-
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。
-
Patent Agency Ranking
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：CN114602067A
公开(公告)日：2022-06-10
申请号：CN202210077316.5
申请日：2022-01-24
Applicant: 西安交通大学医学院第一附属医院
IPC: A61N5/10
Abstract: 一种多模态功能成像的一体化放疗监测装置，包括环形一体化载架，环形一体化载架安装于医用加速器机头的出束口，与医用加速器机头同体运动；环形一体化载架上安装有三维轮廓采集模块、CLI信号采集模块和生物光谱图像采集模块；三维轮廓采集模块用于在放疗过程中采集放疗靶区体表轮廓的三维点云数据；CLI信号采集模块用于在放疗过程中采集高能粒子照射生物体产生的切伦科夫光信号；生物光谱图像采集模块用于在放疗过程中采集放疗区域肿瘤组织产生的切伦科夫光谱图像。本发明联合使用TOF技术、生物光谱技术，将设备一体化集成于医用加速器机头，与加速器同体运动，保证采集角度始终一致，利于成像。
-
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
6
records
(took 0.032 seconds)
