XiaoMi-AI文件搜索系统
World File Search System分子的
交联部分，硬化功能和拓扑质量对热固性形状记忆聚合物的应力恢复的影响：粗粒分子动力学研究
摘要我们通过粗粒分子动力学模拟分析了每个硬汉形状记忆聚合物（TSMP）的交联部分和每个硬汉形状记忆聚合物（TSMP）的应力恢复和拓扑的功能位点数量的影响。通过操纵与每个硬质反应的独特环氧树脂的数量来系统地改变交联网络的质量后，我们发现两种指纹与TSMPS的应力恢复非常相关。这些指纹是连接到两个不同硬化分子的环氧分子的比例，是系统中最大或主要网络的一部分的分子的比例。他们的产品可以用作拓扑评分（S TOPO）来量化网络的拓扑特征。在分析应力恢复与S TOPO的函数时，我们发现S TOPO与恢复应力之间存在很强的相关性。此外，我们观察到，尽管较高的交联部分确实会导致更高的压力恢复，但仍然存在许多例外。高功能硬化剂在相似的S topo处倾向于表现出更高的应力恢复，尤其是在高（> 0.65）的topo处。这些结果表明，增加每个硬化分子的功能位点的数量，结合使用诸如半批量单体添加的方法改善网络拓扑结合，可以改善TSMPS的应力恢复。
用于蛋白质和肽递送的纳米载体
摘要：蛋白质和多肽已被公认为合成治疗多种人类疾病的新型疗法的潜在线索。不幸的是，由于递送应用的边缘性，这些生物大分子的治疗潜力和临床应用具有挑战性。纳米载体具有独特的潜力，可以克服各种生物屏障并改善蛋白质和多肽等治疗性生物大分子的递送。基于智能纳米载体的药物递送系统可以定义为一种以受控方式针对所有生理屏障进行位点特异性药物递送并最终在体内代谢的系统。本综述介绍了用于递送蛋白质和多肽以增强其临床应用的各种纳米载体。我们还重点介绍了蛋白质和多肽递送的各种生物学方面。我们还总结了用于递送这些生物大分子的纳米载体的各种专利，然后概述了用于递送蛋白质和多肽的市售纳米制剂。
钴中的分子特征和无活化传输...
在分子结（MJ）中，已经研究了几种类型的分子，包括纯有机化合物[1-5]、蛋白质[5]以及最近基于硅[6,7]或锗的复合团簇[7]，以及有机金属化合物和无机复合物。[8-16]通常，在隧穿区域中，电荷传输速率很大程度上取决于有机分子的长度，饱和分子的衰减因子 β 值为 5 至 10 nm − 1，而π 共轭分子的 β 值在 2 至 3 nm − 1 之间。[1,2,5,17]但也发现了一些例外；例如，在多卟啉分子线[18]、卟啉纳米棒[19]和延伸的紫罗碱分子[20]中观察到几乎与长度无关的电导，而在碘化物端寡噻吩单分子隧道结中，尚未发现电导随长度呈指数依赖性的报道[21]。
表面上的功能材料 - 制造，原子尺度表征和朝应用的进步809。
10:00 - 10:45 Andreas Walz软地面符合质谱 - 质量 - 光谱 - 用于大型，反应性或脆弱分子的温和UHV沉积，以创建功能性纳米架构10:00 - 10:45 Andreas Walz软地面符合质谱 - 质量 - 光谱 - 用于大型，反应性或脆弱分子的温和UHV沉积，以创建功能性纳米架构
分子在表面上的竞争性特异性锚固
摘要：用生物大分子（例如蛋白质，聚糖或具有良好控制方向和密度的核酸）装饰的表面形成至关重要的重要性对于在体外模型的设计中，例如合成细胞膜和互动分析。为此，配体分子通常用锚固术功能化，该锚特定与具有高密度结合位点的表面结合，从而控制了分子的呈现。在这里，我们提出了一种方法，可以通过在孵育溶液中调整靶分子的相对浓度和自由锚固剂的相对浓度来鲁棒和定量控制一种或几种类型的锚固分子的表面密度。我们提供了一种理论背景，该背景将孵育浓度与感兴趣分子的最终表面密度联系起来，并提出了有效的指南，以优化对表面密度定量控制的孵化条件。专注于生物素锚，这是一种相互作用研究的常用锚，作为一个显着的例子，我们在实验上证明了表面密度在多种密度和靶分子大小上的控制。相反，我们可以通过量化样品溶液中的残留游离生物素反应剂的量来表明该方法如何适应质量控制质量的质量纯度，例如生物素化的糖胺聚糖。■简介
Pocket2Drug：基于目标的药物设计的编码器-解码器深度神经网络
计算建模是现代药物发现的重要组成部分。其最重要的应用之一是选择有希望的药理学相关靶蛋白候选药物。由于结构生物学的不断进步，在与各种疾病相关的众多蛋白质中发现了小有机分子的假定结合位点。这些宝贵的数据为通过应用数据挖掘和机器学习来构建预测靶位结合分子的有效计算模型提供了新的机会。特别是，深度神经网络是一种强大的技术，能够从复杂数据中学习，从而做出明智的药物结合预测。在本文中，我们描述了 Pocket2Drug，这是一种深度图神经网络模型，用于预测给定配体结合位点的结合分子。这种方法首先从大量口袋结构数据集中通过监督训练学习小分子的条件概率分布，然后从训练模型中抽样候选药物。全面的基准模拟表明，与传统的药物选择程序相比，使用 Pocket2Drug 显著提高了找到与靶口袋结合的分子的机会。具体来说，已知结合物针对测试集中存在的多达 80.5% 的靶标生成，而测试集由与用于训练深度图神经网络模型的数据不同的数据组成。总体而言，Pocket2Drug 是一种很有前途的计算方法，可用于指导新型生物制药的发现。