Xây dựng mô hình phân loại và dự đoán các chất ức chế bơm ngược P-glycoprotein, NorA và ứng dụng trong sàng lọc chalcon
Xây dựng mô hình phân loại P-gp ức chế hiệu quả bằng machine learning, tối ưu hóa dự đoán thuốc mới, nâng cao hiệu quả điều trị bệnh.
Luan An
Luận án tiến sĩ
Năm xuất bản
Số trang
169
Thời gian đọc
26 phút
Lượt xem
0
Lượt tải
0
Phí lưu trữ
50 Point
Tổng quan nhanh
- Chủ đề:
- Phát triển Mô hình Phân loại Chất ức chế P-glycoprotein
- Số trang:
- 169 trang
- Trường:
- Đại học Y Dược Thành phố Hồ Chí Minh
- Chuyên ngành:
- Hóa dược
- Tác giả:
- Ngô Triều Dủ
- Năm:
- 2019
Tóm tắt nội dung luận án
I.Phát triển Mô hình Phân loại Chất ức chế P glycoprotein
Nghiên cứu này xây dựng mô hình dự đoán hiệu quả cho các chất ức chế P-glycoprotein (P-gp). P-gp, một protein vận chuyển quan trọng, liên quan đến kháng đa thuốc (MDR) và dược động học. Việc phát triển các mô hình phân loại P-gp hỗ trợ sàng lọc và thiết kế thuốc. Các mô hình dựa trên học máy được tạo ra để phân biệt giữa chất ức chế và không ức chế P-gp. Mô hình cung cấp cái nhìn sâu sắc về cấu trúc-tác dụng của chất ức chế P-gp. Điều này đóng góp vào nỗ lực giảm thiểu tương tác thuốc-thuốc không mong muốn.
1.1. Mục tiêu xây dựng mô hình phân loại P gp
Mục tiêu chính là tạo ra các mô hình phân loại đáng tin cậy. Các mô hình này dự đoán khả năng của một hợp chất để ức chế bơm ngược P-gp. Nhu cầu xác định chất ức chế P-gp rất lớn. Chúng có tiềm năng cải thiện hiệu quả của nhiều loại thuốc. Việc hiểu rõ tương tác thuốc-thuốc cũng được tăng cường. Một công cụ dự đoán hiệu quả giúp tối ưu hóa quá trình khám phá thuốc.
1.2. Dữ liệu và đặc trưng cho mô hình P gp
Việc thu thập dữ liệu chất lượng cao là nền tảng. Dữ liệu bao gồm các hợp chất đã biết là chất ức chế P-gp và không ức chế. Các đặc trưng hóa học của mỗi hợp chất được tính toán. Những đặc trưng này mô tả cấu trúc và tính chất phân tử. Chúng là đầu vào cho các thuật toán học máy. Điều này giúp mô hình học cách liên kết các đặc trưng với hoạt tính ức chế P-gp. Dữ liệu được chuẩn bị cẩn thận để đảm bảo tính toàn vẹn của mô hình.
1.3. Đánh giá hiệu suất mô hình P gp
Các mô hình dự đoán được đánh giá chặt chẽ. Hiệu suất được kiểm tra trên các tập dữ liệu độc lập. Các chỉ số như độ chính xác, độ nhạy, độ đặc hiệu được sử dụng. Việc đánh giá đảm bảo độ tin cậy và khả năng dự đoán của mô hình. Một mô hình mạnh mẽ cung cấp công cụ giá trị cho hóa tin. Khả năng dự đoán cao là yếu tố then chốt cho ứng dụng thực tiễn.
II.Phương pháp Hóa tin và Học máy trong nghiên cứu P gp
Nghiên cứu này ứng dụng sâu rộng các phương pháp hóa tin và học máy. Mục đích là để giải quyết các thách thức liên quan đến P-glycoprotein (P-gp). Hóa tin cung cấp công cụ mạnh mẽ để xử lý và phân tích dữ liệu hóa học. Học máy cho phép xây dựng các mô hình dự đoán phức tạp. Sự kết hợp này thúc đẩy hiểu biết về tương tác giữa thuốc và P-gp. Việc sử dụng các kỹ thuật tiên tiến tối ưu hóa quá trình khám phá chất ức chế.
2.1. Vai trò của hóa tin trong thiết kế thuốc
Hóa tin đóng vai trò trung tâm trong thiết kế thuốc hiện đại. Nó hỗ trợ thu thập, quản lý và phân tích dữ liệu hóa học. Các công cụ hóa tin giúp tính toán đặc trưng phân tử. Các đặc trưng này mô tả hình dạng, điện tích và tính chất lipophilicity. Việc này rất cần thiết cho việc xây dựng mối quan hệ định lượng cấu trúc-tác dụng (QSAR). Hóa tin giúp khám phá các mẫu trong dữ liệu lớn.
2.2. Thuật toán học máy cho dự đoán P gp
Nhiều thuật toán học máy được triển khai. Các thuật toán bao gồm cây quyết định, mạng nơ-ron, máy vector hỗ trợ (SVM). Các thuật toán này học từ dữ liệu đã được dán nhãn. Chúng phân loại các hợp chất thành chất ức chế P-gp hoặc không ức chế. Việc lựa chọn thuật toán phù hợp rất quan trọng. Nó ảnh hưởng đến độ chính xác và khả năng tổng quát hóa của mô hình. Các phương pháp ensemble cũng được khám phá để tăng cường độ mạnh của mô hình.
2.3. Sàng lọc ảo và tối ưu hóa hợp chất P gp
Sàng lọc ảo là một ứng dụng chính của hóa tin và học máy. Các mô hình dự đoán được sử dụng để sàng lọc hàng ngàn hợp chất tiềm năng. Quá trình này nhanh chóng và tiết kiệm chi phí. Nó giúp xác định các ứng cử viên chất ức chế P-gp tiềm năng cao. Sau đó, các hợp chất này có thể được thử nghiệm in vitro. Phương pháp này tối ưu hóa quá trình khám phá thuốc. Nó rút ngắn đáng kể chu trình phát triển dược phẩm.
III.Tầm quan trọng của P gp trong Kháng đa thuốc MDR
P-glycoprotein (P-gp) là một protein bơm ngược có vai trò thiết yếu. Nó bảo vệ cơ thể khỏi các chất độc hại. Tuy nhiên, P-gp cũng liên quan mật thiết đến hiện tượng kháng đa thuốc (MDR). Việc hiểu rõ cơ chế hoạt động của P-gp là cực kỳ quan trọng. Nó giúp vượt qua các rào cản trong điều trị ung thư và nhiễm trùng. P-gp đại diện cho một mục tiêu dược lý quan trọng. Việc ức chế P-gp có thể cải thiện đáng kể hiệu quả điều trị.
3.1. Cơ chế kháng đa thuốc do P gp
P-gp hoạt động như một bơm ngược mạnh mẽ. Nó đẩy các thuốc ra khỏi tế bào. Điều này làm giảm nồng độ thuốc nội bào. Nhiều loại thuốc, bao gồm cả thuốc chống ung thư, là cơ chất của P-gp. Sự tăng biểu hiện P-gp trong tế bào ung thư gây ra MDR. Kháng thuốc làm giảm hiệu quả điều trị đáng kể. Đây là một thách thức lớn trong y học hiện đại.
3.2. Ảnh hưởng P gp đến dược động học
P-gp ảnh hưởng đến dược động học của thuốc. Nó tác động đến hấp thu, phân bố, chuyển hóa, thải trừ (ADMET). Tại ruột, P-gp giảm hấp thu thuốc. Tại gan và thận, nó tăng cường thải trừ thuốc. P-gp cũng có mặt ở các hàng rào sinh học khác. Hiểu biết này giúp dự đoán hành vi của thuốc trong cơ thể. Điều chỉnh hoạt động P-gp có thể tối ưu hóa dược động học.
3.3. P gp và thách thức hàng rào máu não
P-gp là một thành phần quan trọng của hàng rào máu não (BBB). Nó ngăn chặn nhiều loại thuốc tiếp cận não. Điều này bảo vệ não khỏi các chất độc hại. Tuy nhiên, nó cũng cản trở việc điều trị các bệnh thần kinh. Việc phát triển chất ức chế P-gp có thể giúp tăng cường xâm nhập thuốc vào não. Điều này mở ra cơ hội mới cho dược phẩm thần kinh. Các chất ức chế P-gp có tiềm năng vượt qua rào cản này.
IV.Ứng dụng Mô hình dự đoán Chất ức chế P gp mới
Các mô hình dự đoán chất ức chế P-glycoprotein (P-gp) mang lại nhiều ứng dụng thực tiễn. Chúng tăng tốc quá trình khám phá và phát triển thuốc mới. Việc này đặc biệt quan trọng trong bối cảnh kháng đa thuốc (MDR) ngày càng gia tăng. Mô hình cung cấp một công cụ mạnh mẽ để sàng lọc hợp chất hiệu quả. Ứng dụng mô hình giúp tiết kiệm thời gian, chi phí trong nghiên cứu dược phẩm. Từ đó, chất ức chế P-gp tiềm năng được nhanh chóng xác định.
4.1. Sàng lọc hiệu quả chất ức chế P gp
Mô hình được dùng để sàng lọc hàng ngàn hợp chất tiềm năng. Quá trình này diễn ra nhanh chóng, giảm chi phí nghiên cứu. Chỉ những hợp chất có khả năng ức chế P-gp cao mới được chọn. Điều này tiết kiệm thời gian và tài nguyên đáng kể. Sàng lọc hiệu quả giúp đẩy nhanh việc tìm kiếm các ứng cử viên thuốc mới. Nó là bước đầu tiên quan trọng trong chuỗi phát triển thuốc.
4.2. Thiết kế thuốc nhắm mục tiêu P gp
Thông tin từ mô hình P-gp hỗ trợ thiết kế thuốc. Các nhà hóa dược có thể sửa đổi cấu trúc hợp chất. Mục tiêu là để tăng cường hoạt tính ức chế P-gp. Hoặc làm giảm khả năng bị P-gp bơm ra. Việc này rất quan trọng để phát triển thuốc vượt qua MDR. Nó cũng giúp cải thiện dược động học của thuốc. Thiết kế hợp chất tối ưu trở nên khả thi hơn.
4.3. Ứng dụng trong nghiên cứu NorA và S. aureus
Các nguyên tắc xây dựng mô hình P-gp được mở rộng. Chúng được áp dụng để nghiên cứu bơm NorA trong Staphylococcus aureus (S. aureus). NorA cũng là một bơm ngược, gây kháng kháng sinh. Nghiên cứu sàng lọc các chalcon có khả năng ức chế NorA. Điều này có tiềm năng giải quyết vấn đề S. aureus đa đề kháng thuốc. Mô hình cung cấp công cụ sàng lọc ban đầu hiệu quả. Ứng dụng này minh họa tính linh hoạt của phương pháp.
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (169 trang)Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộBỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ Y TẾ ĐẠI HỌC Y DƯỢC THÀ NH PHỐ HỒ CHÍ MINH NGÔ TRIỀU DỦ XÂY DỰNG MÔ HÌNH PHÂN LOẠI VÀ DỰ ĐOÁN CÁC CHẤT ỨC CHẾ BƠM NGƯỢC P-GLYCOPROTEIN, NORA VÀ ỨNG DỤNG TRONG VIỆC SÀNG LỌC CÁC CHALCON CÓ KHẢ NĂNG ỨC CHẾ BƠM NORA CỦA STAPHYLOCOCCUS AUREUS ĐA ĐỀ KHÁNG THUỐC LUẬN ÁN TIẾN SĨ DƯỢC HỌC TP. HỒ CHÍ MINH, NĂM 2019 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ Y TẾ ĐẠI HỌC Y DƯỢC THÀ NH PHỐ HỒ CHÍ MINH NGÔ TRIỀU DỦ XÂY DỰNG MÔ HÌNH PHÂN LOẠI VÀ DỰ ĐOÁN CÁC CHẤT ỨC CHẾ BƠM NGƯỢC P-GLYCOPROTEIN, NORA VÀ ỨNG DỤNG TRONG VIỆC SÀNG LỌC CÁC CHALCON CÓ KHẢ NĂNG ỨC CHẾ BƠM NORA CỦA STAPHYLOCOCCUS AUREUS ĐA ĐỀ KHÁNG THUỐC NGÀNH: HÓA DƯỢC MÃ SỐ: 62720403 LUẬN ÁN TIẾN SĨ DƯỢC HỌC NGƯỜI HƯỚNG DẪN KHOA HỌC: 1. THÁI KHẮC MINH 2. TRẦN THÀNH ĐẠO TP.
HỒ CHÍ MINH, NĂM 2019 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com LỜI CAM ĐOAN Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi, các kết quả nghiên cứu được trình bày trong luận án là trung thực, khách quan và chưa từng được công bố ở bất kỳ nơi nào. Tác giả luận án Ngô Triều Dủ LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com MỤC LỤC Trang Danh mục các chữ viết tắt, thuật ngữ .i Danh mục các bảng. ii Danh mục các hình, đồ thị .iv MỞ ĐẦU. Tổng quan về các bơm ngược nghiên cứu.
Các chất ức chế bơm ngược đề kháng đa thuốc. Đề kháng kháng sinh. Các nghiên cứu trước có liên quan. Các thuật toán học máy trong Clementine 12.
Các công cụ máy tính khác. Thử nghiệm tác dụng ức chế bơm ngược trên các chủng vi khuẩn đề kháng. ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU. Đối tượng nghiên cứu.
Phương pháp nghiên cứu in silico. Phương pháp nghiên cứu in vitro. Các mô hình máy tính dựa trên phối tử. Các mô hình máy tính dựa trên cấu trúc (mô hình tương đồng của P-gp).
Sàng lọc in silico trên P-gp. Sàng lọc in silico và thử nghiệm in vitro đánh giá tác dụng ức chế bơm ngược NorA trên S. aureus của một số chalcon nội bộ. Các mô hình máy tính dựa trên phối tử.
Mô hình tương đồng của P-gp .110 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Sàng lọc in silico. Thử nghiệm in vitro. 112 KẾT LUẬN VÀ KIẾN NGHỊ.
115 DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CÓ LIÊN QUAN TÀI LIỆU THAM KHẢO PHỤ LỤC LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com i DANH MỤC CÁC CHỮ VIẾT TẮT, THUẬT NGỮ Chữ viết tắt Chữ viết đầy đủ Nghĩa tiếng Việt/Định nghĩa Họ các protein chuyên chở phụ ABC ATP Binding Cassette thuộc ATP Absorption, Distribution, Hấp thu, phân bố, chuyển hóa, ADMET Metabolism, Excretion and thải trừ và độc tính Toxicity Ci Ciprofloxacin Efflux Pump Inhibitor Chất ức chế bơm ngược EPI Efflux Pump Inhibition Sự ức chế bơm ngược Genetic Algorithm-Partial Bình phương tối thiểu-thuật toán GA-PLS Least Square di truyền Thực hiện trên máy tính hoặc in silico thông qua mô phỏng máy tính MDR Multidrug Resistance Đề kháng đa thuốc MFS Major Facilitator Superfamily Liên họ trợ giúp chính Minimum Inhibitory MIC Nồng độ ức chế tối thiểu Concentration Methicillin-Resistant Staphylococcus aureus đề kháng MRSA Staphylococcus aureus methicillin Bơm ngược MFS của NorA Staphylococcus aureus Phenyl-arginin-beta- PaβN naphthylamid P-gp P-glycoprotein Quantitative Structure-Activity Mối quan hệ định lượng cấu trúc QSAR Relationship - tác dụng QZ59-RRR Cyclic-tris-(R)-valineselenazol RF Reversal Fold Số lần đảo ngược Căn bậc hai của độ lệch bình RMSD Root Mean Square Deviation phương trung bình SAR Structure-Activity Relationship Mối quan hệ cấu trúc - tác dụng SMI Small Molecule Inhibitor Chất ức chế phân tử nhỏ S. aureus Staphylococcus aureus 2D Two-Dimension Hai chiều 3D Three-Dimension Ba chiều LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com ii DANH MỤC CÁC BẢNG Trang Bảng 3. Kết quả dự đoán trên tập huấn luyện và tập đánh giá nội với sự phân chia đa dạng. Kết quả dự đoán trên tập huấn luyện và tập đánh giá nội với sự phân chia ngẫu nhiên.
Kết quả đánh giá chéo 10 lần và y ngẫu nhiên trên tập huấn luyện đa dạng. Kết quả dự đoán trên tập đánh giá ngoại của các mô hình được tạo ra từ tập huấn luyện đa dạng. Sáu mô hình đơn lẻ được tạo ra cùng với các giá trị R2 của chúng trên tập huấn luyện và tập đánh giá nội, theo hai kiểu phân chia dữ liệu đa dạng và ngẫu nhiên. Kết quả đánh giá nội các mô hình dự đoán được tạo ra từ tập huấn luyện đa dạng.
Kết quả đánh giá các mô hình dự đoán trên tập đánh giá nội. Kết quả đánh giá truyền thống các mô hình dự đoán trên tập đánh giá ngoại. Kết quả đánh giá các mô hình dự đoán trên tập đánh giá ngoại, sử dụng các điều kiện dựa trên MAE áp dụng cho 95 % dữ liệu. Các giá trị thống kê trong quá trình chia tỷ lệ, sử dụng kỹ thuật đo lường đa hướng (MDS ALSCAL).
Giá trị phương sai của các hướng, các dấu vân tay và các lớp hoạt tính trong quá trình giảm hướng, sử dụng kỹ thuật phân tích tương hợp (CA). 62 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com iii Bảng 3. Ba giả thuyết pharmacophore tốt nhất cho các chất ức chế P-gp mạnh và các chất ức chế chọn lọc NorA cùng với các giá trị thống kê của chúng. Bốn mô hình tương đồng tốt nhất của P-gp được dự đoán bởi I-TASSER với thông tin đĩa và các thông số ước tính.
Tóm tắt kết quả sàng lọc in silico của 95 chalcon nội bộ. Tóm tắt kết quả sàng lọc in silico của 47 chất từ Ngân hàng Thuốc với các giá trị pIC50 trên P-gp được dự đoán bởi mô hình kết hợp ≥ 7. Kết quả dự đoán hoạt tính ức chế NorA bằng mô hình D và docking vào mô hình tương đồng của protein này của các chalcon “hit”. Giá trị MIC (μg/mL) của ciprofloxacin trên các chủng S.
aureus SA-1199 và SA-1199B khi vắng mặt và khi có mặt các chalcon nghiên cứu. Giá trị MIC (μg/mL) của ciprofloxacin trên các chủng S. aureus lâm sàng khi vắng mặt và khi có mặt chất ức chế bơm PaβN. Giá trị MIC (μg/mL) của ciprofloxacin (Ci) trên các chủng S.
aureus lâm sàng khi vắng mặt và khi có mặt các chalcon nghiên cứu. Tóm tắt các mô hình phân loại chất ức chế và chất không ức chế P-gp được công bố trong các nghiên cứu trước và trong nghiên cứu này. Tóm tắt các mô hình QSAR hai chiều dự đoán hoạt tính ức chế P-gp (biến liên tục) được công bố trong các nghiên cứu trước và trong nghiên cứu này. 104 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com iv DANH MỤC CÁC HÌNH, ĐỒ THỊ Trang Hình 1.
Cấu trúc của P-gp chuột: (A) mặt trước và (B) mặt sau. Các domain xuyên màng và domain gắn kết nucleotid lần lượt được đánh dấu từ TM 1-12 và NBD 1-2. Nửa N tận và nửa C tận lần lượt được tô màu vàng và xanh. Các TM 4-5 và TM 10-11 tạo thành các giao diện xoắn vào nhau giúp ổn định hình thể hưởng vào trong.
Các thanh ngang đại diện cho vị trí xấp xỉ của lớp lipid kép “Nguồn: Aller S. Giản đồ cấu trúc của họ các protein bơm ngược đề kháng đa thuốc MFS được tạo ra bằng phần mềm UCSF Chimera 1.10 từ lactose permease của E. coli (LacY) “Nguồn: Schindler B. Quy trình nghiên cứu của đề tài.
Bố trí thử nghiệm in vitro xác định MIC của ciprofloxacin (Ci) trên các chủng S. aureus SA-1199 và SA-1199B khi vắng mặt và khi có mặt chất thử nghiệm X ở các nồng độ khác nhau (A, B μg/mL), qua đó đánh giá khả năng ức chế bơm ngược NorA của SA của chất thử nghiệm. Trong mỗi hàng ngang của đĩa, tất cả các giếng chứa kháng sinh (trừ giếng số 11) được cho cùng lượng và loại vi khuẩn như giếng kiểm soát C (chứa vi khuẩn nhưng không có kháng sinh). Bố trí thử nghiệm in vitro xác định MIC của ciprofloxacin (Ci) trên các chủng S.
aureus phân lập từ lâm sàng khi vắng mặt và khi có mặt chất ức chế bơm đã biết là PaβN ở nồng độ C = 20 μg/mL, qua đó chọn lọc ra các chủng SA lâm sàng có biểu lộ quá mức bơm ngược. Trong mỗi hàng ngang của đĩa, tất cả các giếng chứa kháng sinh (trừ giếng số 11) được cho cùng lượng và loại vi khuẩn như giếng kiểm soát C (chứa vi khuẩn nhưng không có kháng sinh). 44 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Bố trí thử nghiệm in vitro xác định MIC của ciprofloxacin (Ci) trên các chủng S.
aureus phân lập từ lâm sàng có biểu lộ quá mức bơm ngược, khi vắng mặt và khi có mặt các chất thử nghiệm X1, X2, …, Xn ở nồng độ C = 20 μg/mL, qua đó đánh giá khả năng ức chế bơm ngược của các SA lâm sàng của từng chất thử nghiệm. Trong mỗi hàng ngang của đĩa, tất cả các giếng chứa kháng sinh (trừ giếng số 11) được cho cùng lượng và loại vi khuẩn như giếng kiểm soát C (chứa vi khuẩn nhưng không có kháng sinh). Đồ thị phân tán của mô hình kết hợp trên các tập dữ liệu: (A) Trên tập huấn luyện và tập đánh giá nội; (B) Trên tập đánh giá ngoại. Bản đồ nhận thức đo lường đa hướng (MDS) của các lớp hoạt tính và các thông số mô tả.
P: Chất ức chế chỉ P-gp; A: Chất ức chế chỉ NorA; D: Chất ức chế cả P-gp và NorA; N: Chất không ức chế cả P-gp và NorA; dia: diameter; BP2: BCUT_PEOE_2; GP2: GCUT_PEOE_2; bJ: balabanJ; QVF: Q_VSA_FNEG; A2m: ATSC2m; A4m: ATSC4m; A1s: ATSC1s; AA6v: AATSC6v; AA4s: AATSC4s; M4s: MATS4s; SpM: SpMAD_DzZ; ASP3: ASP-3; AVP6: AVP-6; nHCs: nHCsatu; minHCs: minHCsatu; EBPnsd: ETA_BetaP_ns_d; MDEO22: MDEO-22. Bản đồ nhận thức phân tích tương hợp (CA) của các lớp hoạt tính và các dấu vân tay. P: Chất ức chế chỉ P-gp; A: Chất ức chế chỉ NorA; D: Chất ức chế cả P-gp và NorA; N: Chất không ức chế cả P-gp và NorA; MFP128: MACCSFP128; MFP144: MACCSFP144; PFP2: PubchemFP2. Mô hình pharmacophore chất ức chế P-gp mạnh (F1, F2, F3: Nhóm kỵ nước; F4: Nhóm nhận liên kết hydro; V: Giới hạn thể tích): (A) Các khoảng cách và góc; (B) Với sự hiện diện của các chất có hoạt tính (aripiprazol, ebastin, tariquidar và elacridar).
67 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com vi Hình 3.
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Trích dẫn luận án này
Ngô Triều Dủ (2019). Xây dựng mô hình phân loại chất ức chế bơm ngược P-glycoprotein [Luận án tiến sĩ, Đại học Y Dược Thành phố Hồ Chí Minh]. LuanAn.net. https://luanan.net/duoc-hoc/xay-dung-mo-hinh-phan-loai-chat-uc-che-bom-nguoc-p-glycoprotein
Câu hỏi thường gặp
Luận án "Xây dựng mô hình phân loại chất ức chế bơm ngược P-glycoprotein" nghiên cứu về vấn đề gì?
Xây dựng mô hình phân loại P-gp ức chế hiệu quả bằng machine learning, tối ưu hóa dự đoán thuốc mới, nâng cao hiệu quả điều trị bệnh.
Luận án "Xây dựng mô hình phân loại chất ức chế bơm ngược P-glycoprotein" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại Đại học Y Dược Thành phố Hồ Chí Minh. Năm bảo vệ: 2019.
Luận án "Xây dựng mô hình phân loại chất ức chế bơm ngược P-glycoprotein" thuộc chuyên ngành gì?
Luận án "Xây dựng mô hình phân loại chất ức chế bơm ngược P-glycoprotein" thuộc chuyên ngành Hóa dược. Danh mục: Dược Học.
Luận án "Xây dựng mô hình phân loại chất ức chế bơm ngược P-glycoprotein" có bao nhiêu trang?
Luận án "Xây dựng mô hình phân loại chất ức chế bơm ngược P-glycoprotein" có 169 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Xây dựng mô hình phân loại chất ức chế bơm ngược P-glycoprotein" về máy như thế nào?
Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.