XiaoMi-AI文件搜索系统
World File Search System化学分子
鉴定 SARS-CoV-2 的 3CLpro 的先导抑制剂......
(IC50) 值是从欧洲化学分子生物学实验室 (CHEMBL) 数据库中检索到的。18 下载数据后，我们过滤掉缺少 IC50 值的 SMILES 条目，只保留以纳摩尔 (nM) 为单位测量的生物活性条目，并删除重复的分子，得到 744 个数据点。由于 IC50 值的尺度各不相同，它们被转换成相应的负对数，称为 pIC50 值。此阶段使用 P zer 规则，也称为 Lipinski 五规则 (RO5)，根据药物相似性过滤数据。19,20 满足大多数 Ro5 参数并不能确保化合物会成为药物；它仅表示药物相似性并有助于在临床前阶段淘汰较弱的化合物。我们使用应用 RO5 过滤器后剩余的 659 个数据点来训练模型。图 2 显示了数据集中 RO5 域内或域外的化合物的蜘蛛图。
基于一致性评价的药物-靶标亲和力预测方法...
摘要 - 药物发现的第一步是找到具有针对特定靶标的药用活性的药物分子部分。因此，研究药物靶标蛋白与小化学分子之间的相互作用至关重要。然而，传统的发现潜在小药物分子的实验方法劳动密集且耗时。目前，人们对使用药物分子相关数据库建立计算模型来筛选小药物分子非常感兴趣。在本文中，我们提出了一种使用深度学习模型预测药物靶标结合亲和力的方法。该方法使用改进的GRU和GNN分别从药物靶标蛋白序列和药物分子图中提取特征以获得它们的特征向量。组合向量用作药物-靶标分子对的向量表示，然后输入到完全连接的网络中以预测药物-靶标结合亲和力。该提出的模型证明了其在DAVIS和KIBA数据集上预测药物-靶标结合亲和力的准确性和有效性。
基于Zn的可持续能量存储电池
全球对电池的需求约为960 gW H，电池的生产范围为7至1000万吨（图1a）。16即将到来的几年中预期的市场需求增长将继续取决于电池，预测表明到2030年超过3200 gw h（图1a）。考虑到一个世纪内世界锂资源的预计耗尽，锂离子电池不完全解决了不断升级的需求。较低的经济提取锂储量的可用性引起了人们对全球能源安全的越来越关注，强调了植根于丰富地球金属的电池技术的关键紧迫性。此外，由于成本升高以及与安全性和环境考虑有关的忧虑，锂离子电池用于大规模的能量储藏剂遇到了障碍。17因此，探索锂离子电池以外的替代电池系统的紧迫性至关重要，以便有效地满足负担得起，安全和高性能的储能系统的上升要求。采用丰富元素（如钠，锌，镁，铝和钙）的电池化学分子作为阳极作为替代选择引起了相当大的关注。18–31
评论文章：吡啶衍生物的最新更新
基于吡啶的环结构对药理学活性产生强大影响，并且在药物开发过程中经常使用这一事实，这在很大程度上是由于发现了许多广泛的药物。吡啶是一种基本的杂环化学分子，具有与苯相同的六电子系统。随着1960年烟酸流行的增长，吡啶成为一个有趣的目标。吡啶及其衍生物在自然界中广泛分布，在杂环化学中起着至关重要的作用，并且在医学领域中有多种用途。在全球范围内，预计1994年有1.1亿人患糖尿病，预计到2010年将拥有2.39亿人。据报道，1998年有1.35亿人在1995年患有糖尿病，到2025年，有3亿人将患有病情。根据后来的一项研究，全球糖尿病的人数从2000年的1.71亿增加到2030年的3.66亿。根据国际糖尿病联合会的最新预测，到2035年，全世界将有大约6亿人患有糖尿病，高于先前的2030年3.82亿估计。鉴于糖尿病是全球性的大流行，从所有这些数据中可以明显看出，需要新颖的抗糖尿病制剂。到目前为止发表的研究文章中各种吡啶衍生物的抗糖尿病性质是这项综述研究的重点。
covid-19使用少量...
危及生命的疾病Covid-19启发了通过重新利用现有药物来发现新型治疗剂的重要努力。尽管多靶标（多药理学）疗法被认为是诸如Covid-19的系统疾病的最有效的方法，但计算多靶标的化合物筛选受到高素质实验性数据的稀缺限制，并且在从分子中提取信息方面的差异很少。这项研究介绍了Molgnn，这是一种用于分子性质预测的新深度学习模型。molgnn将图神经网络应用于化学分子嵌入的计算学习。与最新的方法相比，在很大程度上依靠标记的实验数据相比，我们的方法在预处理阶段实现了相同或出色的预测性能，而没有手动标签，并且只有几个标签的数据表现出色。我们的结果表明，Molgnn在稀缺的训练数据方面具有强大的功能，因此是一种强大的几次学习工具。molgnn预测了针对人Janus激酶和SARS-COV-2主要蛋白酶的几个多靶标分子，它们分别是针对瞄准药物的优先靶标，以减轻细胞因子风暴Covid-19症状和抑制病毒复制。我们还预测了SARS-COV-2诱导的细胞死亡的潜在分子。MOLGNN顶级预测中的几个预测得到了现有的实验和临床证据的支持，证明了我们方法的潜在值。
神经科学理学士
生物化学分子原理（CHEM 105bL/115bL；核心课程 CHEM 322aL；如果选修此课程则不能选修 BISC 312）4 CSCI 445L 机器人技术简介（CSCI 103L）4 CSCI 360L 人工智能简介（CSCI 104L；CSCI 170）4 GERO 310（秋季）衰老生理学 4 ECON 405 神经经济学 4 GERO 414（春季）衰老神经生物学（BISC 220L 或 221L）4 GERO 415 衰老神经情感障碍 4 GERO 494（春季）情绪-认知相互作用和衰老 4 HBIO 306 灵长类动物社会行为 4 HBIO 420L 应用人体生理学（BISC 220或 BISC 221) 4 HBIO 435 摄食行为和肥胖的神经生物学 4 HP 409 环境对大脑的影响 4 MEDS 340 健康和疾病中的大脑（（BISC 220 或 BISC 221）和（CHEM 103 或 CHEM 105A 或 CHEM 115A） 4 MEDS 350 成瘾的神经化学：药物、大脑和行为（（BISC 220 或 BISC 221）和（CHEM 103 或 CHEM 105A 或 CHEM 115A） 2 NEUR 490x 指导研究（学生必须申请并获得批准才能注册）2-4 PSYC 301L 认知过程（PSYC 100L） 4 PSYC 304L 感觉和知觉（PSYC 100L） 4 PSYC 305 学习与记忆 (PSYC 100L) 4 PSYC 320 心理生物学原理 (PSYC 100L) 4 PSYC 326 行为神经科学 (PSYC 100L) 4
对基于物理的电池模型的全面综述，并比较各种化学的不同物理模型
从消费电子到电动汽车，电池在各个领域的重要性越来越重要，强调了精确电池模型的关键必要性。本评论描述了电池模型的四个主要类别：经验，等效电路，数据驱动和基于物理的模型。像Nernst和Shepherd模型这样的经验模型提供了简单性，但缺乏精确度。等效电路模型在简单性和准确性之间取得了平衡，尽管有验证约束。数据驱动的方法利用机器学习来准确预测电池性能，但需要高质量的数据集。基于物理学的模型集成了基本的电化学过程，以详细理解，尽管计算复杂性增强。比较分析以锂离子电池为重点，揭示了计算效率和准确性之间的权衡。具有电解质动力学的单个粒子模型及其扩展单粒子模型作为有效的选项出现，带有电解质动力学的单个粒子模型显示出有希望的精度，类似于单个粒子模型。此外，在不同的电池化学分子上进行比较，公布了不同水平的建模精度。本文比较了跨化学的不同电化学建模技术和辨别最佳方法。是电池建模技术之一的电化学模型，已在本研究中进行了详细研究和研究，并为文献提供了有关化学模型如何与哪种电化学模型一起使用的文献。此外，这项研究在Pybamm中使用优化技术有助于现有的铁磷酸锂化学建模。综合提供了对各种建模方法的见解及其对电池研究和开发的影响，从而指导未来的调查，以针对特定应用的更量身定制的建模策略。
纳米流体的传热应用和...
NAGPUR的圣弗朗西斯德销售学院电子部 - 印度440006摘要：锂离子（Li-ion）电池已成为便携式系统的主要次要电源。 他们的显着优势在于他们在处置前多次充电的能力，提供了没有有毒元素的清洁能源。 但是，为这些电池充电需要仔细考虑。 快速充电或过度充电会升高电池温度，可能导致爆炸和事故。 存在各种充电方法，但是恒定的电流恒定电压（CC-CV）方法由于能够防止关键的过度充电，因此特别适合锂离子电池。 本文引入了利用89S52微控制器的锂离子电池充电器电路。 充电器采用CC-CV方法来为电池充满电。 关键字：电池充电器，CC-CV充电，锂离子电池。 引言三个主要的化学分子主导了次级电池的景观：镍镉（NICD），镍金属氢化物（NIMH）和锂离子（锂离子）电池。 但是，由于能源容量有限，尺寸较大和环境问题，NICD和NIMH电池在达到某些标准方面的符合某些标准不足。 相比之下，锂离子电池具有高工作电压，令人印象深刻的能量和功率密度，最小的自我放电以及缺乏记忆效应[1]。 这种优势导致锂离子电池成为各种便携式电子产品的首选选择，并且最近在电动和混合电动汽车领域[1-4]。NAGPUR的圣弗朗西斯德销售学院电子部 - 印度440006摘要：锂离子（Li-ion）电池已成为便携式系统的主要次要电源。他们的显着优势在于他们在处置前多次充电的能力，提供了没有有毒元素的清洁能源。但是，为这些电池充电需要仔细考虑。快速充电或过度充电会升高电池温度，可能导致爆炸和事故。存在各种充电方法，但是恒定的电流恒定电压（CC-CV）方法由于能够防止关键的过度充电，因此特别适合锂离子电池。本文引入了利用89S52微控制器的锂离子电池充电器电路。充电器采用CC-CV方法来为电池充满电。关键字：电池充电器，CC-CV充电，锂离子电池。引言三个主要的化学分子主导了次级电池的景观：镍镉（NICD），镍金属氢化物（NIMH）和锂离子（锂离子）电池。但是，由于能源容量有限，尺寸较大和环境问题，NICD和NIMH电池在达到某些标准方面的符合某些标准不足。相比之下，锂离子电池具有高工作电压，令人印象深刻的能量和功率密度，最小的自我放电以及缺乏记忆效应[1]。这种优势导致锂离子电池成为各种便携式电子产品的首选选择，并且最近在电动和混合电动汽车领域[1-4]。然而，充电锂离子电池需要一种独特的方法，以确保从未破坏当前，电压，温度，功率和能量的规定限制。充电期间的连续监视对于维护电压和当前水平的安全边界至关重要。li-ion电池充电方法已经提出了许多电池充电方法，包括恒定滴流（CTC），恒定电流（CC），恒定电压（CV）和恒定电流恒定恒定电压（CC-CV）策略。鉴于锂离子电池的寿命可能会受到收费和过度充电的显着影响，因此为这些电池充电的常规选择是CC-CV方法[2]。另一种广泛使用的充电技术是TPC充电方法。恒定电流电压充电方法CC-CV方法是电池化学的最普遍，广泛采用的方法，尤其是那些具有上电压极限的方法，例如锂离子电池。此方法在充电逻辑中涉及两个不同的阶段：恒定电流的初始阶段，然后是随后的恒定电压阶段。
来自生物信息学分析T
背景：腹膜后脂肪肉瘤（RLP）是一种罕见的恶性肿瘤，除了手术干预外没有有效治疗。识别新颖的治疗靶标和预后标记对于改善预后至关重要。成纤维细胞生长因子受体底物2（FRS2）位于染色体12q13-15上的MDM2附近，在脂肪肉瘤中具有生物学作用和预后价值，这仍然可以充分探索。方法：使用Bioinformatics工具用于使用公共数据库（例如GTEX，TCGA和CBIOPORTAL）分析各种恶性肿瘤的FRS2的差异表达。在肉瘤（SARC）中，临床病理学特征，预后结局，共表达的基因，肿瘤浸润的免疫细胞水平，免疫刺激剂，主要的组织相容性复合物（MHC）分子和免疫化学分子和免疫化学因素是从多个公共数据库中提取的。肿瘤标本，并通过免疫组织化学评估FRS2表达。结果：发现大多数癌症中发现FRS2被上调和扩增。GEPIA 2分析显示，跨癌症类型，尤其是肉瘤（SARC）的FRS2 mRNA表达显着差异。SARC中的FRS2表达较低与改善的总生存期（OS）和无病生存期（DFS）相关。FRS2可能会影响肿瘤免疫微环境，抑制免疫细胞浸润并促进免疫逃避。在我们的RLPS队列中，在58.53％（48/82）的病例中观察到FRS2过表达，并且与年龄相关（p = 0.009）。结论：FRS2可以作为潜在的预后生物标志物和治疗性癌基因靶标。高FRS2表达与较差的OS和DFS相关（分别为p = 0.049和p <0.001），多变量分析证实了FRS2是独立的预后因素。此外，FRS2可以在SARC中的免疫细胞浸润中发挥作用，并代表了癌症治疗的有希望的免疫治疗靶标。
RyR1 相关肌病的基因治疗
蛋白质 [ 1 , 3 ]，导致细胞质钙稳态改变。许多不同的肌病与 RYR1 致病变异有关，例如中央核病 (CCD)、多小核病 (MmD)、中心核肌病 (CNM)、先天性纤维类型不平衡 (CFTD)，现在这些肌病被称为“RyR1 相关肌病”或 RyR1-RM。RyR1-RM 的治疗受到 RYR1 基因和蛋白质的许多特性的限制，其中包括基因的大小（转录本为 15 kb）和蛋白质（超过 5,000 个氨基酸），形成超过 2 MDa 的同型四聚体。目前，人们正在探索两种治疗方案：使用化学分子的药物治疗和基因治疗，前者包括欧洲药品管理局和美国食品药品管理局分类的 DNA 或 RNA 导向治疗。两种治疗策略都有各自的特点，因此各有优缺点。一般而言，药物治疗通常使用小化学分子，定期（每天或每周）口服或静脉注射。药物治疗针对部分或全部下游病理生理机制。基因治疗通常使用大 DNA/RNA 分子，一次或多次给予患者。基因治疗直接针对不同病理生理机制上游的受影响基因或其产物，因此其作用涵盖了广泛的后果，理论上可以通过同一种治疗逆转所有这些后果。目前，药物疗法是 RyR1-RM 临床试验中唯一有效的治疗方法。最近完成了一项随机、双盲、安慰剂对照试验（I/II 期），研究对象为抗氧化剂治疗（N-乙酰半胱氨酸），但不幸的是，该治疗既没有降低之前发现的氧化应激升高，也没有显著改善患者的身体活动能力 [4]。正在进行的一项试验使用一种所谓的 Rycal 分子 (S48168) 来调节 RyR1 通道功能（ClinicalTrials.gov 标识符 NCT4141670，[5]），以减少由一组致病变异引起的钙漏。除了药物治疗外，基因治疗现在似乎也是这些遗传疾病的一种有吸引力的解决方案。事实上，使用药理学疗法很有吸引力，因为它很容易实施（例如当分子以口服形式提供时，如 NAC 或 S48168），在出现