-
-
公开(公告)号：CN111499749A
公开(公告)日：2020-08-07
申请号：CN202010174651.8
申请日：2020-03-13
Applicant: 浙江大学
IPC: C07K16/28 , C12N15/13 , A61K39/395 , A61P35/00
Abstract: 本发明公开了一种西妥昔单抗突变体及应用。西妥昔单抗突变体的重链可变区的氨基酸序列如SEQ ID No.1～6任一所示。本发明获得的抗体重链可变区氨基酸序列如SEQ ID NO.1～5所示的Cetuximab突变体对EGFR S492R有效，其中抗体重链可变区氨基酸序列如SEQ ID NO.1、2所示的Cetuximab突变体效果优于Panitumumab。本发明获得的抗体重链可变区氨基酸序列如SEQ ID NO.6所示的Cetuximab突变体对EGFR G465R有效，且效果显著。本发明获得的抗体重链可变区氨基酸序列如SEQ ID NO.1、2、6所示的Cetuximab突变体仍然保持对野生型EGFR的亲和力。
-
公开(公告)号：CN110201663B
公开(公告)日：2020-06-30
申请号：CN201910452579.8
申请日：2019-05-28
Applicant: 浙江大学
IPC: B01J23/44 , B01J23/46 , B01J27/24 , B01J31/22 , C07C1/22 , C07C5/10 , C07C29/132 , C07C29/141 , C07C29/17 , C07C37/07 , C07C45/51 , C07C67/283 , C07D495/04 , C07C33/03 , C07C33/02 , C07C69/145 , C07C31/125 , C07C39/10 , C07C49/403 , C07C13/18 , C07C33/025 , C07C15/107 , C07C49/04 , C07C31/26 , C07C45/62 , C07B31/00
Abstract: 本发明公开了一种选择性加氢催化剂在加氢反应中作为催化剂的应用，所述选择性加氢催化剂通过以下制备方法制备得到：将催化剂载体分散于金属前驱体的溶液中，加入多羟基芳环化合物，随后采用碱性物质改变溶液pH至一定范围，反应一段时间后过滤、洗涤，干燥，得到选择性加氢催化剂I；将选择性加氢催化剂I在惰性或还原性气氛中煅烧一段时间，得到选择性加氢催化剂II。在上述两种催化剂中，金属都以单原子分散状态存在，且有着独特的电子结构或化学环境，具有优异的催化性能和稳定性。
-
公开(公告)号：CN110586081A
公开(公告)日：2019-12-20
申请号：CN201910850029.1
申请日：2019-09-09
Applicant: 浙江新和成股份有限公司 , 浙江大学 , 上虞新和成生物化工有限公司 , 山东新和成药业有限公司 , 山东新和成维生素有限公司
IPC: B01J23/42 , B01J37/34 , B01J35/10 , B01J35/02 , B82Y30/00 , B82Y40/00 , C07C29/17 , C07C33/14 , C07C33/03 , C07C33/02 , C07C33/035
Abstract: 本发明提供一种钯炭催化剂的制备方法，还提供一种由该制备方法所制得的钯炭催化剂及其应用。与现有技术相比，本发明通过电化学原位还原对已吸附于载体上的钯离子进行原位还原，与传统的添加还原剂或者电化学沉积的方法相比，该制备方法还原速度较快、金属钯呈薄片状，与载体之间有更多的接触面积，可以很好的阻止钯金属的迁移和脱落，稳定性较高、钯原子利用率较高、催化性能较好，同时无需在催化剂上添加其它金属就可以稳定达到较高的转化率和收率，避免了传统制备方法所带来的分离问题和钯金属回收问题。
-
公开(公告)号：CN110201663A
公开(公告)日：2019-09-06
申请号：CN201910452579.8
申请日：2019-05-28
Applicant: 浙江大学
IPC: B01J23/44 , B01J23/46 , B01J27/24 , B01J31/22 , C07C1/22 , C07C5/10 , C07C29/132 , C07C29/141 , C07C29/17 , C07C37/07 , C07C45/51 , C07C67/283 , C07D495/04 , C07C33/03 , C07C33/02 , C07C69/145 , C07C31/125 , C07C39/10 , C07C49/403 , C07C13/18 , C07C33/025 , C07C15/107 , C07C49/04 , C07C31/26 , C07C45/62 , C07B31/00
Abstract: 本发明公开了一种选择性加氢催化剂在加氢反应中作为催化剂的应用，所述选择性加氢催化剂通过以下制备方法制备得到：将催化剂载体分散于金属前驱体的溶液中，加入多羟基芳环化合物，随后采用碱性物质改变溶液pH至一定范围，反应一段时间后过滤、洗涤，干燥，得到选择性加氢催化剂I；将选择性加氢催化剂I在惰性或还原性气氛中煅烧一段时间，得到选择性加氢催化剂II。在上述两种催化剂中，金属都以单原子分散状态存在，且有着独特的电子结构或化学环境，具有优异的催化性能和稳定性。
-
Patent Agency Ranking
公开(公告)号：CN109894111A
公开(公告)日：2019-06-18
申请号：CN201910125706.3
申请日：2019-02-20
Applicant: 浙江大学
Abstract: 本发明公开了一种高分散金属钼基催化剂的制备方法，包括：将处理过的碳布浸渍金属钼前驱体溶液并烘干，并在惰性气氛下煅烧烘干的碳布，获得负载二氧化钼的碳布，并将所述负载二氧化钼的碳布于还原气氛下还原煅烧，获得高分散钼基催化剂。该方法步骤简单，为需高温还原才能得到的廉价金属的高分散提供了可能，适用于高温反应，具有规模化生产的潜力。而且由于制备的催化剂具有高分散的特征，从而具有非常的催化作用。还公开了一种高分散金属钼基催化剂在电催化中的应用，例如电催化还原氮气。
-
公开(公告)号：CN109317175A
公开(公告)日：2019-02-12
申请号：CN201811043834.5
申请日：2018-09-07
Applicant: 浙江大学
Abstract: 本发明公开了一种炔醇选择性加氢催化剂的制备方法，包括以下步骤：(1)将含氮生物质与表面活性剂搅拌混合，再加入含铟金属盐和酸液混合均匀后，经干燥、高温煅烧获得氧化铟复合的氮掺杂多孔炭材料；(2)将所述氧化铟复合的氮掺杂多孔炭材料浸渍于Pd前驱体溶液中后，依次经搅拌、烘干、煅烧以及氢气还原处理，得到炔醇选择性加氢催化剂。还公开了上述制备方法制备得到的炔醇选择性加氢催化剂，以及该炔醇选择性加氢催化剂在维生素产业链中炔醇选择性加氢反应中的应用。该制备方法简单，制备得到的炔醇选择性加氢催化剂结构紧密，PdIn合金纳米颗粒高度分散，具有优良的催化性能。
-
公开(公告)号：CN105740133B
公开(公告)日：2018-06-29
申请号：CN201610065252.1
申请日：2016-01-29
Applicant: 浙江大学
Abstract: 本发明公开了一种基于服务调用拓扑的分布式应用性能监控方法，通过监控分布式应用服务的网络调用请求，解析出调用者、被调用者和请求时间，通过建立数学模型，确定服务的处理延时，进一步确定应用的服务调用拓扑。通过应用的服务调用拓扑和服务的延时信息，为运维人员提供可视化的应用状态分析，方便对分布式应用进行调试和性能分析。本发明方法具有通用性，可用于任何分布式应用，且本发明方法是实时的，并不是对收集数据的事后分析，能够及时发现问题和系统瓶颈并反馈给运维人员。本发明方法实现简单，易于操作，具有可扩展性和易于部署的特点，适合为分布式应用提供性能监控。
-
公开(公告)号：CN103678474A
公开(公告)日：2014-03-26
申请号：CN201310440419.4
申请日：2013-09-24
Applicant: 浙江大学
IPC: G06F17/30
CPC classification number: G06F17/30873 , G06F17/30867
Abstract: 一种在社交网络中快速获取大量热门话题的方法，在社交网络中抓取用户发布的“状态”的转发记录；通过聚类算法对所有“状态”内容进行聚类，每一个类定义为一个事件；通过分析“状态”转发记录，针对目标用户，在其好友群中选取在最短时间内可以覆盖最多事件的K个好友；将这K个好友放在特定的好友分组内，推荐给目标用户。本方法的优点在于：通过分析社交网络中用户好友的历史转发情况，把其中最能覆盖所有最新消息的好友搜集起来，放在一个特定的分组中。在时间有限或者“状态”数量过多时，用户只需要快速浏览这一分组的所有消息，就能最快的掌握时事热点和热门话题。
-
公开(公告)号：CN103559623A
公开(公告)日：2014-02-05
申请号：CN201310439089.7
申请日：2013-09-24
Applicant: 浙江大学
IPC: G06Q30/02
Abstract: 基于联合非负矩阵分解的个性化产品推荐方法，从互联网中抓取数据信息，包括用户对已购买产品的评分、用户之间的好友关系，用户对于已购买产品的文字评价；将数据信息转化成数据矩阵，每一个用户的数据信息是其中的一个行向量；利用联合非负矩阵分解的方法，将原始数据矩阵分解成多个低维空间下的数据矩阵；根据低维空间下的数据矩阵，估算每一个用户对于所有未购买产品的评分，按照评分高低进行产品推荐。本方法的优点在于综合考虑了社交网络中的用户结构关系和产品评价信息，解决了传统方法不能有效处理新用户的问题，对没有购买过任何产品的新用户进行有效的产品推荐。
-
-
-
-
-
-
-
-
-
Search Results
71
records
(took 0.066 seconds)
