AF64394 是一种 GPR3 反向激动剂 |MedChemExpress (MCE)

CAS:1637300-25-4

品牌:MedChemExpress (MCE)

存储条件:Powder: -20°C, 3 years; 4°C, 2 years.In solvent: -80°C, 6 months; -20°C, 1 month.

生物活性:AF64394 是一种 GPR3 反向激动剂,pIC50 为 7.3。 IC50 和目标:pIC50:7.3 (GPR3)[1]。 

体外:AF64394 是一种 GPR3 反向激动剂,pIC50 为 7.3。 AF34394 和相关化合物仅具有适度的效力并且相对亲脂(例如,AF34394 clogP=5.2、LLE=2.1 和 14b clog P=3.1 和 LLE=3.2)该系列显示出有前途的 SAR 并代表了进一步优化的良好起点[1]。

 参考详情:https://www.medchemexpress.com/AF64394.html

参考文献:

[1]. Jensen T, et al. The identification of GPR3 inverse agonist AF64394; the first small molecule inhibitor of GPR3 receptor function. Bioorg Med Chem Lett. 2014 Nov 15;24(22):5195-8.

类药多样性化合物库

顾客使用MCE产品发表的科研文献

一站式药筛新体验

MCE 您身边的生物活性分子大师 | 抑制剂、激动剂、化合物库

重组蛋白 | 高纯度、高稳定性

磁珠

  • 12
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
是的,您说得没错。高斯过程回归(Gaussian Process Regression,GPR)是一种非参数模型,它使用高斯过程(Gaussian Process,GP)作为先验对数据进行回归分析。GPR模型不需要假设数据的分布形式,而是通过对数据进行高斯过程拟合来进行回归预测。具体来说,GPR模型将数据看作是从一个高斯分布中随机采样得到的无限维向量,可以通过对这个向量的均值函数和协方差函数进行建模来对数据进行预测。 GPR模型具有以下特点: 1. 非参数模型:不需要假设数据的分布形式,可以适应各种数据类型和分布形式。 2. 预测精度高:GPR模型可以对数据进行精确的预测,同时可以对预测结果提供可信度估计。 3. 易于解释:GPR模型可以输出均值函数和协方差函数,可以用于解释预测结果和分析数据特征。 在Python中,可以使用Scikit-learn等机器学习库中的GPR模型进行建模,例如: ```python from sklearn.gaussian_process import GaussianProcessRegressor from sklearn.gaussian_process.kernels import RBF # 定义高斯过程内核函数 kernel = RBF(length_scale=1.0) # 定义高斯过程回归模型 model = GaussianProcessRegressor(kernel=kernel, alpha=0.1) # 模型训练和预测 model.fit(X_train, y_train) y_pred, y_std = model.predict(X_test, return_std=True) ``` 需要注意的是,在使用GPR模型进行建模时,需要选择合适的高斯过程内核函数和正则化参数,以获得更好的预测效果。同时,GPR模型也需要进行交叉验证等模型选择和优化操作。
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