XiaoMi-AI文件搜索系统
World File Search Systempharmaceutical
机器学习筛查工具，用于预测废水中药物化合物的提取产率
药物化合物已成为废水中越来越重要的污染物来源，因为它是传统的处理方法无效地去除它们的方法，因此它们通常被放入环境中。可以使用液体液体提取成功去除药物，并且可以使用宇宙RS预测相互作用并识别最有前途的溶剂。但是，COSMO热模型无法解释关键过程参数，从而降低了这些计算模型的准确性。因此，需要替代计算方法来准确预测可以纳入处理和相互作用变量的药物的提取产率。这项工作使用机器学习来预测使用八种溶剂的11种药物的提取产率。探索了六个回归模型和两个分类模型。使用ANN回归器（测试MAE：4.510，测试R 2：0.884）和RF分类器（测试精度：0.938，测试召回：0.974）获得了最佳性能。RF回归分析和分类还显示了关键的提取产率特征：溶剂与喂养比，N - 辛烷 - 水分系数，氢键，氢键和范德华对多余的焓的贡献，以及pH距离至最近的PKA。机器学习显示为筛选和选择最有希望的溶剂和过程条件的绝佳工具，以从废水中去除药物。
DCTD的生物制药开发和生产...
经常将产品用于核对毒理学和输注稳定性研究▪临床前安全研究：范围发现，毒理学，生物分布▪CGMP制造：QC/QA释放-COA，COA，CMC，IND IND提交▪实时稳定性：实时稳定性：将检测释放分析的子集，将检测DECTECTECTECT DECTECTICT和DIVARDATION和
CRISPR技术在植物药有效成分次级代谢途径中的应用及发展
CRISPR/Cas9系统作为一种高效的基因编辑工具，被广泛应用于研究和调控药用植物有效成分的生物合成途径，在提高药用植物有效成分的产量和质量方面具有巨大的潜力。通过精准调控关键酶和转录因子的表达，CRISPR技术不仅加深了我们对药用植物次生代谢途径的认识，也为药物研发和中药现代化开辟了新的途径。本文首先介绍了CRISPR技术的原理及其在基因编辑中的应用，然后详细讨论了其在药用植物次生代谢中的应用，包括有效成分的组成和CRISPR策略在代谢途径中的实施，以及Cas9蛋白变体和先进的CRISPR系统在该领域的影响。此外，本文还展望了CRISPR技术对药用植物研发进程的长远影响，并提出了目前研究中存在的问题，包括脱靶效应、基因组结构复杂、转化效率低、对代谢途径了解不足等，同时提出了一些见解，以期为CRISPR在药用植物中的后续应用提供新思路。总之，CRISPR技术在药用植物次生代谢研究中具有广阔的应用前景，有望促进生物医药和农业科学的进一步发展。随着技术进步和挑战的逐步解决，CRISPR技术有望在药用植物有效成分研究中发挥越来越重要的作用。
用于肿瘤成像的叶酸受体靶向 PET 放射性药物的开发——从实验室到临床的历程
摘要：叶酸受体-α（FR-α）在许多上皮癌中过度表达，包括卵巢癌、子宫癌、肾癌、乳腺癌、肺癌、结肠癌和前列腺癌，但在肾脏、唾液腺、脉络丛和胎盘等正常组织中表达有限。因此，FR-α已成为向FR阳性肿瘤输送治疗剂和成像剂的有希望的靶点。已经开发了一系列基于叶酸的PET（正电子发射断层扫描）放射性药物，用于选择性靶向FR阳性恶性肿瘤。本综述概述了迄今为止关于叶酸衍生的PET放射性结合物的设计、放射合成和用于靶向FR阳性肿瘤的效用的研究进展。本文主要介绍了用氟-18（t 1 / 2 = 109.8 分钟）和镓-68（t 1 / 2 = 67.7 分钟）标记的叶酸放射性结合物的结果，但也讨论了用“外来”和新 PET 放射性核素标记的叶酸，例如铜-64（t 1 / 2 = 12.7 小时）、铽-152（t 1 / 2 = 17.5 小时）、钪-44（t 1 / 2 = 3.97 小时）、钴-55（t 1 / 2 = 17.5 小时）和锆-89（t 1 / 2 = 78.4 小时）。对于肿瘤成像，迄今为止报道的 PET 放射性标记叶酸中，除了 [ 18 F]AzaFol 之外，没有一种完成了从实验室到临床的旅程，该药物在一项多中心首次人体试验中成功用于转移性卵巢癌和肺癌患者。然而，在不久的将来，我们预计会有更多基于叶酸的 PET 放射性药物的临床试验，因为临床对成像和 FR 相关恶性肿瘤的治疗越来越感兴趣。
CSPC制药集团有限公司
目前，该产品正在中国进行多项II和III临床研究，用于治疗固体和血液学肿瘤，包括乳腺癌，软组织肉瘤，肺癌和肾癌。乳腺癌在女性的恶性肿瘤中排名第一，全球约有230万例新的女性乳腺癌病例，并且在用CDK4/6抑制剂治疗后，HR+/HER2-晚期乳腺癌患者的临床需求很大。该产品与内分泌疗法结合使用，是中国的第一个MTOR抑制剂，该抑制剂在HR+/HER2-晚期乳腺癌患者中接受了临床试验，他们对CDK4/6抑制剂产生了抵抗力，并且该小组已经提交了对调节批准的临床III期临床试验的申请。
对患有1型糖尿病的儿童和青少年的简短接受和承诺疗法
在过去的几年中，放射性药物疗法已成为一种开创性的治疗方式，利用放射性核素的独特特性以高精度提供分子靶向疗法，并改善精确肿瘤学和个性化药物的景观。它的发展反映了数十年来核医学，化学和癌症生物学的进步。，直到最近，还没有确定的临床证据将其确定为治疗计划，很少有大量的随机对照临床研究。过去二十年来见证了范式的转变，并进行了三项成功的3阶段研究，阐明了放射性药物治疗。本文简要概述了当前活跃的第三阶段研究，以突出该临床领域的活力和希望以及正在处理的各种癌症。
一家创新的制药公司，拥有广泛而强大的治疗项目组合
推进我们的免疫疗法 - 新的结果表明，可以通过靶向免疫系统而不是该公司宣布的II期随机研究结果来治疗细菌感染，在该研究中，患者被分配给抗生素治疗或ANAKINRA，从而改变了免疫反应对感染的免疫反应。结果表明，可以通过靶向免疫系统而不是细菌来治疗细菌感染。这是该领域的概念变化，在该领域寻找新药物已着重于寻找新的抗生素。靶向免疫系统与抗生素一样有效，通过短期和长期症状的显着降低，症状复发的数量明显低于研究之前，以及生活质量的提高。此外，免疫疗法有可能减少大型患者组中对抗生素的需求，并可能受到抗生素耐药性的威胁。
使用赋形剂预测软件（Expreso）
由于新的方式和更高的预期药物浓度，蛋白质生物药物的制定发展变得越来越具有挑战性。药物供应的约束以及对整体分析方法的需求意味着，只能在湿实验室中彻底测试少量的赋形剂。到目前为止，几乎没有开发出用于完善用于湿实验室测试的候选赋形剂的工具。为了填补这一空白，我们开发了赋形剂预测软件（Expreso），这是一种机器学习算法，该算法建议基于蛋白质药物和靶产品概况的特性，建议不活跃成分。创建了超过350种肽/蛋白质药物制剂的数据集，具有可靠的长期稳定性。该数据集具有预测特征，包括蛋白质结构特性，蛋白质语言模型嵌入和药物产品特征。进行了监督的机器学习，以创建一个模型，该模型为数据集中的每种药物提供了赋形剂。expreso可以成功预测九种最普遍的赋形剂的存在，验证得分远高于随机预测，并且过度拟合最少。仅使用基于序列的输入特征的快速变体显示出与依赖分子建模的模型较慢的模型相似的预测功率。有趣的是，仅具有基于蛋白质的输入功能的Expreso变体也显示出良好的性能，证明该算法对数据集中平台配方的影响有弹性。据我们所知，这是机器学习首次被用来建议生物制药赋形剂。总体而言，Expreso在制定过程中与赋形剂筛查相关的时间，成本和风险显示出巨大的潜力。关键字：配方开发，机器学习，赋形剂，不活跃成分，CMC，生物制药，单克隆抗体，可发展性，蛋白质疗法缩写：Expreso，excipient预测软件； ROC，接收器操作特征； AUC，
使用赋形剂预测软件（Expreso）
由于新的方式和更高的预期药物浓度，蛋白质生物药物的制定发展变得越来越具有挑战性。药物供应的约束以及对整体分析方法的需求意味着，只能在湿实验室中彻底测试少量的赋形剂。到目前为止，几乎没有开发出用于完善用于湿实验室测试的候选赋形剂的工具。为了填补这一空白，我们开发了赋形剂预测软件（Expreso），这是一种机器学习算法，该算法建议基于蛋白质药物和靶产品概况的特性，建议不活跃成分。创建了超过350种肽/蛋白质药物制剂的数据集，具有可靠的长期稳定性。该数据集具有预测特征，包括蛋白质结构特性，蛋白质语言模型嵌入和药物产品特征。进行了监督的机器学习，以创建一个模型，该模型为数据集中的每种药物提供了赋形剂。expreso可以成功预测九种最普遍的赋形剂的存在，验证得分远高于随机预测，并且过度拟合最少。仅使用基于序列的输入特征的快速变体显示出与依赖分子建模的模型较慢的模型相似的预测功率。有趣的是，仅具有基于蛋白质的输入功能的Expreso变体也显示出良好的性能，证明该算法对数据集中平台配方的影响有弹性。据我们所知，这是机器学习首次被用来建议生物制药赋形剂。总体而言，Expreso在制定过程中与赋形剂筛查相关的时间，成本和风险显示出巨大的潜力。关键字：配方开发，机器学习，赋形剂，不活跃成分，CMC，生物制药，单克隆抗体，可发展性，蛋白质疗法缩写：Expreso，excipient预测软件； ROC，接收器操作特征； AUC，
Hangzhou Jiuyuan Gene Engineering Co.，Ltd。杭州九源...
该组创新的小分子药物设计平台开发的产品是一个具有完整独立的知识产权的新型，高度活跃和高度选择性的环状核苷酸磷酸二酯酶4B（PDE4B）抑制剂。该临床试验批准的指示是间质肺病。临床前研究表明，PDE4B靶标产品的选择性和活性明显优于其他具有相同靶标的药物，并且其在人类疾病动物模型中的功效也明显优于现有药物，具有良好的药代动力学特征和安全性。