，护士资格证通过率连续五年超98%，远超行业平均水平。课程覆盖重症监护、老年护理、涉外护理等热门方向，实践课时占比超55%，学生能在30余家合作三甲医院沉浸式实训。 2024届毕业生中，一半以上入职江浙沪皖三甲医院，安医大二附院、江苏省人民医院等年均校招需求超150人。就业方向灵活多元，高端康养机构起薪6500-12000元/月，上海、杭州等地机构还提供住房补贴，涉外护理岗位年薪可达15万元。更关键的是，其录取门槛相对友好，2024年安徽物理类最低分578分，中等分数段考生也能把握，性价比极高。 二、临床医学：98.2%就业率，ESI前1‰的王牌标杆 临床医学是安医的“头牌专业”，国家级特色专业加持，学科实力跻身ESI全球前1‰，第四轮学科评估获评B级 。依托12个国家临床重点专科和6所直属三甲医院，学生大二就能参与疑难病例会诊、手术实操，实验设备总值超3亿元，“5+3一体化”本硕连读模式更是缩短了成才周期。 就业质量堪称顶尖，54%的毕业生直接入职三甲医院，安徽省立医院、安医大一附院年均录用超200人，医师资格考试通过率86%，远超全国65%的平均水平。长三角地区三甲医院起薪8500元/月，3-5年晋升主治医师后年薪可达18-25万元，长远回报丰厚。此外，超60%的深造率让优秀学生有机会保研至复旦大学、中山大学等顶尖医学院，学术就业双路径通畅。 三、口腔医学：97.2%就业率，高薪灵活的“黄金赛道” 近年来口腔医疗需求激增，安医的口腔医学成为报考热门，软科评级B+，依托省级重点学科打造数字化口腔实训中心，配备3D打印义齿设备，学生年均接诊模拟患者超1000人次。专业覆盖口腔颌面外科、正畸学等核心领域，实操性强，职业发展路径清晰。 就业去向多元且高薪，毕业生主要进入三甲医院口腔科或高端私立诊所，安徽省口腔医院年均录用30-40人。口腔医师资格证通过率90%，长三角地区私立诊所正畸医生起薪1.2万元/月，3年以上经验者年薪可达30万元。因其热度较高，2024年安徽物理类最低分628分，适合高分段考生冲刺，是兼顾稳定与高薪的优选。 四、预防医学：96.8%就业率，事业单位的“稳定之选” 作为国家级特色专业，预防医学在全国排名前10（校友会排名第13），公共卫生与预防医学学科获评B级，职业卫生与环境卫生学位列华东地区前三。后疫情时代，公共卫生人才需求持续旺盛，课程涵盖流行病学、疫情防控、健康管理，学生可参与新冠溯源等国家级项目。 就业稳定性突出，78%的毕业生进入疾控系统、卫生健康委等事业单位，安徽省疾控中心定向招聘占比22%，享受编制待遇。公共卫生医师通过率92%，起薪6200-7800元/月，部分长三角协同项目岗位有专项津贴。2024年安徽物理类最低分592分，适合希望避开临床高压、追求稳定工作的考生。 五、药学：95.3%就业率，医药研发的“潜力股” 药学是软科A等级专业，依托抗炎免疫药物教育部重点实验室，聚焦新药研发、临床药学方向，与多家药企共建联合实验室，执业药师考试通过率88%。课程覆盖药物化学、药剂学等核心内容，学生可参与抗癌药物研发、临床试验等实战项目，科研与应用结合紧密。 就业渠道广泛，65%的毕业生进入医药企业、医院药剂科，合肥生物医药基地校招需求超300人。药物研发岗起薪8000-15000元/月，辉瑞、罗氏等跨国药企安徽分公司核心岗位年薪超20万元。2024年安徽物理类最低分585分，适合对医药研发感兴趣、不想从事临床工作的考生，考研率32%，可冲刺中国药科大学等顶尖院校。 六、麻醉学：95%+就业率，临床刚需的“紧缺人才” 麻醉学是全国5★中国一流专业，排名全国第5，是临床手术不可或缺的支撑专业，各级医院需求缺口较大，就业竞争相对较小。课程围绕临床麻醉、疼痛诊疗、重症监护展开，实践依托直属三甲医院的麻醉科室，实操机会充足。 毕业生主要入职各级医院麻醉科、ICU，安徽省立医院重症医学科等年均吸纳大量人才。岗位稳定性强，无失业风险，薪资待遇处于医疗行业中上游，长三角地区三甲医院起薪8000元/月以上，晋升路径清晰。作为刚需专业，录取分数相对温和，适合希望进入医疗系统、规避门诊高压的考生。 报考实用指南 安医的6大高就业率专业，精准对接“健康中国”战略，覆盖临床、公卫、医药研发等黄金赛道，2024年公立医院录用率超60%，高于学校平均水平8个百分点。分数适配性明确：620分以上可冲口腔医学、临床医学；590-620分主攻预防医学、药学；570-590分锁定护理学，麻醉学则适合中等分数段考生灵活选择。 从上海迁址安徽，从初创到成为长三角医学教育联盟核心成员，安徽医科大学用98年沉淀铸就了医疗人才培养的金字招牌。这6个专业以高就业率、高资格证通过率、强区域认可度，成为学医考生的靠谱选择。如果你向往医疗行业，追求稳定与长远发展，不妨重点关注，安医或许能给你一个扎实的职业起点！