-
Patent Agency Ranking
公开(公告)号：CN114522151A
公开(公告)日：2022-05-24
申请号：CN202210032107.9
申请日：2022-01-12
Applicant: 西安交通大学医学院第一附属医院
Abstract: 基于中空聚多巴胺纳米颗粒的一体式仿生纳米平台，其通式为[AVPt@HP@M]，该平台的制备方法：通过硝酸锌和二甲基咪唑合成ZIF‑8，并添加PVP修饰的Pt纳米颗粒合成Pt@ZIF‑8。在Pt@ZIF‑8体系中加入多巴胺，形成铂内嵌的中空聚多巴胺纳米颗粒Pt@HP。加入apoptin的100‑109功能片段和维替泊芬，形成AVPt@HP，将AVPt@HP与癌细胞膜碎片混合并在冰浴中搅拌，用纳米挤出器挤压使得AVPt@HP被癌细胞膜伪装。本发明纳米平台具有优秀的靶向性且药物负载能力强，其联合放射疗能通过改善肿瘤部位乏氧、直接促进肿瘤细胞凋亡、产生光动力治疗效果共同杀伤肿瘤细胞，起到放疗增敏作用。
-
公开(公告)号：CN118588196B
公开(公告)日：2025-04-25
申请号：CN202410754023.5
申请日：2024-06-12
Applicant: 西安交通大学医学院第一附属医院
IPC: G16C20/50 , G16C20/70 , G06F17/18 , G06F40/289 , G06N20/00
Abstract: 本发明公开了一种基于自回归式模型的药物设计方法，属于药物设计技术领域。该方法包括：将子词分词算法应用于生物学文本处理，对数据集中的蛋白质与配体信息进行训练，得到蛋白质和配体的分词器，并在此基础上构建自回归模型的分词器；处理并转化数据集中的原始数据为适用于自回归模型的文本形式，再通过所得分词器进行编码，构建自回归模型所需的训练数据集；利用训练数据集训练自回归模型，使其能理解配体的SMILES表示，并学习蛋白质与配体之间的相互作用模式；利用训练过的自回归模型生成预测的配体数据，并通过化学信息工具进行后处理，以获得具有具体化学结构的候选配体；对得到的候选配体进行评估和优化，以确定有潜力成为有效药物的候选分子。
-
公开(公告)号：CN114522151B
公开(公告)日：2024-12-24
申请号：CN202210032107.9
申请日：2022-01-12
Applicant: 西安交通大学医学院第一附属医院
Abstract: 基于中空聚多巴胺纳米颗粒的一体式仿生纳米平台，其通式为[AVPt@HP@M]，该平台的制备方法：通过硝酸锌和二甲基咪唑合成ZIF‑8，并添加PVP修饰的Pt纳米颗粒合成Pt@ZIF‑8。在Pt@ZIF‑8体系中加入多巴胺，形成铂内嵌的中空聚多巴胺纳米颗粒Pt@HP。加入apoptin的100‑109功能片段和维替泊芬，形成AVPt@HP，将AVPt@HP与癌细胞膜碎片混合并在冰浴中搅拌，用纳米挤出器挤压使得AVPt@HP被癌细胞膜伪装。本发明纳米平台具有优秀的靶向性且药物负载能力强，其联合放射疗能通过改善肿瘤部位乏氧、直接促进肿瘤细胞凋亡、产生光动力治疗效果共同杀伤肿瘤细胞，起到放疗增敏作用。
-
公开(公告)号：CN118588196A
公开(公告)日：2024-09-03
申请号：CN202410754023.5
申请日：2024-06-12
Applicant: 西安交通大学医学院第一附属医院
IPC: G16C20/50 , G16C20/70 , G06F17/18 , G06F40/289 , G06N20/00
Abstract: 本发明公开了一种基于自回归式模型的药物设计方法，属于药物设计技术领域。该方法包括：将子词分词算法应用于生物学文本处理，对数据集中的蛋白质与配体信息进行训练，得到蛋白质和配体的分词器，并在此基础上构建自回归模型的分词器；处理并转化数据集中的原始数据为适用于自回归模型的文本形式，再通过所得分词器进行编码，构建自回归模型所需的训练数据集；利用训练数据集训练自回归模型，使其能理解配体的SMILES表示，并学习蛋白质与配体之间的相互作用模式；利用训练过的自回归模型生成预测的配体数据，并通过化学信息工具进行后处理，以获得具有具体化学结构的候选配体；对得到的候选配体进行评估和优化，以确定有潜力成为有效药物的候选分子。
-
公开(公告)号：CN116779060A
公开(公告)日：2023-09-19
申请号：CN202310711607.X
申请日：2023-06-15
Applicant: 西安交通大学医学院第一附属医院
IPC: G16C20/50 , G16C20/70 , G06F17/18 , G06F40/289 , G06N20/00
Abstract: 一种基于自回归式模型的药物设计方法，将子词分词算法应用于生物学文本处理，对数据集中的蛋白质与配体信息进行训练，得到蛋白质和配体的分词器，并在此基础上构建自回归模型的分词器；处理并转化数据集中的原始数据为适用于自回归模型的文本形式，再通过所得分词器进行编码，构建自回归模型所需的训练数据集；利用训练数据集训练自回归模型，使其能理解配体的SMILES表示，并学习蛋白质与配体之间的相互作用模式；利用训练过的自回归模型生成预测的配体数据，并通过化学信息工具进行后处理，以获得具有具体化学结构的候选配体；对得到的候选配体进行评估和优化，利用化学或生物信息工具进行结构优化和活性预测，以确定有潜力成为有效药物的候选分子。
-
-
-
-
Search Results
5
records
(took 0.029 seconds)
