XiaoMi-AI文件搜索系统
World File Search Systemenamine
“化学与应用科学新视野” (NVCAS，...
用于弯曲致动器应用的铂涂层磺化聚醚醚酮聚合物膜 OP-13 Anjul 使用 O-（磺酰基）羟胺进行 Rh(II) 催化的未活化烯烃的直接 NH/N-Me 氮杂环丙烷化 OP-14 Hina Kabeer 探索新型 N, O-供体烯胺配体：Cu(II)/Zn(II) 复合物的合成和深入的体外药理学分析 OP-15 Noureen Ansari 用于增强光催化应用的氧化锌纳米粒子绿色合成最新进展 OP-16 Taposi Chatterjee
课程规格一般信息
第3-4周： - （（醛和酮）添加•藻类和酮的物理特性•醛酸和酮的酸度（？ - 氢酸度）•aldheydes的制备•酮酮的制备•酮组的特征•carbonyl and ket in carboylic and ket intepitivity•carbonigitivity•carbonigientive•ket hepitivity•相对性化的反应性•ketone•ketone•亲核添加反应a。用水[Geminal Diols）] b。与HCN [氰基氢素形成] c。与grignard试剂[酒精形成] d。与酒精[半和乙酰形成] e。与原代胺[亚胺形成] f。与次级胺[烯胺形成] g。与酸性培养基中的氢嗪[氢援助形成] h。基本介质中的hildrazine''''''''''''''''''''''''''''''''''Wolff-kishner反应[Alkane组] i。 与羟胺[Oxime形成]J。 含半迦济[半谷唑组] k。与氢化物[酒精形成] l。与磷的“ Wittig反应” [烯烃形成] m。 NaOH“ cannizzaro反应” [不占比例的产物]•对？，？ - 不饱和羰基的添加•某些生物亲核添加反应•药物合成•包括亲核添加反应•含有醛和含有药物的药物与HCN [氰基氢素形成] c。与grignard试剂[酒精形成] d。与酒精[半和乙酰形成] e。与原代胺[亚胺形成] f。与次级胺[烯胺形成] g。与酸性培养基中的氢嗪[氢援助形成] h。基本介质中的hildrazine''''''''''''''''''''''''''''''''''Wolff-kishner反应[Alkane组] i。与羟胺[Oxime形成]J。 含半迦济[半谷唑组] k。与氢化物[酒精形成] l。与磷的“ Wittig反应” [烯烃形成] m。 NaOH“ cannizzaro反应” [不占比例的产物]•对？，？ - 不饱和羰基的添加•某些生物亲核添加反应•药物合成•包括亲核添加反应•含有醛和含有药物的药物与羟胺[Oxime形成]J。含半迦济[半谷唑组] k。与氢化物[酒精形成] l。与磷的“ Wittig反应” [烯烃形成] m。 NaOH“ cannizzaro反应” [不占比例的产物]•对？，？ - 不饱和羰基的添加•某些生物亲核添加反应•药物合成•包括亲核添加反应•含有醛和含有药物的药物
NIAMS FY 2025–2029战略计划
6 enamine。 真实数据库。 enamine.net。 2024年7月29日访问。https：//enamine.net/compound-collections/Real-Compounds/Real-Database 7 Grygorenko OO，Radchenko DS，Dziuba I，Chuprina A，Chuprina A，Gubina A，Gubina ke，Moroz YS，Moroz YS。 生成了数十亿个容易获得的筛选化合物的化学空间。 Iscience。 2020; 23（11）：101681。 8 Sadybekov AV，Katritch，V。计算方法简化了药物发现。 自然。 2023; 616：673–685。 9 Hutson M.如何使用AI加速临床试验。 自然索引。 出版于2024年3月13日。 2024年7月29日访问。https：//www.nature.com/articles/d41586-024-00753-x 10 Fu T，Huang K，Xiao C，Xiao C，Glass LM，Sun J. 提示：用于临床试验预测的分层相互作用网络。 模式（n y）。 2022; 3（4）：100445。 11 Xiao C，Huang K，Fu T，Glass L，Sun J. 提示：用于临床试验结果预测的分层相互作用网络。 iqvia。 出版于2022年3月。 2024年7月29日。6 enamine。真实数据库。enamine.net。2024年7月29日访问。https：//enamine.net/compound-collections/Real-Compounds/Real-Database 7 Grygorenko OO，Radchenko DS，Dziuba I，Chuprina A，Chuprina A，Gubina A，Gubina ke，Moroz YS，Moroz YS。生成了数十亿个容易获得的筛选化合物的化学空间。Iscience。2020; 23（11）：101681。8 Sadybekov AV，Katritch，V。计算方法简化了药物发现。自然。2023; 616：673–685。9 Hutson M.如何使用AI加速临床试验。自然索引。出版于2024年3月13日。2024年7月29日访问。https：//www.nature.com/articles/d41586-024-00753-x 10 Fu T，Huang K，Xiao C，Xiao C，Glass LM，Sun J.提示：用于临床试验预测的分层相互作用网络。模式（n y）。2022; 3（4）：100445。11 Xiao C，Huang K，Fu T，Glass L，Sun J. 提示：用于临床试验结果预测的分层相互作用网络。 iqvia。 出版于2022年3月。 2024年7月29日。11 Xiao C，Huang K，Fu T，Glass L，Sun J.提示：用于临床试验结果预测的分层相互作用网络。iqvia。出版于2022年3月。2024年7月29日。
使用计算机筛选 lrrk2-wdr 域抑制剂...
计算命中查找实验 (CACHE) 挑战系列的关键评估重点是使用计算方法识别蛋白质靶标的小分子抑制剂。每个挑战包含两个阶段，即命中查找和后续优化，每个阶段之后都会对计算预测进行实验验证。对于 CACHE 挑战 #1，亮氨酸富集重复激酶 2 (LRRK2) WD40 重复 (WDR) 域被选为计算机命中查找和优化的靶标。LRRK2 突变是家族性帕金森病最常见的遗传原因。LRRK2 WDR 域是一个研究不足的药物靶标，没有已知的分子抑制剂。在此，我们详细介绍了我们在 CACHE 挑战 #1 中获胜提交的第一阶段。我们开发了一个框架，用于对化学多样性小分子空间进行高通量基于结构的虚拟筛选。使用大规模深度对接 (DD) 协议，然后进行绝对结合自由能 (ABFE) 模拟，进行命中识别。使用基于自动分子动力学 (MD) 的热力学积分 (TI) 方法计算 ABFE。使用 DD 筛选了来自 Enamine REAL 的 41 亿个配体，然后通过 MD TI 为 793 个配体计算 ABFE。76 个配体被优先考虑进行实验验证，成功合成了 59 种化合物，并确定了 5 种化合物为命中物，命中率为 8.5%。我们的结果证明了组合 DD 和 ABFE 方法对于没有先前已知命中物的目标的命中识别的有效性。该方法广泛应用于超大化学库的有效筛选以及利用现代计算资源的严格蛋白质-配体结合亲和力估计。
VirtualFlow 2.0 - 下一代药物发现平台，可实现 690 亿个分子的自适应筛选
早期药物发现受到初始命中识别和先导化合物优化及其相关成本的限制（1）。超大型虚拟筛选（ULVS）涉及对大量分子进行虚拟评估以与大分子靶标结合，能够显著缓解这些问题，正如最近多项研究所证明的那样（2-7）。尽管 ULVS 具有巨大潜力，但迄今为止，它仅探索了化学空间和可用对接程序的一小部分。在这里，我们介绍了 VirtualFlow 2.0，这是第一个专用于超大型虚拟筛选的开源药物发现平台的下一代产品。VirtualFlow 2.0 提供了来自 Enamine 的 REAL Space，其中包含 690 亿个“即用型对接”格式的类药物分子，这是迄今为止同类库中最大的一个。我们提供了一个 18 维矩阵，可通过 Web 界面直观地探索库，其中每个维度对应于配体的分子特性。此外，VirtualFlow 2.0 支持多种可大幅降低计算成本的技术，包括一种称为自适应靶标引导虚拟筛选 (ATG-VS) 的新方法。通过对库的代表性稀疏版本进行采样，ATG-VS 可识别超大化学空间中与靶位点结合潜力最大的部分，从而大幅降低计算成本，最高可达 1000 倍。此外，VirtualFlow 2.0 支持最新的基于深度学习和 GPU 的对接方法，可将速度进一步提高两个数量级。VirtualFlow 2.0 支持 1500 种独特的对接方法，提供靶标特定和共识对接选项以提高准确性，并能够筛选新型配体（如肽）和靶标受体（包括 RNA 和 DNA）。此外，VirtualFlow 2.0 还具有许多先进的新功能，例如增强的 AI 和云支持。我们在 AWS 云中展示了高达 560 万个 CPU 的完美线性扩展行为，这是并行云计算的全球新纪录。由于其开源特性和多功能性，我们预计 VirtualFlow 2.0 将在未来的早期药物发现中发挥关键作用。
基于结构的发现针对人多巴胺转运蛋白的新型变构抑制剂
摘要：人多巴胺转运蛋白（HDAT）调节细胞外多巴胺（DA）的再摄取，是中枢神经系统（CNS）疾病的必不可少的治疗靶标。数十年来已经确定了HDAT的变构调制。然而，运输基础的分子机制仍然难以捉摸，这阻碍了变构调节剂对HDAT的合理设计。在这里，进行了一种基于系统的结构方法，以探索内向开放（IO）构象中HDAT上的变构位点，并筛选具有变构亲和力的化合物。首先，基于最近报道的人类5-羟色胺转运蛋白（HSERT）和高斯加速分子动力学（GAMD）仿真的模型构建了HDAT结构的模型。然后，处理了HDAT上潜在的可药物变构位点，处理了七个Enamine化学库的虚拟筛查（〜440,000种化合物），导致10化合物用于体外测定法，并发现了Z1078601926，并发现了Z1078601926，发现了hdate hdat（IC 500.527）。 Nomifensine被引入为正构体配体。最后，使用额外的GAMD模拟和延迟自由能分析探索了Z1078601926和Nomifensine对HDAT的变构抑制的协同作用。■简介多巴胺转运蛋白（DAT）是属于较大的神经发射器钠钠共孢子（NSSS）的溶质载体6（SLC6）家族的成员。6这项工作中发现的命中化合物不仅为铅优化提供了一个良好的起点，而且还证明了该方法基于结构的发现的可用性，可以发现其他治疗靶标的新型变构调节剂。1 DAT功能通过将突触裂缝的多巴胺（DA）回收为突触前神经元，从而降低了多巴胺能系统的活性。2 DAT的失调被认为与抑郁症，注意力缺陷多动障碍（ADHD）和帕金森氏病（PD）等精神疾病有关。3，4此外，可卡因和甲基苯丙胺的药物滥用，这是一个广泛关注的公共卫生问题，也是由DAT功能障碍引起的。5因此，DAT被视为中枢神经系统（CNS）疾病的基本治疗靶点。