新闻详情

新闻详情

首页 / 资讯中心 / 详情

(Morphine Modulating Peptide C-Terminal Fragment)

发布时间:2026/11/5 2:16:44来源:尧图网络
(Morphine Modulating Peptide C-Terminal Fragment)
基本信息中文名称吗啡调节肽 C 端片段Pro-Gln-Arg-Phe 酰胺三字母序列Pro-Gln-Arg-Phe-NH₂单字母序列PQRF-NH₂分子式C25H39N9O5分子量545.65结构特征四肽C 端酰胺化修饰。酰胺化是该片段保持生物活性的关键修饰游离羧基形式活性会显著下降无 D 型氨基酸、无环化、无碘代 / 乙酰化等侧链修饰氨基酸依次为脯氨酸、谷氨酰胺、精氨酸、苯丙氨酸。结构式基本性质该肽是内源性吗啡调节肽Morphine Modulating PeptideMMP的 C 端活性核心片段。天然 MMP 是从哺乳动物中枢神经组织中分离得到的内源性神经肽PQRF 是截短后的最小活性结构域。分子量较小属于短链线性多肽极性较强精氨酸侧链带有正电荷水溶性良好可溶于水、稀醋酸溶液在纯有机溶剂中溶解度差。理论等电点偏碱性分子内无半胱氨酸不存在巯基与二硫键所以不容易发生氧化二聚稳定性相比含 Cys 多肽更高。固态粉末形态下吸湿程度中等水溶液稳定性有限反复冻融容易发生肽键水解尤其在 pH 偏高的溶液中降解速率加快。作用机理MMP 本身可以双向调控阿片系统不是单纯阿片受体激动剂或拮抗剂。其 C 端片段 PQRF 保留了对阿片信号通路的调节能力。该肽不直接强力结合 μ 阿片受体但可以调制吗啡诱导的镇痛效应能够调节内源性阿片肽释放影响吗啡镇痛作用强度同时参与吗啡耐受、吗啡依赖相关信号调控。 机理层面PQRF 可作用于中枢神经系统的相关受体调控钙、钾离子通道调节神经递质释放。它和经典阿片肽脑啡肽、强啡肽作用模式不同它不直接模拟内啡肽的激动效应更多是阿片系统的调制因子可增强或减弱吗啡的作用取决于给药部位、剂量和动物模型。研究认为该肽可拮抗吗啡产生的部分耐受现象不产生典型阿片样成瘾奖赏效应这点是它和吗啡、内啡肽最核心的区别。应用领域主要用于神经药理学基础科研是研究阿片系统调控、吗啡耐受与成瘾机制的工具肽。阿片镇痛研究离体脑片、细胞模型、动物鞘内 / 脑室给药用来观察吗啡镇痛效应的变化解析阿片系统的调控网络。吗啡耐受与药物成瘾机理探索用来筛选可以缓解阿片耐受的靶点研究阿片长期给药后神经可塑性变化。受体结合实验放射配体竞争结合实验用来评估多肽和阿片受体之间的相互作用区分直接激动和间接调制作用。神经递质释放检测用于离体神经组织考察多肽对谷氨酸、GABA 等递质释放的调控。药物研发该肽属于先导活性片段但是本身成药短板较多多肽口服极易被胃肠道肽酶快速降解血脑屏障穿透能力弱静脉给药也很难有效进入中枢体内半衰期很短快速被氨基肽酶、羧肽酶水解。 药物研发方向主要是以此四肽骨架作为起点进行结构改造比如氨基酸替换、引入 D 型残基、N 端修饰、环化等目的是提高酶解抗性、提升血脑屏障穿透性寻找可以调控阿片耐受的候选分子。目前还停留在基础研究阶段没有进入临床试验的候选药物。研究进展最早发现完整吗啡调节肽 MMP 之后研究者通过序列截短实验发现 C 端 PQRF 是维持调制活性的最小片段去除任意一个氨基酸生物活性就大幅降低。大量动物实验证实脑室注射 PQRF可逆转动物长期吗啡处理后形成的镇痛耐受不会单独产生明显镇痛作用。近年的研究更多聚焦于它和阿片受体之外的 GPCR 之间的交叉对话探究阿片耐受中非受体直接结合的调控通路。储存规范粉末状态-20℃密封避光保存推荐除氧干燥环境可长期存放避免反复开盖吸潮。工作液现配现用配好的水溶液分装-20℃冻存避免多次冻融循环。 建议分装成小体积单次使用规格避免常温长时间放置避免碱性条件。
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 2026/11/4 15:56:54

【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 2026/11/4 22:55:41

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 2026/11/4 17:01:23

【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 ... 2026/11/4 12:33:12

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 2026/11/4 1:25:31

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 2026/11/4 3:51:11

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
📞 ✉