Hunan University

纠错是三代测序数据分析的第一步。但现有的方法往往难以处理嘈杂的数据，或者是为 PacBio HiFi 等技术量身定制的。针对 Nanopore R10 simplex 读数进行优化的方法还存在空白，这种读数的错误率通常低于 2%。2024年12月19日，湖南大学生物学院罗宵教授和湖南大学信息科学与工程学院刘元盛副教授合作在Communications Biology 杂志在线发表题为“Repeat and haplotype aware error correction in nanopore sequencing reads with DeChat”的研究论文，该文章提出了DeChat，这是一个基因组纠错工具，专为Nanopore R10 simplex reads 或错误率在2%左右的TGS数据设计。它利用dBG（德布鲁因图）和MSA（变异感知多序列比对）的优势，创造出一种协同方法。这种方法可避免读数过度校正，确保保留重复序列和单倍型中的变异，同时准确校正测序错误。 工具链接：https://github.com/LuoGroup2023/DeChat 原文链接：https://doi-org.libproxy1.nus.edu.sg/10.1038/s42003-024-07376-y 研究内容总结 DeChat是专为纳米孔（ONT R10 simplex）长读长设计的重复和单倍型感知的纠错工具，仅需CPU资源，适配HAC或SUP模型的低错误率（<2%）读长数据。 DeChat具有高效处理SNP、插入和缺失等多种遗传变异，避免过度纠错的优势，并能显著降低错误率，同时保留单倍型和重复信息，防止基因组变异丢失。 DeChat与GPU依赖的深度学习工具Herro相比，DeChat更通用，避免了读长信息的大量丢失，并且在纠错效率、错误率和单倍型覆盖率方面优于其他只需CPU的工具。 使用DeChat纠错后的读数能显著提升基因组组装和宏基因组分类的质量。 DeChat方法介绍 DeChat方法分为两个阶段： 第一阶段：利用BCALM2快速构建压缩的de Bruijn图（dBG），通过最小哈希策略提高效率。随后将原始读序比对到dBG上，通过深度优先搜索和Dijkstra算法找到稳健k-mer之间的最短路径，生成预纠错的读序。 第二阶段：采用hifiasm的多序列比对模块，进行全序列比对，标记具有信息性的位点（如SNP），生成一致性序列以完成最终纠错。 如下图所示，展示了DeChat的工作流程。 模拟数据纠错 作者通过PBSIM模拟了多个ONT R10 simplex 数据集，DeChat展示了其纠错性能，在大肠杆菌多倍体（2,3,4倍体）上实现了大约 38~200、21~251 和 25~231 倍的错误率降低。在真实单倍体和四倍体马铃薯基因组上分别实现了约3.5~5.9和2~5.3倍的错误率降低。 1 E. coli 多倍体纠错  作者通过混合大肠杆菌菌株构建了伪二倍体、三倍体和四倍体基因组，下表中展示了不同纠错工具的纠错结果。对于不同的错误类型，DeChat 在纠正Mismatch和所有四种类型的indels方面优于其他工具：non-homopolymer insertion,non-homopolymer deletion,homopolymer insertion, and homopolymer deletion。 2 单倍体和四倍体马铃薯纠错  作者利用最近发表的高质量四倍体马铃薯基因组构建了真实的四倍体和单倍体基因组。其中马铃薯数据集中的基因组是真实的，而 ONT R10 读数是模拟合成的。“–”表示纠错工具运行错误或由于运行时间过长（CPU>2000h）而中断。 3 宏基因组纠错  作者模拟了不同复杂度的宏基因组数据，在低复杂度（“sim-meta-low”）宏基因组和高复杂度（“sim-meta-high”）宏基因组数据集上分别将错误率降低了约 3-10 倍和 3-8 倍。CAMISIM用于模拟两个数据集，低复杂度包含 30 个物种（60 个菌株），菌株相对丰度范围为 0.30% 到 6.43%。高复杂度包含 373 个物种（ 1000 个菌株），菌株相对丰度范围为 0.04% 至 0.30%。两个数据集中涉及的微生物基因组均来自于 RefSeq 中存放的完整基因组序列。 真实数据纠错 作者还针对果蝇和拟南芥以及宏基因组(real-meta-Zymo) 的ONT R10 simplex reads 测试了各种纠错方法的性能，与大多数其他方法相比，真实 D.melanogaster 数据集的错误率低 1.2 到 1.4 倍，真实拟南芥数据集的错误率低 1.2 到 1.4 倍。虽然DeChat 在拟南芥数据集上的错误率高于 Herro，但 Herro纠错后丢失了约 90%的reads，这显着影响单倍型覆盖率，使其减少约 15%。对于真实宏基因组zymo，DeChat与单倍型覆盖率相似的其他方法（例如 ashifiasman 和 Racon）相比，DeChat 分别显着降低了大约 2 倍和 5 倍的错误率。而其他擅长降低错误率的工具却在降低错误率的同时，使大量信息丢失，单倍型覆盖率下降了10%至15%。 1 果蝇和拟南芥纠错  real-D.melanogaster 的平均测序覆盖率为 129层，real-A.thaliana 的平均测序覆盖率为 223层。“–”表示纠错工具运行错误或由于运行时间过长（CPU>2000h）而中断。 2 宏基因组zymo纠错  zymo数据集测序错误率约为 2%，平均测序覆盖度是 30 层。“–”表示纠错工具运行错误或由于运行时间过长（CPU>2000h）而中断。 3 单倍体马铃薯重复区域纠错  作者从单倍体马铃薯基因组的重复区域中提取了校正（子）读数，使用 EDTA生成了这些重复区域的坐标，结果显示，DeChat 在错误率（mismatch和indels）和马铃薯基因组重复区域内的单倍型覆盖度方面均优于其他可用工具。 除此之外，作者还针对模拟的大肠杆菌和马铃薯数据，分别针对读数在不同长度、覆盖度以及错误率的情况下的评估，均显示了DeChat在纠错结果各方面的优越性。 组装与分类改进 为了研究纠正错误后的读数对新基因组组装质量的影响，作者分别使用 hifiasm 和 hifiasm-meta（针对多倍体基因组和宏基因组的两种组装程序）开展了一系列实验，并在宏基因组测序数据上对分类性能进行了比较研究。 1 模拟数据集的组装评估  在下方所有数据集中，在组装之前应用 DeChat 可以显着提高单倍型覆盖度、获得更长的contig（通过 N50/NGA50 测量）和更低的错误率。 2 真实数据集的组装评估  即使是对于纠错后的ONT reads，还是会产生较低的错误率，而 hifiasm 通常会产生具有重复序列的较大的 contig ，导致 N50 低于 NGA50 。为了解决这个问题，作者还应用了Flye组装工具。DeChat+Flye 的组合显着提高了基因组组装的连续性 (N50/NGA50)，同时在其他指标上保持与原始 Flye 组装相当的性能。 3 单倍体马铃薯重复区域纠错  作者还针对宏基因组专门评估了纠错后的分类结果。如下表所示，DeChat + Centrifuge 的组合在保持相同 Recall 的同时显着提高了 Precision 。 感谢阅读！ 欢迎批评指正。 撰文｜李毅晨

药物研发一直是科学界最具挑战的领域之一。面对着多个目标的优化需求，如药物的吸收、分布、代谢、排泄（ADMET）等，传统方法往往受限于数据稀缺性和模型迁移性。近期，中南大学曹东升和湖南大学曾湘祥的研究团队在Journal of Medicinal Chemistry发表了一篇题为“MPCD: A Multitask Graph Transformer for Molecular Property Prediction by Integrating Common and Domain Knowledge”的论文，为分子属性预测领域带来全新视角。 MPCD模型的成功展示了如何结合领域知识与多任务学习，应对数据稀缺的挑战。 点击下方链接，查看完整论文内容：https://pubs-acs-org.libproxy1.nus.edu.sg/doi/10.1021/acs.jmedchem.4c02193unsetunset技术亮点unsetunset MPCD通过整合通用知识与领域知识，解决了分子预训练模型在下游任务中的“优化目标不匹配”问题，大幅提高了预测性能，尤其在数据稀缺场景中优势明显。 多任务学习（MTL）：利用任务之间的相关性，在数据量有限的情况下，提升预测精度并增强模型的鲁棒性。 关系感知自注意力机制：全面捕捉分子的局部与全局结构信息，赋予模型更强的分子表征能力。 该模型在ADMET属性预测、分子物理化学性质和活性悬崖预测中表现出色，在了小数据集和不平衡数据集上效果瞩目。unsetunset模型构建unsetunset图1.MPCD的框架图 MPCD框架（图1a）包含两个主要组件：一个具有关系感知自注意力机制的图编码器和一个带有注意力权重的自适应MTL模块。具体来说，关系感知自注意力机制将原子特性（例如原子类型和中心性）作为Query-Key矩阵的输入特征，同时将节点的空间信息和边的编码作为关系偏置（图1b）。此外，MPCD能够在不同层次上区分原子、骨架和分子（图1c）。unsetunsetMPCD模型的实验研究unsetunsetMPCD模型的实验设置 预训练： 利用掩码节点预测（Mask Node Predictions），通过随机替换图节点并预测其原始类型，模型能够在无标注数据上学习分子图的通用特征。同时将分子化学性质描述符（如分子量和TPSA）融入预训练目标，提升模型对化学特性的感知能力，进一步优化后续任务的表现。 微调： 使用多个ADMET和物理化学性质的分类和回归数据集对模型进行微调，特别是在高数据量、低数据量和不平衡数据场景下，MPCD模型表现出较强的鲁棒性与泛化能力。此外，利用MoleculeACE数据集评估了模型在预测化合物生物活性（特别是活性断崖）方面的能力，结果表明模型在不同任务中具有一致的高性能。MPCD在高数据量场景中提升了属性预测性能图2.高数据量场景中的性能评估 我们首先在数据量较大的ADMET和物理化学数据集上评估了我们的MPCD方法，与基线方法进行比较，这些数据集每个都有超过1000个数据点。分类（图2a）和回归（图2b）任务的结果显示，MPCD在41个数据集上表现优异。与其他九种图神经网络（GNNs）相比，MPCD在所有数据集上都展示了6.79%的分类任务提升和27.4%的回归任务提升，此外，其他度量的平均提升范围在5.99%到32.07%之间。MPCD的表现相比于从头训练的GNN方法（如GAT、GCN、Attentive FP等）和自监督学习方法（如PretrainGNN、GROVER、MolCLR）在所有数据集中具有更低的方差和更强的鲁棒性，体现了其有效性。 在评估MPCD在活性悬崖数据集（activity cliffs）上的表现时，我们发现MPCD在这类数据集上也表现出色。活性悬崖数据集中，两个结构相似的分子即使稍有结构变化，也可能导致其生物活性发生显著变化。MPCD在30个数据集上的整体相对提升为37.20%（均方根误差RMSE为0.54）。此外，MPCD能够有效识别活动差异分子，其平均曲线下面积（AUC）为84.27%。MPCD在低数据量场景和不平衡数据集效果拔群图3.在底数据空间和不平衡数据集中评估MPCD 在现实世界的应用中，用于分子属性的标记数据量各异，分布情况也不同。低数据空间指的是数据集的规模小于1000，无法为深度学习提供完整的数据分布来学习通用模型，这会导致训练数据的过拟合。一些现有的方法使用数据增强技术来扩展训练数据的分布空间，但分子的增强需要一定的专业知识，且耗时不经济，而我们的方法无需数据增强即可解决这个问题。 由于获取实验数据集的困难和高成本，应用分子表征模型有效处理有限规模数据集变得尤为重要。为此，我们进一步分析了MPCD和基线方法在小规模数据集上的表现。实验评估了在缩小版训练数据集上应用MPCD和基线方法的有效性，训练集的大小范围从100到8000，分别在hERG和LogD任务上进行了评估。图3a和图3b中的结果分析显示，随着数据集大小的减少，AUC和R2指标的表现有所下降。尽管训练样本减少导致性能下降，但在有限规模数据集上，我们的方法始终表现出与基线方法竞争的结果。具体来说，当数据集大小为100时，MPCD在hERG和LogD任务上的提升分别为78.8%和66.77%，超出最佳基线方法17.9%和13.2%。 这些发现强调了预训练任务和自适应多任务学习（MTL）的优势，使MPCD对标记数据的依赖减少。类似的结论也从原始低数据空间的观察中得出，这与随机抽样的低数据空间有所不同。在这种情况下，数据集通常具有显著的分布偏差。例如，对于数据集大小小于1000的低数据空间任务，包括CYP 1A2/2C19/2C9/2D6/3A4 sub、DILI、SkinSen、BCF、CL、LC50DM和LC50FM，MPCD平均超出基线27.02%（见图3c）。这些结果表明，MPCD提供了一个在小规模和不平衡数据集上表现良好的统一属性预测框架。 更具挑战性的场景是数据分布不平衡。例如，PPB数据集的标签分布从0到100，且中位数为93。这表明数据在93到100之间的分布比在0到93之间的分布更为密集，因此PPB数据集是一个低数据空间和不平衡标签分布的例子。MPCD在PPB数据集上超出基线12.33%，证明了MPCD在处理低数据空间和不平衡数据集中的有效性（见图3c）。 MPCD在低数据环境下的显著提升主要归因于两个因素：其使用的领域知识和MTL。首先，领域知识在大规模无标记数据上添加了图级预训练任务，这弥补了化学空间的缺乏，并为下游任务提供背景信息，有助于提升模型性能。其次，MTL通过利用任务之间的相关性和相关任务的信息，有效帮助低数据空间任务提升性能。探索表征中的知识图4.研究MPCD获得的原子级和图形级知识 分子表征模型通常采用对原子或者分子表征的非线性映射或分子表征的ReLU映射来进行属性预测。理解原子和分子表征至关重要，因为这直接影响分子表征模型的预测能力。因此，我们进行了额外的研究，探讨在不同设置下原子和分子表征的分布。此研究旨在揭示MPCD表现优异的根本原因，并验证表征中知识的可靠性。 在原子表征方面，我们从hERG测试集中随机选择了1000个不同原子的嵌入用于可视化（图4a）。不同类型的原子聚类明显，使其易于区分，展示了原子类型在其表征中的有效区分。接下来，我们比较了不同设置下的原子嵌入，以展示知识的演变。在第一种设置（遮蔽节点预测）中，不同原子之间的边界清晰。相同类型的原子之间紧密聚类。在第二种设置（遮蔽节点和领域知识预测）中，与第一种设置下的嵌入相比，原子的分布发生了变化。第一次变化涉及到同类型的原子因功能变化而在不同中心聚集。第二次变化则是不同类型的原子因其相似的功能而聚集在一起。原子功能受局部结构和全局语义的影响。与第一种基于邻居聚合的设置不同，第二种设置结合了领域知识，将原子表征嵌入了有关分子的全局语义信息。在药物发现中，轻微的结构变化可能导致显著的属性变化，如活性悬崖。此外，不同的原子可以具有相似的功能，例如各种卤素元素容易发生氧化反应。因此，领域知识通过语义信息丰富了原子嵌入，使得功能不同的原子更易于区分，或者功能相似的原子更加相似。与第二种设置相比，MPCD专注于ADMET和物理化学属性，使得原子嵌入的分布更加集中，同时仍保留了对原子功能的关注。第三种设置下的原子嵌入表现出比第二种设置少的方差，比第一种设置多的方差。这表明，丰富了领域知识的原子嵌入与与ADMET和物理化学属性相关的嵌入差异较小，进一步说明领域知识如何缩小优化差距。 接下来，在分子表征方面，我们在hERG和LogD测试集上进行了分子嵌入（图4b和图4c）。具体而言，我们将上述三种设置应用于hERG和LogD测试集，并利用t-SNE可视化分子表征。结果表明，从遮蔽节点和领域知识表征中导出的分子嵌入与ADMET和物理化学属性值没有直接的线性相关性，表明领域知识预测提供了全面和系统的药物相似性信息，而不仅仅是拟合标签。此外，经过微调后，MPCD成功区分了心脏毒性和非心脏毒性分子的表征，并区分了LogD值与分子表征之间的相关性。这表明该系统能够学习具有不同属性的分子的独特特征。探索MPCD中的可解释性表1.MPCD有效地检测相应端点的决定性和可解释的功能组 为了获得化学上合理的解释，分子属性预测结果需要易于理解。因此，我们接着探讨了注意力权重在属性预测中捕获的重要功能基团的能力。注意力权重捕获的功能基团显示了对应功能基团对分子属性的贡献，这为化学家判断预测值提供了辅助参考。为了不失一般性，我们使用了皮肤致敏（SkinSen）和致癌性作为示例，并突出了由注意力权重值定义的重要功能基团（见表1）。颜色突出显示了决定分子属性的功能基团。颜色越深，功能基团的重要性越高。注意力权重是模型框架图1a中的“Attention”，是一种可学习的权重，应用于分子的每个原子表征。不同的原子，如果注意力差异不超过0.02，则会聚合成一个功能基团。 结果表明，节点级注意力机制有效地引导模型集中注意力在显著影响ADMET属性的核心功能基团上。观察显示，功能基团的注意力与化学知识一致，展示了MPCD对类药物分子的强大学习能力和可解释性。此外，MPCD的可解释性对于化学家寻找可信的分子并潜在发现影响分子属性的新范式是有帮助的。我们的方法可以扩展到其他属性。只需取出图1a中的“Attention”，将其与原子对应，并根据规则聚合，就可以获得与分子属性相关的功能基团，然后探索其相关性。unsetunset总结unsetunset 本文介绍了MPCD，专为高数据量和低数据量场景下的分子属性预测设计，其性能优于现有模型。尤其是在低数据量场景下，当现有方法性能大幅下降时，MPCD依然能够展现出竞争力。该模型通过整合精心设计的领域知识预测和自适应多任务学习（MTL）技术，实现了卓越的性能。MPCD在预训练阶段引入领域知识，缓解了预训练与微调之间的优化目标差距，从而增强了模型的迁移能力。同时，自适应注意力机制结合MTL，将不同分子属性预测模型整合为一个统一的框架，从而高效预测多种类型的分子属性。 此外，MPCD的可视化分析表明，模型生成的原子、骨架和图级别的嵌入与现有专家知识高度一致，为化学家提供了重要的参考，并提升了模型的理解能力。同时，任务相关性分析揭示了任务之间的内在关系及其对模型效率的影响。最后，MPCD通过注意力权重识别出影响皮肤致敏性（SkinSen）和致癌性的功能基团，为化学家验证研究发现的可信度或识别新型警示结构提供了依据。 未来，研究团队计划将MPCD应用于专有和湿实验数据集，并与工业合作伙伴及学术研究团队展开合作。此外，还将探索更多的解释性方法，包括通过梯度分析评估特征敏感性，以及开发面向全局和局部的解释性技术。 参考资料 Yang, X.; Duan, Y.; Cheng, Z.; Li, K.; Liu, Y.; Zeng, X.; Cao, D. MPCD: A Multitask Graph Transformer for Molecular Property Prediction by Integrating Common and Domain Knowledge.Journal of Medicinal Chemistry 2024. DOI: 10.1021/acs.jmedchem.4c02193. 代码连接 https://github.com/XIXIYOUNG2018/MPCD 投稿人：杨喜喜 责任编辑：许燕红

12月11日，港交所官网显示，广东东阳光药业股份有限公司（以下简称：东阳光药）递交港交所上市申请，中金公司为独家保荐人。（点击下载：东阳光药招股说明书） 图片来源：港交所官网 招股书显示，东阳光药成立于2003年，目前是一家从事药物的研发、生产和商业化的是一家综合性制药公司，专注于创新药，亦涉及改良型新药、仿制药和生物类似药。 东阳光药专注于感染、慢病及肿瘤等治疗领域，拥有多元化的产品组合。其抗感染药物组合在中国处于领先地位，涵盖流感、乙肝、丙肝和急性呼吸道感染等适应症。 2023年，其治疗流感的主要热销产品可威®（磷酸奥司他韦）在中国磷酸奥司他韦市场排名第一，市场占有率为64.8%，按2023年的销售收入计占中国抗流感药物市场的50.5%。 在慢病领域，东阳光药已建立了中国领先的糖尿病药物组合，并持续拓展药物产品至(i)肺纤维化、肺动脉高压、慢性阻塞性肺病及哮喘等呼吸系统疾病，(ii)痛风、肥胖等其他代谢疾病，及(iii)神经精神疾病。 在肿瘤领域，东阳光药的肿瘤管线专注于利用精准靶向等技术治疗实体瘤和血液相关肿瘤（血液系统肿瘤）。 东阳光药在研管线 图片：招股书（下同） 东阳光药拥有覆盖化学药及生物药完整生命周期的研发平台，也拥有AIDD、小核酸、ADC、PROTAC、特异性抗体、溶瘤病毒及CAR-T等先进的技术。 东阳光药积极开拓国际市场，截至2024年6月30日，已就70款海外医药产品获得252个国际药品批文，并在美国和澳大利亚完成了四款1类创新药的I期临床试验。2023年12月，东阳光药向美国FDA提交生物类似药甘精胰岛素的BLA，有望成为首家获得FDA豁免III期临床试验并在美国销售甘精胰岛素的中国制药公司。 截至2024年6月30日，东阳光药在全球（包括中国、美国及欧洲）拥有147款获批药物，还有超过100款在研药物，包括45款1类在研创新药物，其中三款获NMPA就于中国上市审评的创新药物及十款在研创新药物处于II期或III期临床试验。 此外，东阳光药致力于将AI技术应用于药物研发的各个阶段，并已建立多个先进的AI驱动模型。如HEC169584，一款用于治疗NASH的THR-β激动剂在研药物，是我们AIDD实验室开发的首款在研小分子新药，已提交IND申请。 根据弗若斯特沙利文报告，以2014年1月1日至2023年12月31日在中国公布的专利数量及授权专利公告数量统计，东阳光药在中国制药公司中排名第一。 在生产方面，截至2024年6月30日，东阳光药有两个生产基地，位于广东省东莞松山湖及湖北省宜都，合计占地面积超过1,300亩。 松山湖工厂已获得美国、欧盟及中国的GMP认证，化学药品年产能达到18亿片╱粒，预期将在2025年于松山湖基地建成达到国际GMP标准、规模化的生物制品生产基地，为在研生物药的商业化提供有力支持。 宜都生产基地已获得中国GMP认证，生产各类胰岛素产品、固体剂型和冻干粉针剂，并为全球最大的可威®（磷酸奥司他韦）生产基地，并已将其胰岛素最高年产能由2023年的18百万支注射剂扩大至2024年的一亿支注射剂。 在销售方面，截至2024年6月30日，东阳光药在中国推广及销售合共48款医药产品，销售及分销网络横跨全国32个省、直辖市、自治区和近300个地级市，覆盖2,500多家3级医院，9,500多家2级医院，75,000多家1级医院、众多大型全国性或区域连锁药店以及其他医疗机构，最大限度覆盖全国市场。 同时，东阳光药海外销售网络覆盖包括美国、德国及英国在内八个国家及地区，在当地市场建立了销售能力。未来，东阳光药计划将海外销售网络扩展到非洲和拉丁美洲，并进一步加强在主要发达国家和地区的销售网络。 2021年11月，东阳光药完成对东阳光长江药业的控股收购。 彼时，东阳光药、香港东阳光与广东东阳光科技签署了重大资产出售协议，约定广东东阳光科技向本公司转让其于东阳光长江药业持有的226,200,000股内资股，及向香港东阳光转让其于东阳光长江药业持有的226,200,000股H股股份。上述转让股份合计452,400,000股，约占东阳光长江药业总股本的51.41%，交易对价为人民币37.23亿元。东阳光长江药业自重组交割日起成为东阳光药并表附属公司。 目前，东阳光药已提出以吸收合并的方式将东阳光长江药业私有化，将根据换股比率向全体换股股东发行H股，作为换股的对价。 东阳光药在招股书中称，合并能够(i)经扩大广东东阳光药业集团将成为一个综合性的制药公司；(ii)整合境内外销售渠道；(iii)提高企业综合效率；对换股股东的益处包括(i)其一体化的自主研发体系及覆盖药物完整开发周期的研发平台，可实现长期价值创造；(ii）提高运营效率，扩大规模经济效应；(iii)提升在资本市场的整体表现。 东阳光药综合损益表概要 财务方面，2021年、2022年、2023年、2024年6月30日止6个月，东阳光药的收入分别为10.58亿元、38.14亿元、63.86亿元、25.82亿元。2024年H1同比2023年H1收入减少了20.7%。 东阳光药的大部分收入来自可威（磷酸奥司他韦）的销售，销售额分别占2021年、2022年、2023年、2024年6月30日止6个月收入的52.4%、81.2%、86.9%、74.9%。 东阳光药按主要产品划分的收入 截至最后实际可行日期，张先生、郭女士以及其控制的实体，即广东东阳光科技、宜昌东阳光药研发、东莞东阳光药研发、林芝东阳光药业研发、深圳东阳光药业、深圳东阳光实业、乳源寓能电子、韶关新寓能实业、乳源新京科技、宜都俊佳芳及宜都帅新伟，将成为一组控股股东。 东阳光药股权架构 东阳光药董事长兼执行董事为张英俊博士，46岁，主要负责本集团的长期战略规划及企业整体运营，以及药物研发。张博士于2008年4月加入东阳光药，2021年1月19日于股东大会上被选聘为公司董事，于2024年5月10日被指定为公司执行董事。张博士是战略委员会的主席、提名委员会及薪酬与考核委员会成员。张博士亦自2019年3月起担任东莞东阳光新药执行董事。 张博士在创新药物研发及商业管理方面拥有超过16年的经验。张博士自2023年4月起担任抗感染新药研发全国重点实验室副主任及学术委员会成员。在加入东阳光药之前，张博士在2007年11月至2008年3月于日本冈山理科大学进行博士后研究工作，主要从事复杂分子的合成及有机发光材料化合物的合成。 张博士获得多项荣誉，担任多项学术任职，包括：于2023年担任南京生物医药产业创新转化中心副理事长、于2023年担任中国生物医药产业链创新与转化联盟常务理事、于2022年担任广东省药物化学委员会主任委员、于2021年担任广东省药理学会第二届药物筛选与评价专业委员会副主任委员、于2020年担任中国药学会药物化学专业委员会委员、于2019年担任《药学进展》青年编委、于2017年担任国家知识产权局中国专利审查技术专家。张博士也曾担任国家“重大新药创制”科技重大专项课题负责人（课题编号：2013ZX09101003）。 张博士于2023年7月获深圳市人力资源和社会保障局认定为制药高级工程师（副高级）。 张博士于2001年6月获得湖南大学的学士学位，专业为化学，于2004年6月获得湖南大学硕士学位，专业为有机化学，并于2007年12月获得湖南大学的有机化学博士学位。 推荐阅读 恒瑞：拟发H股并在香港联交所主板上市 又一国产GLP-1！银诺医药冲刺港交所，B+轮后估值46.5亿元 Copyright © 2024 PHARMCUBE. All Rights Reserved. 欢迎转发分享及合理引用，引用时请在显要位置标明文章来源；如需转载，请给微信公众号后台留言或发送消息，并注明公众号名称及ID。 免责申明：本微信文章中的信息仅供一般参考之用，不可直接作为决策内容，医药魔方不对任何主体因使用本文内容而导致的任何损失承担责任。