cholesterol-PEG-acetic acid是一种基于聚乙二醇(PEG)的生物共轭体

【试剂详情】

英文名称

CLS-PEG-AA,cholesterol-PEG-acetic acid

中文名称

胆固醇聚乙二醇乙酸,胆固醇PEG乙酸

外观性状

由分子量决定,固体或者液体。

分子量

0.4k,0.6k,1k,2k,3.4k,5k,10k(可定制)

溶解性

溶于水,

溶于DMF、DMSO等部分有机溶液

规格

可按需包装定制

纯度

95%+

储存条件

干燥、避光,温度不超-20℃

注意事项

现配现用,不可频繁解冻

【结构式】西安凯新生物科技CLS-PEG-AA结构式

【试剂介绍】

CLS-PEG-AA是一种基于聚乙二醇(PEG)的生物共轭体,它通过胆固醇(CLS)与PEG和氨基酸(AA)相连,用于改善生物分子的水溶性和稳定性,同时降低免疫原性。这种材料常用于修饰蛋白质、多肽和其他生物分子,以优化其在生物医学研究和应用中的性能。

【相关试剂】

英文名称: ACETIC ACID
CAS No.:1173022-32-6
分子式:C2H4O2
分子量:60.052
英文名称: cholesterol
CAS No.:22243-67-0
分子式:C27H46O
分子量:386.65
Cholesterol-PEG-Folate
Cholesterol-PEG
CLS-PEG-SC
CLS-PEG-N3
CLS-PEG-SH
CLS-PEG-SG
CLS-PEG-SS
CLS-PEG-SA
CLS-PEG-OH
CLS-PEG-CHO
CLS-PEG-NH2
CLS-PEG-Mal

注:该试剂仅用于的科学研究,不能用于人体实验或其他治疗型用途。

本文试剂资料由西安凯新生物科技小华编辑整理。

Stkcd [股票代码] ShortName [股票简称] Accper [统计截止日期] Typrep [报表类型编码] Indcd [行业代码] Indnme [行业名称] Source [公告来源] F060101B [净利润现金净含量] F060101C [净利润现金净含量TTM] F060201B [营业收入现金含量] F060201C [营业收入现金含量TTM] F060301B [营业收入现金净含量] F060301C [营业收入现金净含量TTM] F060401B [营业利润现金净含量] F060401C [营业利润现金净含量TTM] F060901B [筹资活动债权人现金净流量] F060901C [筹资活动债权人现金净流量TTM] F061001B [筹资活动股东现金净流量] F061001C [筹资活动股东现金净流量TTM] F061201B [折旧摊销] F061201C [折旧摊销TTM] F061301B [公司现金流1] F061302B [公司现金流2] F061301C [公司现金流TTM1] F061302C [公司现金流TTM2] F061401B [股权现金流1] F061402B [股权现金流2] F061401C [股权现金流TTM1] F061402C [股权现金流TTM2] F061501B [公司自由现金流(原有)] F061601B [股权自由现金流(原有)] F061701B [全部现金回收率] F061801B [营运指数] F061901B [资本支出与折旧摊销比] F062001B [现金适合比率] F062101B [现金再投资比率] F062201B [现金满足投资比率] F062301B [股权自由现金流] F062401B [企业自由现金流] Indcd1 [行业代码1] Indnme1 [行业名称1] 季度数据,所有沪深北上市公司的 分别包含excel、dta数据文件格式及其说明,便于不同软件工具对数据的分析应用 数据来源:基于上市公司年报及公告数据整理,或相关证券交易所、各部委、省、市数据 数据范围:基于沪深北证上市公司 A股(主板、中小企业板、创业板、科创板等)数据整理计算
首先,我们需要导入必要的库和数据集。在本例中,我们将使用pandas库来读取数据集并进行预处理,使用sklearn库中的train_test_split函数来切分数据集,使用决策树算法来构建模型并进行预测,使用accuracy_score函数来评估模型的准确率。 ```python import pandas as pd from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import accuracy_score # 读取数据集 data = pd.read_csv('drug.csv') # 数据预处理 X = data[['Age', 'Sex', 'BP', 'Cholesterol', 'Na_to_K']] y = data['Drug'] X['Sex'] = X['Sex'].apply(lambda x: 1 if x == 'M' else 0) # 将性别转化为数字 X = pd.get_dummies(X, columns=['BP', 'Cholesterol']) # 将血压水平和胆固醇水平进行独热编码 # 切分数据集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) ``` 接下来,我们可以使用决策树算法来构建模型,并在测试集上进行预测和评估。 ```python # 构建模型 clf = DecisionTreeClassifier() clf.fit(X_train, y_train) # 预测 y_pred = clf.predict(X_test) # 评估 accuracy = accuracy_score(y_test, y_pred) print('Accuracy:', accuracy) ``` 最后,我们可以得到模型在测试集上的准确率。由于本例中药物种类较少,且每种药物对应的病人数目不太均衡,因此使用准确率作为评估指标是合理的。如果药物种类较多,或者每种药物对应的病人数目比较均衡,可以考虑其他评估指标,如F1分数等。
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