urlscan.io logo urlscan.io
SecurityTrails logo

jcpu.cpu.edu.cn Open in urlscan Pro
2001:da8:1030:4::ca77:bd50  Public Scan

Back to summary
URL: https://jcpu.cpu.edu.cn/
Submission: On June 26 via api from US — Scanned from DE

Form analysis 2 forms found in the DOM

POST /cn/search

<form action="/cn/search" method="POST" onsubmit="return checkSearch(this);" class="clearfix" id="SearchForm">
  <div class="fl search-con">
    <select name="searchField" class="fl">
      <option value="所有" selected="">所有</option>
      <option value="titleCn">标题</option>
      <option value="authorNameCn">作者</option>
      <option value="keywordCn">关键词</option>
      <option value="abstractinfoCn">摘要</option>
      <option value="doi">DOI</option>
      <option value="categoryNameCn">栏目</option>
      <option value="addressCn">地址</option>
      <option value="fundsInfoCn">基金</option>
      <option value="clcNos">中图分类号</option>
      <option value="pacs">PACS</option>
      <option value="eeacc">EEACC</option>
    </select>
    <div class="form-group pull-left searchInput">
      <input class="form-control searcontent" id="search_keyword" placeholder="" name="q" type="text">
      <input type="hidden" class="formToken" name="token" value="ae251251-a376-40d4-a5a2-f5feddaa7255">
      <input type="submit" value="" class="pull-left tj">
    </div>
  </div>
  <a href="/cn/to_advance_search" class="adSearch btn" id="AdvanceSearchA" target="_blank">高级检索</a>
</form>

POST /search

<form action="/search" method="POST" id="appTopSearchForm1" onsubmit="return checkSearchNew(this);" class="clear ">
  <div class="container clear">
    <!--手机搜索可能用到的id：appSearchType-->
    <select name="searchField" class="fl">
      <option value="" selected="">所有</option>
      <option value="titleCn">标题</option>
      <option value="authorNameCn">作者</option>
      <option value="keywordCn">关键词</option>
      <option value="abstractinfoCn">摘要</option>
      <option value="doi">DOI</option>
      <option value="categoryNameCn">栏目</option>
      <option value="addressCn">地址</option>
      <option value="fundsInfoCn">基金</option>
      <option value="clcNos">中图分类号</option>
    </select>
    <input type="hidden" name="pageType" value="cn">
    <input type="hidden" class="formToken" name="token" value="ae251251-a376-40d4-a5a2-f5feddaa7255">
    <input type="text" name="q" placeholder="请输入搜索内容" class="fl text">
    <input type="submit" class="sub fl" value="">
  </div>
</form>

Text Content

 * 中国中文核心期刊
 * 中国科学引文数据库核心期刊
 * 中国科技核心期刊
 * 中国高校百佳科技期刊

所有 标题 作者 关键词 摘要 DOI 栏目 地址 基金 中图分类号 PACS EEACC

高级检索
 * 首页
 * 期刊介绍
   1. 刊物简介
   2. 历史沿革
   3. 获奖情况
   4. 数据库收录
 * 编委会
   1. 编委
   2. 青年编委
   3. 规章制度
 * 期刊在线
   1.  最新录用
   2.  优先发表
   3.  当期目次
   4.  过刊浏览
   5.  电子书
   6.  浏览排行
   7.  下载排行
   8.  引用排行
   9.  高级检索
   10. 专刊专栏
 * 下载中心
 * 投稿须知
   1. 投稿须知
   2. 投稿流程
   3. 录用原则
   4. 写作指南
 * 期刊订阅
 * 广告合作
 * 联系我们
 * English

所有 标题 作者 关键词 摘要 DOI 栏目 地址 基金 中图分类号
 * 首页
 * 期刊介绍
   1. 刊物简介
   2. 历史沿革
   3. 获奖情况
   4. 数据库收录
 * 编委会
   1. 编委
   2. 青年编委
   3. 规章制度
 * 期刊在线
   1.  最新录用
   2.  优先发表
   3.  当期目次
   4.  过刊浏览
   5.  电子书
   6.  浏览排行
   7.  下载排行
   8.  引用排行
   9.  高级检索
   10. 专刊专栏
 * 下载中心
 * 投稿须知
   1. 投稿须知
   2. 投稿流程
   3. 录用原则
   4. 写作指南
 * 期刊订阅
 * 广告合作
 * 联系我们
 * English

医药科技创新研究必读
《中国药科大学学报》致谢2023年度审稿专家
投稿快速通道
优先出版
《中国药科大学学报》入选2022年度中国高校百佳科技期刊
医药科技创新研究必读
《中国药科大学学报》致谢2023年度审稿专家





投审稿系统

 * 作者登录
 * 审稿人登录
 * 编辑登录


最新消息

More+
 * 《中国药科大学学报》对钓鱼邮件的严正声明！ 2023-10-11
 * 2024年第55卷第3期正式出版发行 2024-06-25
 * 《中国药科大学学报》入选临床医学领域高质量科技期刊分级目录 2024-06-17
 * 【喜讯】《中国药科大学学报》获评“RCCSE中国核心学术期刊” 2024-05-10
 * 【喜报】《中国药科大学学报》入编《中文核心期刊要目总览》2023年版 2024-05-01
 * 2024年第55卷第2期正式出版发行 2024-04-26

1956年创刊， 双月刊

主管：国家教育部

主办：中国药科大学

主编：王广基

常务副主编：尤启冬

副主编：孔令义 吴晓明 张奕华

ISSN 1000-5048

CN 32-1157/R

 * 最新录用
 * 优先发表
 * 当期目次
 * 过刊浏览
 * 电子书
 * 浏览排行
 * 下载排行
 * 引用排行

最新录用栏目展示本刊经同行评议确定正式录用的文章，这些文章目前处在编校过程，尚未确定卷期及页码，但可以根据DOI进行引用。
More+
优先发表栏目展示本刊经同行评议确定正式录用的文章，这些文章目前处在编校过程，尚未确定卷期及页码，但可以根据DOI进行引用。
More+
2024年 第55卷 第3期 刊出日期: 2024-06-24       目录 封面
专家评述
人工智能助力新药研发
姜正羽, 尤启冬
2024, 55(3): 281-283. DOI: 10.11665/j.issn.1000-5048.2024060302
HTML全文(4) PDF[528KB](2) 施引文献()
姜正羽，尤启冬. 人工智能助力新药研发[J]. 中国药科大学学报，2024，55（3）：281 − 283. DOI:
10.11665/j.issn.1000-5048.2024060302
人工智能与新药研发（解决方法和案例）
AIDD与CADD提升药物成功率的思考
陈柏宇, 吕泸楠, 徐小迪, 张滎, 李炜, 付伟
2024, 55(3): 284-294. DOI: 10.11665/j.issn.1000-5048.2024011302
摘要(1) HTML全文(2) PDF[845KB](2) 施引文献()
摘要：
随着人工智能（AI）和计算科学的迅速发展，特别是人工智能药物设计（AIDD）与计算机辅助药物设计（CADD）技术的引入，自然语言处理、图像识别、深度学习和机器学习等多种技术为新药开发提供了革命性的新途径，大幅提升了研发流程的效率和成功率。在药物发现过程中，AI技术加速了药物靶点的识别、候选药物的筛选、药理评估及质量检验，有效降低了研发风险和成本。本文深入探讨AIDD和CADD技术在药物研发中的应用，分析它们在提升药物设计成功率和药物研发效率方面的思考与探索，并探讨这些技术的未来发展趋势及可能面临的挑战。
 * 
 * 



陈柏宇，吕泸楠，徐小迪，等. AIDD与CADD提升药物成功率的思考[J]. 中国药科大学学报，2024，55（3）：284 − 294. DOI:
10.11665/j.issn.1000-5048.2024011302
人工智能与新药研发（解决方案和案例）
基于人工智能的小分子生成模型在药物发现中的研究进展
唐谦, 陈柔棻, 沈哲远, 池幸龙, 车金鑫, 董晓武
2024, 55(3): 295-305. DOI: 10.11665/j.issn.1000-5048.2024031501
摘要(8) HTML全文(4) PDF[2758KB](3) 施引文献()
摘要：
随着人工智能技术的快速发展，小分子生成模型已成为药物发现领域的重要研究方向。该类模型，包括生成对抗网络（GANs）、变分自编码器（VAEs）和扩散模型等，已被证明在优化药物属性和生成复杂分子结构方面具有显著能力。本文综合分析了上述先进技术在药物发现过程中的应用，展示了其如何补充和改进传统药物设计方法。同时，提出了当前方法在数据质量、模型复杂性、计算成本及泛化能力等方面的挑战，并对未来的研究方向进行了展望。
 * 
 * 
 * 
 * 



唐谦，陈柔棻，沈哲远，等. 基于人工智能的小分子生成模型在药物发现中的研究进展[J]. 中国药科大学学报，2024，55（3）：295 − 305. DOI:
10.11665/j.issn.1000-5048.2024031501
人工智能与新药研发（解决方案和案例）
基于机器学习的KRAS抑制剂活性预测模型研究
杜克, 荣丹琪, 卢瑞, 张小雅, 赵鸿萍
2024, 55(3): 306-315. DOI: 10.11665/j.issn.1000-5048.2024031102
摘要(0) HTML全文(0) PDF[3923KB](1) 施引文献()
摘要：
Kirsten大鼠肉瘤病毒癌基因同系物 (Kirsten rat sarcoma viral oncogene
homolog，KRAS)基因是最常见的突变癌基因之一，发现KRAS抑制剂对存在该基因突变的癌症患者具有潜在的治疗作用。本研究将机器学习应用于KRAS抑制剂的定量构效关系(quantitative
structure-activity relationship,QSAR)模型，从ChEMBL、BindingDB、PubChem
3个数据库中收集了1857条KRAS小分子抑制剂的IC50和SMILES(simplified molecular input line entry
system)，采用3种不同的特征筛选方式结合随机森林、支持向量机、极端梯度提升机3种机器学习模型，构建了9个不同的分类器。结果表明，SVM模型结合互信息筛选显示出最佳性能：AUCtest=0.912，ACCtest=0.859，F1test=0.890，并且在外部验证集上也表现出良好的预测性能(AUCExt=0.944，RecallExt=0.856，FPRExt=0.111)。该研究为使用人工智能方法在天然产物数据库中进行KRAS抑制剂筛选提供了新的技术路线。
 * 
 * 
 * 
 * 
 * 
 * 
 * 
 * 
 * 
 * 
 * 
 * 



杜克，荣丹琪，卢瑞，等. 基于机器学习的KRAS抑制剂活性预测模型研究[J]. 中国药科大学学报，2024，55（3）：306 − 315. DOI:
10.11665/j.issn.1000-5048.2024031102
人工智能与新药研发（解决方案和案例）
机器学习在合成大麻素识别鉴定中的应用进展
许情, 吕敏, 邓虹霄, 胡驰, 向平, 陈航
2024, 55(3): 316-325. DOI: 10.11665/j.issn.1000-5048.2023113003
摘要(2) HTML全文(0) PDF[1047KB](1) 施引文献()
摘要：
合成大麻素是一种人工合成的可以引起公共健康风险的精神活性物质，且合成大麻素结构多变，容易被结构修饰，结构未知的合成大麻素的快速出现使得对其鉴识面临了新的挑战。近年来，机器学习已取得很大的进展，已经广泛应用到其他领域，也为结构未知合成大麻素的鉴识以及可能的来源推断提供了新的策略。本文阐述了常用机器学习方法的原理以及机器学习技术在合成大麻素类物质的质谱分析、拉曼光谱分析、代谢组学以及定量构效关系等方面的应用，以期为未知合成大麻素的鉴识提供新的思路。
 * 
 * 
 * 



许情，吕敏，邓虹霄，等. 机器学习在合成大麻素识别鉴定中的应用进展[J]. 中国药科大学学报，2024，55（3）：316 − 325. DOI:
10.11665/j.issn.1000-5048.2023113003
人工智能与新药研发（解决方案和案例）
基于人工智能驱动分子工厂技术的Menin抑制剂优化
曾浩, 吴国振, 邹武新, 王哲, 宋剑飞, 施慧, 汪小涧, 侯廷军, 邓亚峰
2024, 55(3): 326-334. DOI: 10.11665/j.issn.1000-5048.2024040904
摘要(1) HTML全文(0) PDF[3547KB](1) 施引文献()
摘要：
以深度学习为代表的新一代人工智能技术已经成为推动新药研发的重要驱动力。本文创造性地提出了一种基于人工智能技术的创新药物分子设计和优化工作流程“分子工厂”，该流程融合了自主研发的智能分子生成模型、高性能分子对接算法以及高精度亲和力预测方法，已作为核心模块被整合进一站式药物设计软件平台DrugFlow，为先导化合物发现和优化提供了一整套成熟的解决方案。利用“分子工厂”模块，针对Menin蛋白开展了抗耐药第2代抑制剂的研发。通过计算和实验的结合，快速获得多个潜力化合物，其中化合物RG-10对Menin野生型、M327I突变体和T349M突变体的IC50分别为9.681
nmol/L、233.2 nmol/L和40.09
nmol/L；与已进入Ⅱ期临床的阳性参照分子SNDX-5613相比，其对M327I和T349M突变体的抑制活性显著提升。上述研究充分展现了“分子工厂”技术在新药研发项目中的独特优势，能快速高效地针对特定蛋白结构产生高质量的活性分子，对推动新药研发具有重大价值和深远意义。
 * 
 * 
 * 
 * 
 * 
 * 
 * 



曾浩，吴国振，邹武新，等. 基于人工智能驱动分子工厂技术的Menin抑制剂优化[J]. 中国药科大学学报，2024，55（3）：326 − 334. DOI:
10.11665/j.issn.1000-5048.2024040904
人工智能与新药研发（解决方案和案例）
人工智能在核酸药物研发中的应用和进展
胡子昂, 高利明, 余文颖
2024, 55(3): 335-346. DOI: 10.11665/j.issn.1000-5048.2024033101
摘要(7) HTML全文(2) PDF[1647KB](4) 施引文献()
摘要：
近年来核酸药物领域蓬勃发展，正逐步成为小分子和抗体类药物后的第三代药物新模式。基于机器学习的人工智能技术进步迅速，可以极大推进核酸药物研发的进程。本文概述了核酸药物研发领域的人工智能算法、数据库、表征等基础，阐述了人工智能在核酸结构预测、小核酸药物设计等核酸药物研发环节中的应用和进展，旨在为人工智能和核酸药物交叉学科发展提供参考。
 * 
 * 
 * 
 * 
 * 
 * 



胡子昂，高利明，余文颖. 人工智能在核酸药物研发中的应用和进展[J]. 中国药科大学学报，2024，55（3）：335 − 346. DOI:
10.11665/j.issn.1000-5048.2024033101
人工智能与新药研发（解决方案和案例）
人工智能在抗癌肽研发中的应用与挑战
张志星, 邓华, 唐贇
2024, 55(3): 347-356. DOI: 10.11665/j.issn.1000-5048.2024040201
摘要(4) HTML全文(0) PDF[1190KB](1) 施引文献()
摘要：
抗癌肽（anticancer
peptides，ACPs）因其高效低毒和高选择性优势成为研究焦点，而基于人工智能的ACPs识别和设计方法较传统实验方法成本低廉、成功率高且能够探索更广阔的序列空间。本文重点介绍了人工智能技术在ACPs生成和识别过程中的应用，包括深度生成模型探索新型ACPs设计以及基于机器学习和深度学习的ACPs识别方法。此外，文章还讨论了当前研究中存在的模型可复现性和可解释性不足、缺乏经过实验验证的阴性数据等挑战，并对未来研究方向提出展望，以期为ACPs的研发提供新思路。
 * 
 * 
 * 
 * 



张志星，邓华，唐贇. 人工智能在抗癌肽研发中的应用与挑战[J]. 中国药科大学学报，2024，55（3）：347 − 356. DOI:
10.11665/j.issn.1000-5048.2024040201
More+


专题专栏

More+
免疫治疗药物研究及前沿进展
特邀专稿
“人工智能在新药研发中的应用”专栏



学术支持单位

More+

 * 友情链接
 * 中国药科大学
 * 国家药品监督管理局
 * 中国药学会
 * 国家自然科学基金委员会
 * 国家知识产权局
 * 中国知网
 * 术语在线

版权所有：《中国药科大学学报》编辑部苏ICP备05007142号

地址：江苏省南京市鼓楼区童家巷24号（210009）电话: 025-83271566E-mail: xuebao@cpu.edu.cn

本系统由 北京仁和汇智信息技术有限公司 开发  

访问量：53065



×Close


导出文件

文件类别

RIS(可直接使用Endnote编辑器进行编辑)
Bib(可直接使用Latex编辑器进行编辑)
Txt

引用内容

引文——仅导出文章的Citation信息
引文和摘要——导出文章的Citation信息和文章摘要信息
导出 关闭
×Close


引用参考文献格式


复制 关闭




x 关闭 永久关闭

《中国药科大学学报》对钓鱼邮件的严正声明！