新闻详情

新闻详情

首页 / 资讯中心 / 详情

PSAR-Folate,叶酸-聚肌氨酸靶向偶联物,Folate-PSAR

发布时间:2026/10/26 19:37:19来源:尧图网络
PSAR-Folate,叶酸-聚肌氨酸靶向偶联物,Folate-PSAR
PSAR-Folate兼具亲水修饰与叶酸靶向功能的聚肌氨酸偶联物PSAR-Folate也可写作Folate-PSAR是由聚肌氨酸PolysarcosinePSAR与叶酸Folate偶联形成的一类功能材料。它把PSAR的亲水特性与叶酸的受体识别能力结合起来主要用于纳米递送、靶向材料以及表面功能化等科研方向。PSAR是一种由肌氨酸重复单元构成的亲水性聚类肽。近年来它在生物材料领域受到关注其中一个重要方向就是作为PEG之外的亲水修饰材料进行研究。PSAR链具有较好的水溶性可以作为亲水间隔臂将功能分子与纳米载体表面隔开减少配体过于靠近颗粒表面而影响识别的问题。PSAR-Folate中的另一部分是叶酸。叶酸分子体积较小并能够与叶酸受体发生特异性结合。由于部分肿瘤细胞表面的叶酸受体表达水平较高因此叶酸经常被作为靶向配体用于研究纳米颗粒的细胞识别和摄取过程。需要注意的是叶酸受体并非只存在于肿瘤细胞中其表达情况也会因细胞类型和组织环境不同而变化因此具体靶向效果需要通过实验验证。在材料设计中PSAR相当于一段亲水“连接链”。通过调节PSAR的聚合度或分子量可以改变叶酸与载体表面之间的空间距离。PSAR另一端还可以进一步连接磷脂、聚合物或纳米颗粒例如构建Folate-PSAR-DSPE等结构使其插入脂质体或脂质纳米颗粒表面从而形成带有叶酸配体的PSAR化纳米体系。这类材料常用于叶酸受体靶向研究、非PEG化纳米递送、脂质体/LNP表面修饰、细胞摄取以及荧光示踪等方向。实验中还可以设置未修饰PSAR材料、无叶酸载体以及游离叶酸竞争阻断组用来分析叶酸受体介导的细胞摄取差异。总体来说PSAR-Folate并不是单纯把叶酸和聚合物连接起来而是利用PSAR提供亲水间隔与表面修饰同时利用叶酸提供受体识别功能为新型靶向纳米材料的构建提供一种较灵活的功能模块。PSAR-Folate叶酸-聚肌氨酸靶向偶联物PSAR-cRGD环肽精氨酸-甘氨酸-天冬氨酸-聚肌氨酸PSAR-RVG29狂犬病毒糖蛋白衍生肽-聚肌氨酸PSAR-GE11表皮生长因子受体靶向多肽-聚肌氨酸PSAR-Mannose甘露糖-聚肌氨酸PSAR-Galactose半乳糖-聚肌氨酸DSPE-PSAR-cRGD二硬脂酰磷脂酰乙醇胺-聚肌氨酸-环肽精氨酸-甘氨酸-天冬氨酸DSPE-PSAR-FA二硬脂酰磷脂酰乙醇胺-聚肌氨酸-叶酸PSAR-TAT细胞穿透肽 TAT-聚肌氨酸PSAR-Octreotide奥曲肽-聚肌氨酸
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/10/25 3:20:41

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/10/25 3:43:49

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/10/26 12:48:02

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/10/26 10:03:11

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/10/25 3:54:32

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/10/25 5:32:24

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉