膜转运蛋白/离子通道化合物库用于离子通道和膜转运体的研究,或相关药物的高通量筛选 | MedChemExpress (MCE)

本文介绍了MCE的代谢/蛋白酶化合物库,包含4372种用于研究和药物开发的小分子化合物,覆盖膜转运蛋白和离子通道,具有临床验证的活性和安全特性,提供多种浓度和溶解形式,适用于药物吸收、分布的研究,支持1377种化合物的实验配置和高纯度验证。

膜转运蛋白/离子通道化合物库 | 药物筛选

概述:代谢是生物体内一系列化学反应的总称。代谢途径是酶介导的生化反应,可以促使细胞或组织内化合物的生物合成(合成代谢)或分解(分解代谢)。作为代谢中的催化剂,酶在生物体代谢中发挥重要作用——既能促使反应加快,也能调节代谢反应的速率。蛋白酶在整个生物机体的各种代谢过程发挥重要作用。蛋白酶控制着对生命至关重要的各种生理过程,包括免疫反应、细胞周期、细胞死亡、伤口愈合、食物消化、蛋白质和细胞器循环。代谢活动的失调对多种疾病的发生发展至关重要,如心血管疾病、炎症、癌症及神经退行性疾病等。MCE 收录了 4372 种代谢/酶相关的小分子化合物,是代谢相关疾病药物研发的有力工具。我们将在明确您的产品用途后,向符合资质的客户通过定制合成服务的方式提供 MCE 代谢/蛋白酶化合物库,我们为该库中的所有产品提供溶液包装或粉末包装。溶液包装中,4279 个产品以 10 mM 浓度提供,71 个产品以 2 mM 浓度提供,22 个产品以 3 mg/mL 浓度提供。溶液包装中,我们对于溶液状态稳定且溶解度不低于 10 mM 的产品,提供 10 mM 溶液;对于溶液状态稳定且溶解度介于 2~10 mM 的产品,我们提供 2 mM 溶液;对于溶液状态稳定、分子量不确定且溶解度不低于 3 mg/mL产品,我们提供 3 mg/mL 溶液。

活性 & 特点:
•    独特的1377 个小分子调节剂集合,用于离子通道和膜转运蛋白研究。
•    该库包含针对膜转运蛋白的化合物,包括Pgp、CRM1、BCRP 等,以及针对离子通道的化合物,包括CFTR、质子泵、钠泵、钙泵等。
•    用于研究药物吸收和分布的有用工具。
•    经临床前研究和临床试验证实的生物活性和安全性。一些抑制剂已获得 FDA 批准。
•    结构多样、具有药用活性且具有细胞渗透性。
•    丰富的文档,包括结构、IC50 和摘要。
•    NMR 和HPLC 验证可确保高纯度。
•    所有化合物均有库存并持续更新。

使用方法:

配方:以预溶解溶液或固溶体形式提供的 1377 种膜转运蛋白/离子通道相关化合物的集合:1363 种化合物以 10 mM 溶液形式提供,14 种化合物以 2 mM 溶液形式提供。布局:96 孔储存管或 96 孔板:第 1 列和第 12 列留空。 384孔板:前两列和后两列留空。不同浓度或溶解在不同溶剂中的化合物将被放置在单独的板上。这种布局方式可能会增加板的数量,因为可能存在三种溶剂和三种浓度。如果您有其他要求,请告知我们。容器:带有可剥离箔密封的 96 或 384 孔板;带螺旋盖和可选 2D 条形码存储的 96 孔格式样品存储管:-80°C 运输:Blue Ice  详情:

https://www.medchemexpress.cn/screening/Membrane_Transporter/Ion_Channel_Compound_Library.html

【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值