IL-15抑制剂Diosgenin,及其筛选方法和应用

    公开(公告)号:CN114560904A

    公开(公告)日:2022-05-31

    申请号:CN202210106192.9

    申请日:2022-01-28

    Abstract: 本发明提供式(1)所示的IL‑15抑制剂Diosgenin,及其筛选方法和应用。本发明筛选方法包括:(1)根据IL‑15/IL‑15Rα复合物的三维晶体结构,确定IL‑15Rα拮抗剂潜在的结合位点;(2)IL‑15Ra蛋白去除所有杂原子和水后,加入氢原子,并合并所有非极性氢,通过AutoDockTools构建的Grid Box,设置网格中心;(3)将备选化合物在Chem3D中转换为3D结构后进行能量最小化,利用分子对接软件Autodock Vina将被选化合物与IL‑15Rα进行对接,并对结合情况打分,筛选出IL‑15抑制剂Diosgenin。本发明提供的IL‑15抑制剂Diosgenin可用于制备肿瘤免疫治疗药物,以及呼吸道系统相关疾病治疗药物。

    五味子酚及其衍生物在制备治疗抑郁症药物中的应用及所制备的抗抑郁药物

    公开(公告)号:CN114272229A

    公开(公告)日:2022-04-05

    申请号:CN202111440617.1

    申请日:2021-11-30

    Abstract: 本发明提供五味子酚及其衍生物在制备治疗抑郁症药物中的应用及所制备的抗抑郁药物。所述应用剂量为每千克体重0.01‑30mg五味子酚或其衍生物,给药后60分钟内即可产生抗抑郁效果。给药5天后,低剂量和高剂量均产生显著的抗抑郁效果。本发明研究结果表明,在哺乳动物小鼠悬尾实验中,五味子酚或其衍生物具有快速抗抑郁症的功效,且比常规抗抑郁药物丙咪嗪更有效。本发明采用强迫游泳实验和小鼠悬尾实验作为药物筛选实验,同时进行了小鼠开野实验(Open field test),以检验小鼠的自主活动性,避免中枢兴奋药的干扰。本发明的抗抑郁药物,具有抗抑郁效果显著、起效快、用药量少、副作用小等优点,有望成为快速、高效、新机制的抗抑郁新药。

    海兰地嗪及其衍生物在制备治疗抑郁症药物中的应用及所制备的抗抑郁药物

    公开(公告)号:CN114159438A

    公开(公告)日:2022-03-11

    申请号:CN202111444601.8

    申请日:2021-11-30

    Abstract: 本发明提供海兰地嗪及其衍生物在制备治疗抑郁症药物中的应用及所制备的抗抑郁药物。所述应用剂量为每千克体重0.01‑30mg海兰地嗪或其衍生物,给药后60分钟内即可产生抗抑郁效果。给药5天后,低剂量和高剂量均产生显著的抗抑郁效果。本发明研究结果表明,在哺乳动物小鼠悬尾实验中,海兰地嗪或其衍生物具有快速抗抑郁症的功效,且比常规抗抑郁药物丙咪嗪更有效。本发明采用强迫游泳实验和小鼠悬尾实验作为药物筛选实验,同时进行了小鼠开野实验(Open field test),以检验小鼠的自主活动性,避免了中枢兴奋药的干扰。本发明的抗抑郁药物,具有抗抑郁效果显著、起效快、用药量少、副作用小等优点,有望成为快速、高效、新机制的抗抑郁新药。

    TMS治疗中针对心境障碍和焦虑障碍的控制处理方法

    公开(公告)号:CN119303242A

    公开(公告)日:2025-01-14

    申请号:CN202411499623.8

    申请日:2024-10-25

    Abstract: 本发明TMS治疗中基于情绪诱发实现针对心境障碍和焦虑障碍的控制处理方法,其中,包括以下步骤:治疗前对患者精神心理进行临床评估;基于情绪诱发状态下对患者进行脑部磁共振检查处理;根据患者临床评估和情绪诱发下脑功能活动的异常程度对选定的个体化靶点进行优先级排序处理;根据靶点优先级排列顺序制定情绪诱发情景下的TMS治疗方案;进行短期时间段内的治疗评估,并利用疗效预测模型进行未来剩余治疗轨迹的长期预测;待治疗结束后将治疗轨迹反馈至本地数据库并进行治疗后的临床评估。本发明还涉及一种相应的装置、处理器和存储介质。采用了本发明的该方法、装置、处理器和存储介质,通过情景刺激库和情境脑功能影像,可有效显示患者在不同情境下的对照差异。

    基于微量血中红外光谱建立抑郁症诊断模型的方法

    公开(公告)号:CN119132574A

    公开(公告)日:2024-12-13

    申请号:CN202411275576.9

    申请日:2024-09-12

    Abstract: 本发明公开了基于微量血中红外光谱建立抑郁症诊断模型的方法,属于抑郁症诊断技术领域,包括以下步骤:S1、采集并保存抑郁症病人和健康对照的微量血样本,S2、采集血样本的中红外光谱形成中红外光谱集并进行预处理,S3、通过算法建立多个中红外光谱识别的基础模型,经集成后形成最终的中红外光谱识别模型,S4、采集待诊断病人血样本的中红外光谱,代入中红外光谱识别模型,获得谱图识别结果,S5、重复步骤S2、S3,优化提升模型性能。本专利无需样品前处理,仅需微量血即可快速完成待诊断病人的中红外光谱谱图识别,集成多种预处理方法和机器学习算法,在诊断应用中具有较高的准确率和鲁棒性,在实践过程中能够进行参数优化和模型升级。

Patent Agency Ranking