在免疫缺陷的小鼠中评估RMC-5127的CNS抗肿瘤活性。RMC-5127的颅内肿瘤暴露与在相同剂量水平下幼稚小鼠的大脑中观察到的相当,并且足以在脑肿瘤中驱动鲁棒的药物学反应。●RMC-5127在NCI-H441
a)用BI 3706674作为单药或与Cetuximab在指定的给药方案下处理BI 3706674后,肿瘤体积的变化百分比变化为5个代表性CRC KRAS G12V突变的PDX模型。小鼠进行口服治疗。b)具有BI 3706674单药和西妥昔单抗组合治疗的CRC PDX的肿瘤生长抑制(TGI%)的概述。c&d)RNASCOPE分析,显示了DUSP6下调和H&E图像,分别显示了治疗端点处C1035和C1142肿瘤的肿瘤面积减少。
INCB161734与具有皮摩尔亲和力(K D)的开关II袋中的G12D突变体的GDP和GTP形式结合,并且对野生型(WT)KRAS的选择性> 80倍。INCB161734在无细胞测定中(IC 50 <3 nm)中有效抑制SOS1依赖性GDP/GTP交换活性,并且对G12D与WT KRAS的选择性> 40倍。此外,使用G12D突变体与WT癌症衍生的细胞系,在各种细胞测定中,INCB161734在WT中表现出高于WT的高选择性。INCB161734有效抑制ERK磷酸化(KRAS活性的相关性),在7个小鼠G12D细胞系中,平均IC 50中的平均IC 50中的14.3 nm(范围:1.9-45.2 nm);在14 wt细胞系中,在1μM(最大测试浓度)下观察到平均21.5%的抑制作用。同样,INCB161734抑制G12D突变细胞系的增殖,平均IC 50中的154 nm中的IC 50(范围:8.3-318 nm)横跨相同的7人G12D细胞系;在相同的14 wt细胞系中,在1μm处观察到<30%的抑制作用(平均13%)。用INCB161734处理在PDAC细胞系(G12D HPAC)中诱导caspase 3/7裂解,EC 50 <100 nm; WT细胞系中的caspase 3/7切割(NCI-H838)未以高达5μm的剂量诱导。此外,INCB161734在G12D HPAC细胞系中诱导细胞周期停滞(S期抑制),IC 50 12.8 nm; WT NCI-H838细胞系中的S期抑制仅以更高的剂量发生(IC 50>3.3μm)。
基因药物工程项目博士后学者空缺 德克萨斯大学西南医学中心生物医学工程系 Daniel J. Siegwart 教授实验室提供多个博士后培训职位。Siegwart 博士的实验室专注于基因组药物的靶向纳米颗粒递送。他们的努力使我们对 siRNA、miRNA、tRNA、pDNA、mRNA 和基因编辑器治疗递送所需的合成载体的基本物理和化学特性有了了解。他的实验室在基因编辑合成载体的设计方面一直处于领先地位,并已将这些技术应用于纠正遗传疾病和治疗癌症。他们报道了第一个用于体内 CRISPR/Cas 基因编辑的非病毒系统。最近,他们开发了选择性器官靶向 (SORT) 脂质纳米颗粒 (LNP),这是第一个可预测的组织特异性递送策略。他们的团队致力于解决纳米医学、基因传递、癌症、免疫学和遗传病领域的关键挑战,目标是将发现和解决方案转化为可转化技术和疗法。近期重点介绍这些主题的出版物包括:
医疗保健和其他领域复杂 AI 系统的兴起导致了可解释 AI (XAI) 研究领域的兴起,旨在提高透明度。在这一领域,定量和定性研究侧重于通过提供系统级和预测级 XAI 功能来提高用户信任度和任务绩效。我们分析了关于使用 AI 进行肾移植的利益相关者参与活动(访谈和研讨会)。由此,我们确定了用于构建当前 XAI 功能范围界定文献综述的主题。利益相关者参与过程持续了九个多月,涵盖了三个利益相关者群体的工作流程,确定了 AI 可以干预的地方并评估了模拟 XAI 决策支持系统。根据利益相关者的参与,我们确定了与设计 XAI 系统相关的四个主要主题 - 1) 使用 AI 预测,2) AI 预测中包含的信息,3) 针对个体差异对 AI 预测进行个性化,以及 4) 针对特定情况定制 AI 预测。使用这些主题,我们的范围界定文献综述发现,根据利益相关者任务的复杂性,在决策之前、期间或之后提供 AI 预测可能会有所帮助。此外,外科医生等专家利益相关者更喜欢最少或没有 XAI 功能、AI 预测和不确定性估计,以便于使用案例。但是,几乎所有利益相关者都喜欢在需要时查看可选的 XAI 功能,尤其是在难以预测的情况下。文献还表明,提供系统和预测级别的信息对于适当地构建用户的系统心理模型是必要的。尽管 XAI 功能提高了用户对系统的信任度,但人机协作的表现并不总是得到提升。总体而言,利益相关者更喜欢通过 XAI 界面来控制信息级别,这取决于他们的需求和任务复杂性。最后,我们提出了未来研究的建议,特别是根据偏好和任务定制 XAI 功能。
Error 500 (Server Error)!!1500.That’s an error.There was an error. Please try again later.That’s all we know.
药物发现是一个昂贵且耗时的过程,通常通过计算方法来帮助加快和指导新化合物的设计。在过去的十年中,许多研究在计算机辅助药物设计中应用了人工智能,以获得更准确的模型并加速设计过程。本课程概述了机器学习和深度学习算法在几种药物发现过程中的实施,例如对靶蛋白结构,基于结构和基于配体的药物设计的预测,药物毒性和生理学特性的评估,定量结构 - 活动性关系。将讨论与AI在药物开发中的应用有关的具体案例研究,并将用于简化课程论证的理解。
2 美国密歇根州安娜堡密歇根大学病理学系 3 中国湖南省长沙市中南大学湘雅医院泌尿外科 4 美国密歇根州安娜堡密歇根大学医学科学家培训项目 5 美国密歇根州安娜堡密歇根大学细胞与分子生物学项目 6 美国密歇根州安娜堡密歇根大学罗格尔癌症中心 7 美国密歇根州安娜堡密歇根大学公共卫生学院生物统计学系 8 美国密歇根州安娜堡密歇根大学霍华德休斯医学研究所 9 印度班加罗尔 Aurigene Oncology Limited 10 美国密歇根州安娜堡密歇根大学分子与整合生理学系 11 美国密歇根州安娜堡密歇根大学内科系、胃肠病学分部
注意事项 2:单克隆抗体是一种蛋白质,其作用类似于人体产生的抗体。抗体是您的身体产生的蛋白质,有助于清除进入您体内的病菌/有害物质,例如细菌和病毒。PVZ 和 Nirsevimab 中使用的单克隆抗体专门识别和靶向 RSV,以帮助预防严重的 RSV 感染。它们提供暂时的保护。