preparation-oligomeric-amyloid1-42-induction-synaptic-plasticity

Preparation of Oligomeric &beta;-amyloid<sub>1-42</sub> and Induction of Synaptic Plasticity Impairment on Hippocampal Slices

Impairment of synaptic connections is likely to underlie the subtle amnesic changes occurring at the early stages of Alzheimer s Disease (AD). ...

Columbia University

Columbia College

&#x67E5;&#x8BE2;&#x6269;&#x5C55;&#x662F;&#x6539;&#x5199;&#x539F;&#x6765;&#x7684;&#x67E5;&#x8BE2;&#xFF0C;&#x4EE5;&#x63D0;&#x9AD8;&#x4FE1;&#x606F;&#x68C0;&#x7D22;&#x7CFB;&#x7EDF;&#x7684;&#x68C0;&#x7D22;&#x6027;&#x80FD;&#x7684;&#x8FC7;&#x7A0B;&#x3002;&#x76F8;&#x5173;&#x53CD;&#x9988;&#x662F;&#x6700;&#x6709;&#x7528;&#x7684;&#x67E5;&#x8BE2;&#x4FEE;&#x6539;&#x6280;&#x672F;&#x4E4B;&#x4E00;&#x4FE1;&#x606F;&#x68C0;&#x7D22;&#x7CFB;&#x7EDF;&#x4E2D;&#x3002;&#x5728;&#x672C;&#x6587;&#x4E2D;&#xFF0C;&#x6211;&#x4EEC;&#x4ECB;&#x7ECD;&#x67E5;&#x8BE2;&#x6269;&#x5C55;&#x5230;&#x57FA;&#x4E8E;&#x914D;&#x4F53;&#x7684;&#x865A;&#x62DF;&#x7B5B;&#x9009; &#xFF08;LBVS&#xFF09; &#x4F7F;&#x7528;&#x7684;&#x76F8;&#x5173;&#x53CD;&#x9988;&#x6280;&#x672F;&#x3002;&#x5728;&#x6B64;&#x65B9;&#x6CD5;&#x4E2D;&#xFF0C;&#x4ECE;&#x4EA7;&#x51FA;&#x7684;&#x5355;&#x914D;&#x4F53;&#x5206;&#x5B50;&#x7684;&#x914D;&#x4F53;&#x5206;&#x5B50;&#x4E00;&#x5957;&#x57FA;&#x4E8E;&#x8D1D;&#x53F6;&#x65AF;&#x63A8;&#x7406;&#x7F51;&#x7EDC;&#x8FC7;&#x6EE4;&#x7684;&#x51E0;&#x4E2A;&#x9AD8;&#x7EA7;&#x5206;&#x5B50;&#x7684;&#x672A;&#x77E5;&#x6D3B;&#x52A8;&#x3002;&#x8FD9;&#x5957;&#x7684;&#x914D;&#x4F53;&#x5206;&#x5B50;&#x7528;&#x6765;&#x5F62;&#x6210;&#x4E00;&#x4E2A;&#x65B0;&#x7684;&#x914D;&#x4F53;&#x5206;&#x5B50;&#x3002;MDL &#x836F;&#x7269;&#x6570;&#x636E;&#x62A5;&#x544A;&#x4E0E;&#x6700;&#x5927;&#x7684;&#x65E0;&#x504F;&#x89C1;&#x7684;&#x9A8C;&#x8BC1;&#x6570;&#x636E;&#x96C6;&#x6A21;&#x62DF;&#x7684;&#x865A;&#x62DF;&#x7B5B;&#x9009;&#x5B9E;&#x9A8C;&#x8868;&#x660E;&#x914D;&#x4F53;&#x81A8;&#x80C0;&#x7684;&#x4F7F;&#x7528;&#x63D0;&#x4F9B;&#x4E86;&#x975E;&#x5E38;&#x7B80;&#x5355;&#x7684;&#x65B9;&#x6CD5;&#xFF0C;&#x63D0;&#x9AD8; LBVS&#xFF0C;&#x5C24;&#x5176;&#x662F;&#x5F53;&#x6B63;&#x5728;&#x5BFB;&#x6C42;&#x7684;&#x6D3B;&#x8DC3;&#x5206;&#x5B50;&#x6709;&#x9AD8;&#x5EA6;&#x7684;&#x7ED3;&#x6784;&#x5F02;&#x8D28;&#x3002;&#x7136;&#x800C;&#xFF0C;&#x914D;&#x4F53;&#x81A8;&#x80C0;&#x7684;&#x6548;&#x529B;&#x662F;&#x7565;&#x4F4E;&#x65F6;&#x6B63;&#x5728;&#x5BFB;&#x6C42;&#x690D;&#x7684;&#x7ED3;&#x6784;&#x9F50;&#x6B21;&#x96C6;&#x3002;

&#x914D;&#x4F53;&#x6269;&#x5F20;&#x4E2D;&#x914D;&#x4F53;&#x57FA;&#x4E8E;&#x865A;&#x62DF;&#x7B5B;&#x9009;&#x4F7F;&#x7528;&#x76F8;&#x5173;&#x53CD;&#x9988;&#x3002;

Query expansion is the process of reformulating an original query to improve retrieval performance in information retrieval systems. Relevance feedback is one of the most useful query modification techniques in information retrieval systems. In this paper, we introduce query expansion into ligand-based virtual screening (LBVS) using the relevance feedback technique. In this approach, a few high-ranking molecules of unknown activity are filtered from the outputs of a Bayesian inference network based on a single ligand molecule to form a set of ligand molecules. This set of ligand molecules is used to form a new ligand molecule. Simulated virtual screening experiments with the MDL Drug Data Report and maximum unbiased validation data sets show that the use of ligand expansion provides a very simple way of improving the LBVS, especially when the active molecules being sought have a high degree of structural heterogeneity. However, the effectiveness of the ligand expansion is slightly less when structurally-homogeneous sets of actives are being sought.

Ligand expansion in ligand-based virtual screening using relevance feedback.

Extension de requ&ecirc;te consiste &agrave; reformuler la requ&ecirc;te originale pour am&eacute;liorer les performances de r&eacute;cup&eacute;ration dans les syst&egrave;mes de r&eacute;cup&eacute;ration de renseignements judiciaires. R&eacute;troaction de pertinence est l&#39;une des techniques de modification de requ&ecirc;te plus utiles dans les syst&egrave;mes de r&eacute;cup&eacute;ration de renseignements judiciaires. Dans cet article, nous pr&eacute;sentons les extension de requ&ecirc;te en ligand-based screening virtuel (LBVS) en utilisant la technique de r&eacute;troaction de pertinence. Dans cette approche, quelques mol&eacute;cules de haut rang de l&#39;activit&eacute; inconnue sont filtr&eacute;s par les sorties d&#39;un r&eacute;seau d&#39;inf&eacute;rence bay&eacute;sienne bas&eacute;e sur une mol&eacute;cule de ligand unique pour former un ensemble de mol&eacute;cules de ligand. Cet ensemble de mol&eacute;cules de ligand est utilis&eacute; pour former une nouvelle mol&eacute;cule de ligand. Les exp&eacute;riences de criblages virtuels simul&eacute;s avec le MDL Drug Data Report et les ensembles de donn&eacute;es de validation non biais&eacute;e maximale montrent que l&#39;utilisation de l&#39;expansion de ligand fournit un moyen tr&egrave;s simple d&#39;am&eacute;liorer la LBVS, surtout quand les mol&eacute;cules actives recherch&eacute;es ont un haut degr&eacute; d&#39;h&eacute;t&eacute;rog&eacute;n&eacute;it&eacute; structurale. Cependant, l&#39;efficacit&eacute; de l&#39;expansion du ligand est l&eacute;g&egrave;rement moins lorsque des ensembles structurellement homog&egrave;nes d&#39;actifs sont recherch&eacute;s.

Ligand sond&eacute;veloppementen ax&eacute;e sur le ligand virtuel utilisant la r&eacute;troaction de la pertinence de d&eacute;pistage.

Abfrageerweiterung ist der Prozess der Neuformulierung einer originalen-Abfrage zum Abruf-Performance in Information-Retrieval-Systemen zu verbessern. Relevanz-Feedback ist eine der n&uuml;tzlichsten Abfrage &Auml;nderung Techniken in Information-Retrieval-Systemen. In diesem Beitrag stellen wir Abfrageerweiterung in Ligand-basiertes virtuelles Screening (LBVS) mit der Relevanz-Feedback-Technik. Bei diesem Ansatz werden einige hochrangige Molek&uuml;le des unbekannten Aktivit&auml;t aus der Ausg&auml;nge eines Bayesische Folgerung Netzwerks basierend auf ein einzelnes Ligand Molek&uuml;l, eine Reihe von Ligand Molek&uuml;le zu bilden herausgefiltert. Dieser Satz von Ligand Molek&uuml;le wird verwendet, um ein Ligand Molek&uuml;l zu bilden. Simulierte virtuelles Screening Experimente mit den Daten-Drogenbericht MDL und maximale unvoreingenommene Validierung Datens&auml;tze zeigen, dass die Verwendung von Ligand-Erweiterung eine sehr einfache Art der LBVS zu verbessern bietet, vor allem, wenn die aktive Molek&uuml;le Abschlussfrist ein hohes Ma&szlig; der strukturellen Heterogenit&auml;t. Die Wirksamkeit der Ligand-Erweiterung ist jedoch etwas weniger, wenn strukturell homogene Gruppen von Wirkstoffen gesucht.

Ligand Ausbau in Ligand-basiertes virtuelles screening mit Relevanz-Feedback.

Espansione della query &egrave; il processo di riformulare una query originale per migliorare le prestazioni di recupero nei sistemi di information retrieval. Feedback sull&#39;attinenza &egrave; una delle tecniche pi&ugrave; utili per la modifica query nei sistemi di information retrieval. In questo articolo, presentiamo espansione query verso la proiezione virtuale ligand-based (LBVS) utilizzando la tecnica del feedback di pertinenza. In questo approccio, poche molecole d&#39;alto rango dell&#39;attivit&agrave; sconosciuta sono filtrati dalle uscite di una rete di inferenza bayesiana basato su una molecola di ligando singola per formare un insieme di molecole di ligando. Questo insieme di molecole di ligando &egrave; utilizzato per formare una nuova molecola di ligando. Lo screening virtuale simulato gli esperimenti con il MDL Drug Report dati e insiemi di dati di convalida imparziale massimo mostrano che l&#39;uso di espansione ligando fornisce un modo molto semplice di migliorare la LBVS, soprattutto quando le molecole attive ricercate hanno un elevato grado di eterogeneit&agrave; strutturali. Tuttavia, l&#39;efficacia dell&#39;espansione ligando &egrave; leggermente meno quando sono ricercate strutturalmente omogenei insiemi di principi attivi.

Ligando espansione in ligand-based virtual screening utilizzando il feedback di pertinenza.

&#x30AF;&#x30A8;&#x30EA;&#x62E1;&#x5F35;&#x60C5;&#x5831;&#x691C;&#x7D22;&#x30B7;&#x30B9;&#x30C6;&#x30E0;&#x306B;&#x304A;&#x3051;&#x308B;&#x691C;&#x7D22;&#x6027;&#x80FD;&#x3092;&#x5411;&#x4E0A;&#x3055;&#x305B;&#x308B;&#x306B;&#x306F;&#x3001;&#x5143;&#x306E;&#x30AF;&#x30A8;&#x30EA;&#x3092;&#x8003;&#x8AB2;&#x3059;&#x308B;&#x30D7;&#x30ED;&#x30BB;&#x30B9;&#x3067;&#x3059;&#x3002;&#x9069;&#x5408;&#x6027;&#x30D5;&#x30A3;&#x30FC;&#x30C9;&#x30D0;&#x30C3;&#x30AF;&#x306E;&#x6700;&#x3082;&#x6709;&#x7528;&#x306A;&#x30AF;&#x30A8;&#x30EA;&#x4FEE;&#x6B63;&#x6280;&#x8853;&#x306E; 1 &#x3064;&#x3067;&#x306E;&#x60C5;&#x5831;&#x691C;&#x7D22;&#x30B7;&#x30B9;&#x30C6;&#x30E0;&#x3067;&#x3059;&#x3002;&#x30AF;&#x30A8;&#x30EA;&#x306E;&#x62E1;&#x5F35;&#x306B;&#x95A2;&#x9023;&#x6027;&#x30D5;&#x30A3;&#x30FC;&#x30C9;&#x30D0;&#x30C3;&#x30AF;&#x3092;&#x7528;&#x3044;&#x305F;&#x30EA;&#x30AC;&#x30F3;&#x30C9; &#x30D9;&#x30FC;&#x30B9;&#x4EEE;&#x60F3;&#x30B9;&#x30AF;&#x30EA;&#x30FC;&#x30CB;&#x30F3;&#x30B0; (LBVS) &#x3092;&#x63D0;&#x6848;&#x3059;&#x308B;.&#x3053;&#x306E;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x3067;&#x306F;&#x3001;&#x4E0D;&#x660E;&#x306A;&#x6D3B;&#x52D5;&#x306E;&#x3044;&#x304F;&#x3064;&#x304B;&#x306E;&#x9AD8;&#x4F4D;&#x5206;&#x5B50;&#x30EA;&#x30AC;&#x30F3;&#x30C9;&#x5206;&#x5B50;&#x306E;&#x30BB;&#x30C3;&#x30C8;&#x3092;&#x5F62;&#x6210;&#x3059;&#x308B;&#x5358;&#x4E00;&#x306E;&#x30EA;&#x30AC;&#x30F3;&#x30C9;&#x5206;&#x5B50;&#x306B;&#x57FA;&#x3065;&#x304F;&#x30D9;&#x30A4;&#x30BA;&#x63A8;&#x8AD6;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x306E;&#x51FA;&#x529B;&#x304B;&#x3089;&#x9664;&#x5916;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x30EA;&#x30AC;&#x30F3;&#x30C9;&#x5206;&#x5B50;&#x306E;&#x3053;&#x306E;&#x30BB;&#x30C3;&#x30C8;&#x306F;&#x65B0;&#x3057;&#x3044;&#x30EA;&#x30AC;&#x30F3;&#x30C9;&#x5206;&#x5B50;&#x3092;&#x5F62;&#x6210;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x4F7F;&#x7528;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x30B7;&#x30DF;&#x30E5;&#x30EC;&#x30FC;&#x30C8;&#x3055;&#x308C;&#x305F;&#x4EEE;&#x60F3;&#x30B9;&#x30AF;&#x30EA;&#x30FC;&#x30CB;&#x30F3;&#x30B0;&#x5B9F;&#x9A13; MDL &#x85AC;&#x7269;&#x30C7;&#x30FC;&#x30BF; &#x30EC;&#x30DD;&#x30FC;&#x30C8;&#x3068;&#x6700;&#x5927;&#x306E;&#x516C;&#x5E73;&#x306A;&#x691C;&#x8A3C;&#x30C7;&#x30FC;&#x30BF; &#x30BB;&#x30C3;&#x30C8;&#x3068;&#x30EA;&#x30AC;&#x30F3;&#x30C9;&#x306E;&#x62E1;&#x5F35;&#x306E;&#x4F7F;&#x7528;&#x304C;&#x7279;&#x306B;&#x6C42;&#x3081;&#x3089;&#x308C;&#x3066;&#x3044;&#x308B;&#x30A2;&#x30AF;&#x30C6;&#x30A3;&#x30D6;&#x306A;&#x5206;&#x5B50;&#x69CB;&#x9020;&#x306E;&#x4E0D;&#x5747;&#x8CEA;&#x6027;&#x306E;&#x9AD8;&#x5EA6;&#x3092;&#x6301;&#x3063;&#x3066;&#x3044;&#x308B;&#x3068;&#x304D;&#x3001;LBVS &#x306E;&#x6539;&#x5584;&#x306F;&#x975E;&#x5E38;&#x306B;&#x7C21;&#x5358;&#x306A;&#x65B9;&#x6CD5;&#x3092;&#x63D0;&#x4F9B;&#x3059;&#x308B;. &#x3057;&#x307E;&#x3059;&#x3002;&#x3057;&#x304B;&#x3057;&#x3001;&#x30EA;&#x30AC;&#x30F3;&#x30C9;&#x62E1;&#x5927;&#x306E;&#x6709;&#x52B9;&#x6027;&#x3084;&#x3084;&#x5C11;&#x306A;&#x3044;&#x3068;&#x304D;&#x306F;&#x69CB;&#x9020;&#x7684;&#x306B;&#x540C;&#x8CEA;&#x306A;&#x30BB;&#x30C3;&#x30C8;&#x306E;&#x51FA;&#x6765;&#x9AD8;&#x304C;&#x6C42;&#x3081;&#x3089;&#x308C;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;

&#x30EA;&#x30AC;&#x30F3;&#x30C9; &#x30EA;&#x30AC;&#x30F3;&#x30C9; &#x30D9;&#x30FC;&#x30B9;&#x306E;&#x62E1;&#x5927;&#x95A2;&#x9023;&#x6027;&#x30D5;&#x30A3;&#x30FC;&#x30C9;&#x30D0;&#x30C3;&#x30AF;&#x3092;&#x7528;&#x3044;&#x305F;&#x30B9;&#x30AF;&#x30EA;&#x30FC;&#x30CB;&#x30F3;&#x30B0;&#x4EEE;&#x60F3;&#x3002;

&#xCFFC;&#xB9AC; &#xD655;&#xC7A5; &#xC815;&#xBCF4; &#xAC80;&#xC0C9; &#xC2DC;&#xC2A4;&#xD15C;&#xC758; &#xAC80;&#xC0C9; &#xC131;&#xB2A5; &#xD5A5;&#xC0C1;&#xC744; &#xC704;&#xD574; &#xC6D0;&#xB798; &#xCFFC;&#xB9AC;&#xB97C; reformulating &#xD558;&#xB294; &#xACFC;&#xC815;&#xC785;&#xB2C8;&#xB2E4;. &#xAD00;&#xB828;&#xC131; &#xD53C;&#xB4DC;&#xBC31; &#xC815;&#xBCF4; &#xAC80;&#xC0C9; &#xC2DC;&#xC2A4;&#xD15C;&#xC5D0;&#xC11C; &#xAC00;&#xC7A5; &#xC720;&#xC6A9;&#xD55C; &#xCFFC;&#xB9AC; &#xC218;&#xC815; &#xAE30;&#xBC95; &#xC911; &#xD558;&#xB098; &#xC774;&#xB2E4;. &#xC774; &#xB17C;&#xBB38;&#xC5D0;&#xC11C; &#xC6B0;&#xB9AC;&#xB294; &#xB9AC;&#xAC04;&#xB4DC; &#xAE30;&#xBC18; &#xAC00;&#xC0C1; &#xC2EC;&#xC0AC; (LBVS) &#xAD00;&#xB828;&#xC131; &#xD53C;&#xB4DC;&#xBC31; &#xAE30;&#xC220;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xCFFC;&#xB9AC; &#xD655;&#xC7A5; &#xC18C;&#xAC1C;. &#xC774; &#xBC29;&#xC2DD;&#xC5D0;&#xC11C;&#xB294; &#xC54C; &#xC218; &#xC5C6;&#xB294; &#xC791;&#xC5C5;&#xC758; &#xBA87; &#xAC00;&#xC9C0; &#xACE0;&#xAE09; &#xBD84;&#xC790; &#xB9AC;&#xAC04;&#xB4DC; &#xBD84;&#xC790;&#xC758; &#xC9D1;&#xD569;&#xC744; &#xC774;&#xB8E8;&#xB294; &#xD558;&#xB098;&#xC758; &#xB9AC;&#xAC04;&#xB4DC; &#xBD84;&#xC790; &#xAE30;&#xBC18; &#xBCA0;&#xC774;&#xC9C0;&#xC548; &#xCD94;&#xB860; &#xB124;&#xD2B8;&#xC6CC;&#xD06C; &#xCD9C;&#xB825;&#xC5D0;&#xC11C; &#xD544;&#xD130;&#xB9C1; &#xB429;&#xB2C8;&#xB2E4;. &#xB9AC;&#xAC04;&#xB4DC; &#xBD84;&#xC790;&#xC758;&#xC774; &#xC138;&#xD2B8;&#xB294; &#xC0C8;&#xB85C;&#xC6B4; &#xB9AC;&#xAC04;&#xB4DC; &#xBD84;&#xC790;&#xB97C; &#xD615;&#xC131; &#xD558;&#xAE30; &#xC704;&#xD574; &#xC0AC;&#xC6A9; &#xB429;&#xB2C8;&#xB2E4;. MDL &#xB9C8;&#xC57D; &#xB370;&#xC774;&#xD130; &#xBCF4;&#xACE0;&#xC11C; &#xBC0F; &#xCD5C;&#xB300; &#xD3B8;&#xACAC;&#xB41C; &#xC720;&#xD6A8;&#xC131; &#xAC80;&#xC0AC; &#xB370;&#xC774;&#xD130; &#xC9D1;&#xD569; &#xC2DC;&#xBBAC;&#xB808;&#xC774;&#xC158;&#xB41C; &#xAC00;&#xC0C1; &#xC2A4;&#xD06C;&#xB9AC;&#xB2DD; &#xC2E4;&#xD5D8; &#xC1FC; &#xB9AC;&#xAC04;&#xB4DC; &#xD655;&#xB300; &#xBAA8;&#xC0C9; &#xB418; &#xACE0; &#xD65C;&#xC131; &#xBD84;&#xC790; &#xAD6C;&#xC870; &#xC774;&#xC885;&#xC758; &#xB192;&#xC740; &#xD559;&#xC704;&#xB97C;&#xAC00;&#xC9C0;&#xACE0; &#xD558;&#xB294; &#xACBD;&#xC6B0;&#xC5D0; &#xD2B9;&#xD788; LBVS, &#xAC1C;&#xC120; &#xD558;&#xB294; &#xB9E4;&#xC6B0; &#xAC04;&#xB2E8;&#xD55C; &#xBC29;&#xBC95;&#xC744; &#xC81C;&#xACF5; &#xD569;&#xB2C8;&#xB2E4;. &#xADF8;&#xB7EC;&#xB098;, &#xB9AC;&#xAC04;&#xB4DC; &#xD655;&#xC7A5;&#xC758; &#xD6A8;&#xACFC; &#xC57D;&#xAC04;&#xC740; &#xB35C; &#xB54C; &#xAD6C;&#xC870;&#xC801;&#xC73C;&#xB85C; &#xADE0;&#xC9C8; &#xC138;&#xD2B8; actives&#xC758; &#xCD94;&#xC801;&#xC744; &#xBC1B;&#xACE0; &#xC788;&#xB2E4;.

&#xB9AC;&#xAC04;&#xB4DC; &#xD655;&#xC7A5; &#xB9AC;&#xAC04;&#xB4DC; &#xAE30;&#xBC18;&#xC5D0; &#xAC00;&#xC0C1; &#xAD00;&#xB828;&#xC131; &#xD53C;&#xB4DC;&#xBC31;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xCC28;&#xB2E8; &#xD569;&#xB2C8;&#xB2E4;.

Expansi&oacute;n de consulta es el proceso de reformulaci&oacute;n de una consulta original para mejorar el rendimiento de recuperaci&oacute;n en sistemas de recuperaci&oacute;n de informaci&oacute;n. Retroalimentaci&oacute;n de relevancia es una de las t&eacute;cnicas de modificaci&oacute;n de consulta m&aacute;s &uacute;tiles en sistemas de recuperaci&oacute;n de informaci&oacute;n. En este trabajo, presentamos la expansi&oacute;n de consultas en proyecci&oacute;n virtual basadas en ligando (LBVS) mediante la t&eacute;cnica de retroalimentaci&oacute;n de relevancia. En este enfoque, se filtran unas mol&eacute;culas de alto rango de actividad desconocido desde las salidas de una red de inferencia bayesiana basado en una mol&eacute;cula de ligando solo para formar un conjunto de mol&eacute;culas ligando. Este conjunto de mol&eacute;culas ligando se utiliza para formar una nueva mol&eacute;cula de ligando. Experimentos de proyecci&oacute;n virtual simulada con el MDL drogas Informe de datos y conjuntos de datos de validaci&oacute;n imparcial m&aacute;xima demuestran que el uso de expansi&oacute;n ligando proporciona una forma muy sencilla de mejorar la LBVS, especialmente cuando las mol&eacute;culas activas se busca tienen un alto grado de heterogeneidad estructural. Sin embargo, la efectividad de la expansi&oacute;n del ligando es ligeramente menor cuando se buscan sistemas estructuralmente homog&eacute;neas de activos.

Faisal Saeed

Biography

JoVE Journal Publications

Other Publications