DSPE-PEG1-Azide分子式:C46H89N4O10P,DSPE-PEG是一种兼具亲水性和疏水性的磷脂-PEG共轭物

英文名称:DSPE-PEG1-Azide

分子式:C46H89N4O10P

分子量:889.21

储存条件:-20°C

纯度:95%

结构式:

产品简介:DSPE-PEG是一种兼具亲水性和疏水性的磷脂-PEG共轭物。聚乙二醇化磷脂是一种优良的脂质体形成材料,可用于递送、基因转染和疫苗递送。Ponsure DSPE-PEG-N3产品可用于使用点击化学制备聚乙二醇化脂质体。叠氮化物在含或不含铜催化剂的水溶液中很容易与炔烃或环氰发生反应。磷脂的聚乙二醇化提高了胶囊的血液循环时间和稳定性。

其他产品列表:

Pomalidomide-PEG1-azide

CAS号:2133360-04-8

分子式:C17H16N6O6

Lenalidomide-PEG1-azide

CAS号:2185795-67-7

分子式:C17H18N6O5

Biotin-PEG1-azide

CAS号:1204085-48-2

分子式:C14H24N6O3S

Aminooxy-PEG1-azide

CAS号:2100306-70-3

分子式:C4H10N4O2

Azido-PEG1-azide

CAS号:24345-74-2

分子式:C4H8N6O

Boc-NHCH2CH2-PEG1-azide

CAS号:176220-30-7

分子式:C9H18N4O3

NH-bis(C2-PEG1-azide)

NH-bis(PEG1-azide)

CAS号:2100306-81-6

分子式:C8H17N7O2

Boc-Aminooxy-PEG1-azide

t-Boc-Aminooxy-PEG1-azide

CAS号:2100306-67-8

分子式:C9H18N4O4

N-Boc-N-bis(C2-PEG1-azide)

N-Boc-N-bis(PEG1-azide)

CAS号:2100306-79-2

分子式:C13H25N7O4

DSPE-PEG5-azide

CAS号:2112737-73-0

分子式:C54H105N4O14P

DSPE-PEG8-Mal

CAS号:2112737-94-5

分子式:C64H119N2O19P

DSPE-Maleimide

CAS号:1235864-97-7

分子式:

DSPE-PEG-Mal

CAS号:474922-22-0

分子式:

DSPE-PEG(2000)-Amine

CAS号:474922-26-4

分子式:(C2H4O)nC44H87N2O10P.NH3

DSPE-PEG-NHS

CAS号:1445723-73-8

分子式:C49H89N2O15P

DSPE-PEG2-mal

CAS号:1915739-87-5

分子式:C55H100N3O14P

DSPE-PEG4-acid

CAS号:2112738-58-4

分子式:C52H100NO15P

DSPE-PEG4-DBCO

CAS号:2112738-14-2

分子式:C71H116N3O15P

DSPE-PEG5-propargyl

CAS号:2112737-93-4

分子式:C55H104NO14P

Bromo-PEG1-C2-azide

CAS号:1144106-65-9

分子式:C4H8BrN3O

Azide-PEG1-Val-Cit-PABC-OH

CAS号:2055041-40-0

分子式:C23H36N8O6

以上信息均由陕西新研博美生物科技有限公司提供技术支持

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
评论
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