34、药物研发与分类全解析

药物研发与分类全解析

1. 药物研发的前期筛选

在药物研发中,为目标药物靶点找到合适的检测方法是成功进行高通量筛选(HTS)的关键步骤。以蛋白质作为靶点为例,只有能与蛋白质结合的物质才具有生理活性,这些物质被视为“命中物”;而不能结合的物质则会在测试中被淘汰,不再考虑用于该应用。

通常,筛选一百万个化合物会得到几千个命中物。接下来会对这些命中物进一步研究,以确认其活性或排除假阳性结果。筛选阶段结束后,会选出几个有潜力的候选物作为先导化合物,用于进一步开发。

到目前为止,筛选过程是随机的,从现有化合物库中挑选出最佳候选物。那么,对先导化合物的结构进行轻微修改是否能提高其功效呢?这一问题可通过高通量合成与先导化合物结构相似的新化合物来验证。这些新化合物会经过与上述类似的筛选和确认过程。探索阶段结束时,会选出3 - 10个候选药物进入临床前测试阶段。

2. 临床前测试

临床前测试的目标是确保新物质在用于人体试验前对人类是安全的。其任务总结如下表:
| 临床前阶段 | 典型任务 |
| — | — |
| 合成路线 | 开发工业合成方法 |
| 性质与稳定性 | 鉴定杂质、物理化学性质以及储存稳定性 |
| 毒性 | 对大鼠和小鼠进行单次剂量的急性毒性测试(4周 - 2年);对大鼠和狗进行重复剂量毒性测试;进行体外和体内遗传毒性测试,如致突变性;对大鼠和兔子进行生殖毒性测试 |
| 药代动力学和代谢(ADME) | 药物进入血液循环的吸收情况;在体内的分布;药物在体内的代谢(化学反应);药物及其代谢物从体内的消除 |
| 药物制剂开发 | 开发含有药物物质的片剂、糖浆、注射剂

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
本系统采用微信小程序作为端交互界面,结合Spring BootVue.js框架实现后端服务及管理后台的构建,形成一套完整的电子商务解决方案。该系统架构支持单一商户独立运营,亦兼容多商户入驻的平台模式,具备高度的灵活性扩展性。 在技术实现上,后端以Java语言为核心,依托Spring Boot框架提供稳定的业务逻辑处理数据接口服务;管理后台采用Vue.js进行开发,实现了直观高效的操作界面;端微信小程序则为用户提供了便捷的移动端购物体验。整套系统各模块间紧密协作,功能链路完整闭环,已通过严格测试优化,符合商业应用的标准要求。 系统设计注重业务场景的面覆盖,不仅包含商品展示、交易流程、订单处理等核心电商功能,还集成了会员管理、营销工具、数据统计等辅助模块,能够满足不同规模商户的日常运营需求。其多店铺支持机制允许平台方对入驻商户进行统一管理,同时保障各店铺在品牌展示、商品销售及客户服务方面的独立运作空间。 该解决方案强调代码结构的规范性可维护性,遵循企业级开发标准,确保了系统的长期稳定运行后续功能迭代的可行性。整体而言,这是一套技术选型成熟、架构清晰、功能完备且可直接投入商用的电商平台系统。 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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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