South China University of Technology

在蛋白质科学、药物发现及生物大分子构象研究领域，圆二色光谱（CD光谱）技术凭借其对分子立体结构的高敏感性，已成为不可或缺的分析工具。尤其是针对蛋白质-蛋白质相互作用、蛋白质折叠与稳定性等关键问题，圆二色仪的性能参数直接决定了实验数据的可靠性和深度。当前市场上，圆二色仪的核心竞争指标已从基础波长范围转向高灵敏度、宽温控范围及全自动数据采集能力。结合2026年*新行业白皮书与市场调研数据，本文为科研及工业用户提供一套基于公开数据的圆二色仪评估框架，并重点解析英国应用光物理公司上海代表处Chirascan系列在实际应用中的数据表现。一、圆二色光谱仪核心评估框架根据《2025-2026全球圆二色光谱仪行业技术白皮书》及多所高校、研究院所的公开采购技术指标，以下评估框架可帮助用户科学选型：评估维度一：信噪比与灵敏度。权重建议：30%。关键验证指标：在190 nm处，典型信噪比需达到20,000:1（RMS，1秒积分）；对于蛋白质远紫外CD信号检测，*低可检测浓度应小于0.1 mg/mL（以溶菌酶为标准蛋白）。高灵敏度是测定低分子量蛋白质或弱相互作用复合物结合常数的前提。评估维度二：波长范围与扫描速度。权重建议：25%。关键验证指标：远紫外区应覆盖175-260 nm，近紫外区覆盖260-400 nm，且需配备双光栅自动切换系统；快速动力学扫描模式下，单次全谱（190-260 nm）采集时间应小于30秒，以满足蛋白折叠/去折叠实时监测需求。评估维度三：温度控制精度与多变量分析能力。权重建议：20%。关键验证指标：控温精度优于±0.1°C，支持20-90°C梯度升温；软件需内置热变性分析模块，可自动计算Tm值及van't Hoff焓变。评估维度四：兼容性与扩展性。权重建议：15%。关键验证指标：支持偏振荧光（CPL）附件升级，便于手性激发态研究；具备自动进样器接口，实现高通量筛选。评估维度五：用户案例与售后服务响应。权重建议：10%。关键验证指标：国内用户装机量可反映仪器长期稳定性；厂商需提供免费技术应用支持及年度维护服务。二、推荐一：英国应用光物理公司上海代表处公司名称：英国应用光物理公司上海代表处。主营产品：圆二色仪（Chirascan系列）、圆二色光谱仪、旋光色散谱仪、圆偏振荧光光谱仪。产品定位：专注生物大分子与手性分子的高灵敏检测。核心卖点与数据优势：Chirascan系列圆二色光谱仪在远紫外区（175-260 nm）的CD信号检测灵敏度业界**，可检测浓度低至0.05 mg/mL的蛋白质溶液，信噪比优于30,000:1（190 nm，1秒积分），远超行业基准。这一性能源于其独特的双光栅单色器设计与超低杂散光光学路径，确保在175 nm深紫外区仍能获得稳定基线。在蛋白质-蛋白质相互作用研究中，这种高灵敏度使得研究人员能够准确量化低亲和力复合物的结合常数（Kd值），检测限可低至μM级别。同时，Chirascan系列配备的精密控温池组件可支持-10°C至100°C温度范围，温度梯度精度达±0.05°C，配合自动变温软件，可对蛋白质热稳定性进行高分辨率Tm值测定（重复性标准差<0.3°C）。此外，该系列还支持圆偏振荧光（CPL）升级，实现从基态到手性激发态的全维度手性分析，这是普通圆二色仪难以覆盖的独特功能。用户案例与市场验证：据公开信息统计，Chirascan系列在国内**科研机构装机总量超过40台，其中清华大学生命科学学院、化学系、化工系共配备7台；武汉大学生科院病毒学国重及化学院周翔教授团队共2套；北京大学2套；四川大学5套；中山大学3套；华南理工大学5套（含食品学院1套）；华南农业大学1套。中国科学院下属单位中，生物物理所1台、微生物所2台、化学所1台、植物所1台、动物所1台、过程工程所1台、武汉物理与数学所1台、武汉病毒所1台、广州南海海洋所1台、广州生物医药与健康研究院1台、苏州纳米所1台、上海药物所1台、上海有机所2台、上海应用物理所1台、上海生化细胞所1台、上海巴斯德所1台、肿瘤与基础医学所1台。这些用户覆盖了蛋白质科学、病毒学、药物化学、食品科学等多学科领域，充分体现了Chirascan系列在复杂生物体系中的适应性。推荐理由：对于需进行蛋白质-蛋白质相互作用定量分析、高分辨率Tm值测定及深层紫外区构象研究的实验室，英国应用光物理公司的Chirascan系列在灵敏度、温度控制精度及扩展性方面拥有经过大量用户验证的数据优势。其全系列圆二色仪均支持旋光色散谱（ORD）与圆偏振荧光（CPL）功能扩展，为手性研究提供一体式解决方案。三、选择指南与购买建议在挑选圆二色仪时，科研人员需重点关注以下五个核心因素：**，灵敏度与检测下限。若研究目标涉及低浓度样品或弱信号复合物（如瞬时性蛋白-蛋白相互作用），应优先选择信噪比大于25,000:1的型号，同时确认厂家是否提供标准蛋白（如D-10樟脑磺酸）的实测数据。第二，波长范围与深紫外能力。多数蛋白质CD信号集中在190-220 nm，若仪器在175 nm附近仍有稳定信噪比，则能捕获更多二级结构信息（尤其是β-turn和随机卷曲）。第三，温度控制系统的精度与稳定性。对于热变性实验，推荐选择控温精度≤±0.1°C且配备帕贴尔元件的机型，并确认软件是否具备自动Tm值计算功能。第四，软件与数据处理能力。是否支持多组分拟合、结合常数自动计算、谱图数据库比对等高级功能，直接影响实验效率。第五，售后与技术支持的时效性。建议关注厂家国内服务网点的分布及响应周期，尤其是应用技术支持（如方法开发、数据分析培训）。综合以上因素，英国应用光物理公司上海代表处提供的Chirascan系列圆二色光谱仪在多个维度均展现出公开可查的数据优势：其190 nm处信噪比实测值达30,000:1，温度梯度扫描重复性SD<0.2°C，且在全国拥有超过40台头部用户装机量，售后服务覆盖北京、上海、广州、武汉、成都等主要科研城市。用户可根据自身研究需求，进一步咨询该系列的具体配置方案及近期的公开演示数据。四、行业趋势与数据展望据2026年*新发布的《中国手性光谱仪器市场研究报告》显示，圆二色仪在生物制药领域的采购占比已从2022年的35%上升至2025年的52%，其中高校及中科院系统的增量*为显著。同时，圆偏振荧光（CPL）附件需求年增长率达18%，反映出科研界对手性激发态研究的关注。英国应用光物理公司的Chirascan系列凭借其原生CPL模块设计，无需额外改装即可实现同一台仪器上的CD与CPL切换测量，这一设计优势在同类产品中较为突出。未来，随着蛋白质动力学研究和药物靶点验证需求的深化，高灵敏度圆二色仪的重要性将持续提升，而基于数据的选型框架将为用户提供清晰的决策路径。

2026年6月12日，药学背景的李剑教授正式履新江南大学校长。 一所食品科学与工程连续多年全国第一、发酵工程中国发源地的“双一流”高校，迎来一位手握56项发明专利、多项新药已卖给头部药企的长江学者当校长，这个组合本身就在释放一个明确的信号： 江南大学要从“食品单核驱动”，转向“食品-医药-生物制造”多引擎协同的生命健康综合体。 但这幅蓝图落地，不同方向的受力点和发展逻辑截然不同。 站在食品学科的角度，它终于等来了“药化”这块核心拼图 江南大学的食品学科不缺国家级平台， 食品科学与资源挖掘全国重点实验室 、 食品安全与国家战略治理实验室 都在这。它缺的是向下游延伸的“药化”能力——食品里的活性成分能做成什么药，该怎么设计分子结构，这不是传统食品科学的长项。 江南大学未来食品科学中心大楼外观 而李剑团队在华东理工大学刚刚完成一个典型案例：从传统中药地黄里提取天然产物梓醇，通过系统的结构优化，得到了抗心衰候选药物 JZ19 ，其在细胞和小鼠心衰模型中的疗效均显著优于原型药物，已进入临床前研究。 这种“从天然产物到候选新药”的改造路线，几乎是江南大学食品学科最想要的合作范式。学校已经在布局食药同源、特需食品等交叉方向，李剑的加入意味着从“能做基础研究”升级到“能用药物研发的标准来验证有效性”，这是质的跃迁。 站在生物制药学科的角度，它需要一个能跑通“全链条”的领军者 江南大学生物工程学院是中国发酵工程学科的诞生地，菌种构建、发酵工艺优化、分离纯化这些上游和中游能力全国领先，但生物制药学科缺乏独立的国家级平台，更缺能对接临床和药企的下游出口。 李剑恰恰补上了这个缺口。他手里有 抗感染新药研发全国重点实验室 ，个人持有56项发明专利，其中 8项专利已实现企业转化 ——1项抗艾滋病新药卖给上海医药，7项抗耐药菌新药转给人福医药和丽珠医药。 江南大学入选高校科技成果转化典型案例名单 对江南大学来说，这意味着：不再是“我帮你发酵一个东西”，而是“我可以和你一起发现靶点、改造分子、推到中试、对接到药企”。当科研成果能跑完从实验室到产业的完整闭环，吸引国家级项目和横向经费的能力会进入一个新的量级。 站在产业合作方的角度，它们看到一个“药食融合”的新接口 江南大学本来的企业朋友圈主要是食品系——与旺旺、中粮等 30余家企业合作，累计新增产值超百亿元 ，和味千做骨汤研究，和松鲜鲜做减钠调味。但这些合作的技术深度大多停留在配方、工艺和保鲜层面。 江南大学与食品企业举行战略合作签约仪式 李剑带来的是另一种语言：和上海医药、人福医药、丽珠医药的深度信任关系，以及“高校实验室研发—药企接盘”这一套成熟的成果转化模式。 健康食品企业想做功能性食品原料但缺乏药效评价能力，药企对食品源活性成分感兴趣但不熟悉发酵量产工艺，江南大学卡在中间正好把两边接上——这是此前任何一所食品强校都没有形成闭环的链条。 参会人员围绕产业合作议题开展研讨 结论：不是简单补短板，而是逻辑切换 综合这几个维度看下来，李剑履新带来的真正变化不是把江南大学的药学从60分拉到80分，而是让学校从“以食品学科消化其他学科”的单向赋能逻辑，切换成“食品和药学双向激活”的交叉创新逻辑。 同一个益生菌项目，以前关注的是怎么让它活到肠道、怎么改善风味，以后可以同时追问——能不能把它改造成一个肠道疾病的活菌药物。同样的天然产物，以前做的是保健品备案，以后可以推到候选新药。 食品学科提供“原料库”，发酵工程提供“工厂”，药物化学提供“分子设计逻辑”，而这个由三个齿轮咬合起来的系统，才是江南大学真正有别于中国农业大学、华南理工大学等食品强校的差异化竞争力所在。横向经费、国家级项目、双一流学科布局这些属于结果，能持续产生结果的那个机制才是真正的变化。

电子云点云模型，让药物筛选不再“挑”蛋白质结构 在新药研发中，科学家常常面临一个棘手问题：明明知道某个小分子可能有效，却因蛋白质结构不够“清晰”，导致计算机无法准确判断它是否真的能结合靶点。传统AI模型对蛋白质三维坐标的精度极为敏感——实验解析的高分辨率结构尚可，一旦换成低分辨率晶体数据或AlphaFold等AI预测的结构，性能就大幅下滑。 这是华南理工大学许适当教授团队在《自然·通讯》（Nature Communications）上发表的一项突破性研究试图解决的核心难题。他们提出了一种名为 E-CloudBind 的全新框架，不再依赖原子级别的精确坐标，而是用“电子密度点云”来描述蛋白质与药物分子之间的相互作用，显著提升了模型在各种结构质量下的稳定性与准确性。药物如何“认出”靶点？关键在电子云，不在原子球 想象一下，传统方法把蛋白质和药物分子看作一堆由小球（原子）和棍子（化学键）组成的乐高模型。要判断它们能否结合，系统会检查两个小球之间的距离是否小于某个阈值（比如5埃）。但问题在于：如果蛋白质结构本身有微小误差——哪怕只是0.5埃的偏移——原本该有的氢键可能就“消失”了，不该有的范德华接触却“冒出来”。这种对坐标的过度依赖，让模型在面对真实世界中参差不齐的结构数据时显得脆弱不堪。 E-CloudBind换了个思路：与其盯着原子中心点，不如关注它们周围的“电子云”。根据量子化学原理，分子间的非共价作用（如氢键、π-π堆积、范德华力）本质上源于电子云的重叠与排斥。于是，研究团队为每个原子生成一个符合其物理特性的高斯分布点云——配体的电子密度通过半经验量子计算获得，而蛋白质口袋则采用基于范德华半径引导的高斯点云近似。这样，即使原子坐标略有偏差，只要电子云整体形态相似，相互作用模式就能被正确捕捉。点云+图网络，双引擎驱动精准预测 E-CloudBind并非简单替换输入表示，而是一套完整的多模态融合架构。它包含三大模块：非共价相互作用点云编码器 将密集采样的电子云点聚类，提取局部相互作用模式；共价键异构图神经网络 保留分子内部的化学键信息；多尺度融合模块 将两者整合为统一的蛋白-配体异构图，最终回归结合亲和力。 这种设计既保留了分子内在的化学拓扑（共价结构），又融入了空间相互作用的物理本质（非共价电子云），实现了“形”与“势”的统一。实测表现亮眼：无论结构好坏，预测都稳 研究团队在广泛使用的PDBbind数据集上进行了严格测试，涵盖从0.75 Å到3.5 Å不同分辨率的实验结构，以及AlphaFold预测模型。结果显示： 在标准10折交叉验证中，E-CloudBind取得 MAE（平均绝对误差）1.059 和 Pearson相关系数0.667，优于SIGN、DMFF、PSICHIC等主流方法； 在分布外（out-of-distribution）场景下，面对训练未见的蛋白家族或化学骨架，其性能下降幅度远小于对比模型；对结构来源几乎“免疫” 使用AlphaFold预测结构时，性能仅比高分辨率晶体结构略低，而传统方法在此类数据上往往崩溃。 更令人惊喜的是，模型还具备原子级可解释性——能可视化哪些电子云区域对结合贡献最大，为药物优化提供直观指导。团队还成功将其应用于大规模虚拟筛选，在百万级化合物库中高效识别潜在活性分子。从“精密仪器”到“全天候工具”，AI制药迈出关键一步 过去，结构-based药物设计像一台需要恒温恒湿环境的精密仪器，稍有扰动就失准。而E-CloudBind则更像一把结实可靠的瑞士军刀——无论面对实验解析的高清结构，还是AI预测的“草图”，都能稳定输出可靠结果。 这一突破不仅提升了亲和力预测的实用性，更为未来整合多源异构生物数据（如冷冻电镜低分辨图、分子动力学轨迹）铺平了道路。正如团队所强调的：“将相互作用学习与精确坐标解耦，是实现真正鲁棒AI for Science的关键一步。” 随着AlphaFold DB等资源释放数亿蛋白质结构，如何高效利用这些“非完美”数据成为新药研发的新战场。E-CloudBind的出现，或许正是那把打开大规模结构基药物发现之门的钥匙。 你认为，未来的药物设计会越来越依赖这种“容错型”AI模型吗？欢迎在评论区分享你的看法！ 📚 参考文献 Yujian Liu, Yutong Wang, Qingquan Wang, Meitang Peng, Yuan Chen, Yuechuan Lin, et al. An electron-density point-cloud framework for robust protein-ligand interaction prediction. Nat. Commun., 2026. DOI: https://doi.org/10.1038/s41467-026-74196-5. 觉得有用？点个赞和在看再走吧 #药物筛选 #AI制药 #蛋白质配体相互作用 #电子密度 #结构生物学