XiaoMi-AI文件搜索系统
World File Search SystemAffinity
负电子亲和势发射极热电子能量转换器的空间电荷限制理论
推导了采用负电子亲和力 NEA 金刚石发射极电极的真空热电子能量转换装置 TEC 的空间电荷限制输出电流模式的理论。该理论通过假设电子表现为无碰撞气体并自洽地求解 Vlaslov 方程和泊松方程而发展。讨论了该理论的特殊情况。执行计算以在各种条件下模拟具有氮掺杂金刚石发射极材料的 TEC。结果表明，NEA 材料在输出功率和效率方面优于类似的正电子亲和力材料，因为 NEA 降低了发射极的静电边界条件，从而减轻了负空间电荷效应。© 2009 美国真空学会。DOI：10.1116/1.3125282
降低靶标亲和力改善了动物肿瘤中抗MET抗体 - 药物结合物的治疗指数
许多肿瘤学抗体 - 药物结合物（ADC）由于摄取对健康组织的摄取引起的剂量限制毒性而未能证明诊所的功效。我们开发了一种利用ADC亲和力来利用ADC亲和力的方法，以使用两种抗中质 - 上皮过渡因子（MET）单克隆抗体（MABS）具有高亲和力（HAV）或低亲和力（LAV）（LAV）与单甲基甲甲基甲硫酸甲硫酸甲素（MaUristatin E（Ma））。LAV-ADC的估计Ti至少比HAV-ADC大3倍。在异种移植模型中，LAV-和HAV-ADC显示出相似的抗肿瘤活性水平，而111个DTPA研究显示HT29肿瘤中的ADC量相似。尽管LAV-ADC的血液清除率比HAV-ADC慢约2倍，但使用HAV-ADC观察到更高的肝毒性。虽然SPECT/CT 111 IN-和124 I-DTPA的发现表明HAV-ADC在正常组织中的积累较高，并且在正常组织中具有快速的清除率，但插入性微拷贝（IVM）研究证实，HAV MAB在肝辛西尔内皮细胞内积累，而LAV MAB则没有。这些结果表明，降低MET结合亲和力为Met-ADC提供了更大的Ti。降低ADC的亲和力降低了靶标介导的药物处置（TMDD），以在正常组织中表达的MET，同时向肿瘤摄取/递送。这种方法可以应用于多个ADC，以改善临床结果。
利用基于白蛋白结合域衍生亲和蛋白的强效药物偶联物靶向 HER2 表达肿瘤
摘要：白蛋白结合域衍生的亲和蛋白 (ADAPT) 是一类小型折叠工程支架蛋白，在靶向癌症肿瘤方面具有巨大前景。在这里，我们通过与白蛋白结合域 (ABD) 融合延长了 ADAPT 的体内半衰期，该蛋白靶向人表皮生长因子受体 2 (HER2)，并用高细胞毒性有效载荷 mertansine (DM1) 武装它，以研究其体外和体内特性。所得药物偶联物 ADAPT6-ABD-mcDM1 保留了与其预期靶标（即 HER2 和血清白蛋白）的结合。此外，它能够特异性地结合具有高 HER2 表达的细胞，被内化，并显示出强毒性，IC 50 值范围为 5 至 80 nM。相反，对于具有低 HER2 表达的细胞没有发现毒性作用。体内实验中，用 99m Tc 放射性标记的 ADAPT6-ABD-mcDM1 在大多数正常器官中的摄取率较低，主要排泄途径为肾脏。24 小时后肿瘤的摄取率为 5.5% ID/g，高于除肾脏外所有正常器官在此时间点的摄取率。通过预先注射过量的单克隆抗体曲妥珠单抗（在 HER2 受体上具有重叠表位）可阻断肿瘤的摄取。总之，基于亲和蛋白 ADAPT 平台的半衰期延长药物偶联物有望进一步发展为靶向癌症治疗。
使用以 Morgan 指纹为特征的深度神经网络模型预测 ErbB 抑制剂的结合亲和力
ErbB 受体家族（包括 EGFR 和 HER2）在细胞生长和存活中起着至关重要的作用，并与乳腺癌和肺癌等各种癌症的进展有关。在本研究中，我们开发了一个深度学习模型，使用基于 SMILES 表示的分子指纹来预测 ErbB 抑制剂的结合亲和力。每种 ErbB 抑制剂的 SMILES 表示均来自 ChEMBL 数据库。我们首先从 SMILES 字符串生成 Morgan 指纹，并应用 AutoDock Vina 对接来计算结合亲和力值。根据结合亲和力过滤数据集后，我们训练了一个深度神经网络 (DNN) 模型来根据分子指纹预测结合亲和力值。该模型取得了显著的性能，训练集上的均方误差 (MSE) 为 0.2591，平均绝对误差 (MAE) 为 0.3658，R 平方 (R²) 值为 0.9389。尽管在测试集上性能略有下降（R² = 0.7731），但该模型仍然表现出强大的泛化能力。这些结果表明深度学习方法对于预测 ErbB 抑制剂的结合亲和力非常有效，为虚拟筛选和药物发现提供了宝贵的工具。
DrugOOD：人工智能辅助药物发现的分布外数据集管理和基准 - 重点关注带有噪声注释的亲和力预测问题
人工智能辅助药物发现 (AIDD) 因其能够使新药搜索更快、更便宜、更有效而越来越受欢迎。尽管它广泛应用于众多领域（例如 ADMET 预测、虚拟筛选），但对带噪声的分布外 (OOD) 学习问题的研究却很少。我们提出了 DrugOOD，一个系统的 OOD 数据集管理和 AIDD 基准。具体来说，我们专注于药物-靶标结合亲和力预测问题，其中涉及大分子（蛋白质靶标）和小分子（药物化合物）。DrugOOD 提供了一个自动化的数据集管理者，具有用户友好的自定义脚本、与生物化学知识一致的丰富领域注释、逼真的噪声水平注释以及 SOTA OOD 算法的严格基准测试，而不是仅提供固定数据集。由于分子数据通常使用图神经网络 (GNN) 主干建模为不规则图，因此 DrugOOD 还可作为图 OOD 学习问题的宝贵试验台。大量的实证研究表明，分布内和分布外实验之间存在显著的性能差距，这强调了需要开发更有效的方案，以允许 AIDD 在噪声下进行 OOD 泛化。
YY1的N末端调节锌膜的DNA和RNA结合亲和力，以及意外的核酸结合结构域
Present Address: Jimmy Elias, Molecular Genetics and Cell Biology, University of Chicago, Chicago, IL, 606037, USA Present Address: Jane J. Rosin, Department of Medicine, Brigham and Women's Hospital and Harvard Medical School, Boston, MA, 02115, USA Present Address: Amanda J. Keplinger, Molecular Genetics and Cell Biology, University of Chicago, Chicago, IL, 606037, USA目前的地址：Alexander J. Ruthenburg，《分子遗传学和细胞生物学》，芝加哥大学，芝加哥，伊利诺伊州606037，美国，美国
可接受性和负担能力测试定量现场工作
这项研究的实地调查是在2023年8月18日至9月12日之间进行的。总共进行了2,210个访谈。1,847 1家庭访谈，主要是通过“推向网络”方法（即邀请在线完成）。其中1,347个位于泰晤士河双供应区（泰晤士河水提供水和废水服务），在“亲和力泰晤士河”地区（在那里，亲和力水提供水服务和泰晤士河水废水服务）。通过电子邮件方法进行了1,405次访谈（在泰晤士河双供应区域为1,099，在Affinity Thames地区为306，442通过POST（泰晤士河水双电源区为248，Affinity Thames地区194）。363 2进行非房屋访谈（泰晤士河双供应区256个，在Affinity Thames地区107）。他们被非房屋式面板（泰晤士河双供应区99，在Affinity Thames地区的99分），178通过电子邮件发送给从非Household Water零售商获得的客户数据库（在Thames Water Dual Dual Dual Supply地区为157个，Affinity Thames Area）。
利用交叉注意力网络发现成对相互作用来预测药物-靶标亲和力 S. Falahati a、F. Zamani* a、MA Khodamoradi b
在药物发现中，药物-靶标亲和力 (DTA) 被视为至关重要的一步，因为它有助于在开发过程中识别最有前途的候选药物。由于必须考虑药物和靶分子的结构和功能，以及它们复杂而非线性的相互作用，DTA 预测是一项具有挑战性的任务。本研究的目的是提出一种新颖的 DTA 预测框架，该框架利用图神经网络 (GNN) 的交叉注意网络 (CAN) 的优势。然而，使用 GNN 表示图会保留其 3D 结构信息。现有的基于注意力的方法并未充分利用它们。我们的框架使用 CAN 通过分析药物分子的不同部分如何与蛋白质的特定区域相互作用来捕获药物-靶标对的更准确表示。我们在顺序架构中使用 GIN 和 GAT 来捕获药物图分子的局部和全局结构信息。我们在两个基准数据集 Davis 和 KIBA 上评估了所提出方法的性能。其性能令人鼓舞，在均方误差 (MSE) 和一致性指数 (CI) 方面优于许多最先进的方法。具体来说，对于 Davis 数据集，我们实现了 0.222 的 MSE 和 0.901 的 CI，而对于 KIBA，我们获得了 0.144 的 MSE 和 0.883 的 CI。我们的方法提高了相互作用分析的可解释性和特异性，为药物发现过程提供了更深入的见解，并为预测的 DTA 提供了有价值的解释。我们的研究代码可在以下网址获取：https://github.com/fsonya88/CAN-DTA。
Lewy Bodies的痴呆症中神经退行性疾病的基因的分析
Tatiana Orme 1，Dena Hernandez 2，Owen A. Ross 3， 7，Affinity Lam 8，Rogaeva Ecatter 9，Peter St. St.乔治·希斯洛普（George-Hyslop 9 John Q. Trojanowski 17，Geity E Myna 27，Revesz 15，Andrew Lees 15，Brad F. Boeve 28，Ronald C约翰·C· Stone 34，Dennis W. Dickson 3，John Hardy 1，Tatiana Orme 1，Dena Hernandez 2，Owen A. Ross 3， 7，Affinity Lam 8，Rogaeva Ecatter 9，Peter St. St.乔治·希斯洛普（George-Hyslop 9 John Q. Trojanowski 17，Geity E Myna 27，Revesz 15，Andrew Lees 15，Brad F. Boeve 28，Ronald C约翰·C·Stone 34，Dennis W. Dickson 3，John Hardy 1，Stone 34，Dennis W. Dickson 3，John Hardy 1，
布拉德福德痴呆症策略围绕以下内容制定
Aarti Wadhawani – 服务经理，布拉德福德市议会，老年人服务处 Anita Pearson – 痴呆症和脑健康项目协调员，Affinity Care CP David Armitage（主持人）– 公共卫生专家，CBMDC Gregor Russell - 老年精神病顾问/研究与开发主任，BDCFT Karen Windle - 布拉德福德大学应用老龄化和痴呆症研究教授 Val Lesk - 布拉德福德大学心理学系 • 早期诊断和支持：提高早期诊断率并确保及时获得支持和信息。 Jackie Armatage - 学习障碍成人社区护士长，BDCFT Val Lesk - 布拉德福德大学心理学系 Sara Humphrey - 全科医生/副教授虚弱/痴呆和 LD 临床主任 - Bfd & Craven CCG Anita Pearson - 痴呆和脑健康项目协调员，Affinity Care CP Sarah Sheared（主持人）- 高级临床从业者痴呆症负责人，布拉德福德地区护理信托 Nicky Addison - 区域负责人海军上将护士 - 英国皇家军团 Lauren Dowie - 服务经理，布拉德福德痴呆症中心 Claire McCormack - 全科医生合伙人和痴呆症负责人，Affinity Care • 以人为本的护理：确保护理服务根据痴呆症患者及其护理人员的个人需求和偏好进行定制。 Ben Johnson - 西约克郡阿尔茨海默氏症协会本地服务经理 Ina Ashworth - 临床心理学家，老年人住院服务 Carla Smith - 高级临床从业者成人身体健康临床负责人，BDCT Laura Hughes - 海军上将护士，Airedale NHS 基金会信托 Sarah Sheard（协调人）- 高级临床从业者痴呆症负责人，布拉德福德区护理信托 Vicky Harvey - Care 24-7 SPECAL 教练（阿尔茨海默氏症专门早期护理） Nicky Addison - 海军上将护士区域负责人 - 英国皇家退伍军人协会 Lauren Dowie - 服务经理，布拉德福德痴呆症中心 • 社区支持和意识：加强社区支持系统并提高对痴呆症的认识和理解。 Clare Mason（主持人）– 布拉德福德大学，应用痴呆研究中心（痴呆症护理培训师兼患者和公众参与负责人）/ Pathways – 青年痴呆症支持小组 Anita Pearson - 痴呆症和大脑健康项目协调员，Affinity Care CP Carla Smith - 高级临床从业人员成人身体健康临床负责人，BDCT