Team name

NeoPep

AI Peptide QuestCB1-targeted analgesic peptide design用生成模型和虚拟筛选寻找 CB1 候选多肽，并开展细胞与动物模型验证

兰州大学萃英学院T1 医药健康

Project title

AI Peptide QuestCB1-targeted analgesic peptide design

T1 医药健康CB1 受体细胞 + 动物模型

NeoPep 以 CB1 受体为靶点，使用生成模型和虚拟筛选寻找候选多肽，再通过细胞实验检查受体活性，并计划在动物疼痛模型中评估候选表现。

NeoPep 以 CB1 受体为靶点，使用生成模型和虚拟筛选寻找候选多肽，再通过细胞实验检查受体活性，并计划在动物疼痛模型中评估镇痛效果和其他反应。项目目标是探索区别于阿片类药物的候选路径。

候选肽合成操作队员在实验台前处理反应体系，记录候选肽由计算序列进入实物合成的环节。

01
阶段 1
合成出来，测一遍
筛完之后是这个项目里最实在的一步 —— 固相合成。多肽固相合成是把氨基酸一个一个接到树脂上，逐步延长。这一步意味着从此不再是数据：候选肽变成了几管真实的白色粉末，可以称重，可以进质谱，可以做实验。体外验证：通过细胞实验验证它们是否真的能激活 CB1 受体。这一步是整条链路的第一个硬门槛。模型觉得像激动剂的分子，到细胞上未必真的有功能。
02
阶段 2
再到动物模型
能激活受体，还不等于能镇痛。所以队伍的最后一步是：在动物疼痛模型上评估其镇痛效果。从「体外能结合」到「体内有效」，中间隔着吸收、分布、代谢、能不能过血脑屏障、以及在整体动物身上是否会出现别的反应 —— 每一环都可能让一个漂亮的体外数据落空。
03
阶段 3
数据回流
闭环的最后一环，队伍写得很明确：实验数据会回流给 AI，用于优化下一轮设计，形成「计算预测—实验验证—迭代优化」的完整闭环。这在肽类药物设计里尤其要紧。生成模型初始时对「什么样的肽能激活 CB1」只有间接的知识；而每一轮真实的活性数据，都是在把这个分布往正确的方向拧。希望以此为基础，为开发更安全的新型镇痛药物探索一条可行的新路径。是「探索一条可行的路径」，不是「开发出一种新药」。

候选肽色谱检测色谱峰用于检查合成候选肽的纯化状态，为后续细胞验证确认样品质量。

候选肽纯化队员操作液相系统分离合成样品，把计算筛出的序列转化为可进入活性检测的候选肽。

纯化结果复核色谱界面显示样品分离峰，团队据此检查候选肽是否满足后续实验要求。