下载文档原格式
药物化学研究中的新手段与新方法药物化学在近年来得到了广泛的关注和研究，药物的研制和应用已经成为人类健康事业的重要组成部分。
在药物化学研究中，新的手段和新的方法不断涌现，为药物的研制和应用提供了更高效、更准确的技术支持。
1. 合成化学合成化学是药物化学研究中的一项重要内容。
合成新药需要合适的反应条件和合成方法，这一过程需要设计、改进和优化。
新的合成方法不断涌现，有助于提高新药合成的效率和准确性。
目前，有很多具有创新意义的合成方法被应用于药物化学研究中。
例如，多段合成方法、串联回收法、分子筛分离法等。
这些新的合成方法可以大幅提高新药合成的速度、效率和准确性，有效地推动了药物化学研究的发展。
2. 接近场光解离质谱接近场光解离质谱（NIR-MALDI）是一种新兴的分析方法，它结合了接近场显微镜和基质辅助激光解析离子化质谱技术的优点，可用于分析各种小分子化合物。
通常，药物化合物的结构确定需要多种分析技术的配合，但是使用NIR-MALDI技术可以直接探测化合物的质谱信息，并且最小限度地损失样品，从而缩短化合物结构确定的时间，提高分析效率。
3. 蛋白质药物相互作用研究蛋白质药物相互作用是药物化学的重要研究内容之一。
目前，有很多新技术被应用于该领域的研究中。
例如，生物传感技术、Microscale Thermophoresis技术等。
这些新技术可以便捷高效地分析药物和其靶点之间的相互作用，从而优化药物设计和研发过程，推动药物的研制和应用。
4. 微流控技术微流控技术是药物化学领域中另一项新兴的技术。
该技术可以实现各种微小体系的定量研究，例如，生物反应器、分子传输、细胞分离等。
该技术有助于药物化学研究中更精细的研究。
例如，利用微流控技术，可以更加准确地测量化合物的药代动力学，以及药物的代谢途径等。
5. 人工智能技术人工智能技术在药物化学研究中的应用越来越广泛。
其中，最为广泛应用的莫过于“机器学习”（Machine Learning）。
药物化学药品的合成药物化学是研究药物的合成和结构与活性之间的关系的学科。
在药物研发过程中，药物化学家通过合成药物来获取新的候选化合物，并优化合成路线以提高产率和纯度。
本文将介绍药物化学药品的合成过程及其重要性。
1. 药物化学药品的合成的意义药物化学药品合成是药物研发过程中非常重要的一步。
通过自主设计和合成新的化合物，可以获取更具活性和选择性的候选药物，并为新药开发提供更多可选择的路径。
药物合成也能解决大规模生产的问题，确保制造出足够纯净且高效的药物。
2. 药物合成路线设计药物合成路线设计是实现目标分子制备的关键步骤。
在设计过程中，需要考虑反应条件、产率和选择性等因素。
通常，设计一条高效稳定、底价可行且易于扩展的路线是最理想的目标。
首先，确定目标分子的结构和活性需求，通过药物数据库、文献研究等方式来了解相关信息。
然后，根据已有方法和技术选用适当的反应路径，并考虑反应条件如温度、pH值、催化剂等。
同时，还需要在反应路径中考虑可行性和避免潜在问题。
例如，选择适当的合适官能团进行官能团转换，避免低效或产生副反应。
3. 药物化学合成技术药物化学合成技术是指利用各种有机反应技术，在各个步骤中有选择地控制分子结构和形成所需骨架的方法。
以下是几种常见的药物化学合成技术：（1）缩合反应缩合反应是指将两个或多个分子基团连接在一起形成新分子的反应。
常见的缩合反应包括加成缩合反应、酰基缩合反应和羧酸缩合反应等。
（2）取代反应取代反应是指将一个官能团替换为另一个官能团或原子的反应。
取代反应种类繁多，包括亲核取代、电子取代、自由基取代等。
（3）氧化还原反应氧化还原反应指将某个分子氧化或还原为另一个分子的反应。
这些反应对于形成各种不同价态和氧含量的分子尤为重要。
4. 药物领域中常见的示例下面是一些常见的在药物领域中广泛使用的示例：（1）山奈钠片（Aspirin）山奈钠片是一种非处方非那西丁类非甾体消炎镇痛剂。
其主要通过水解乙酰水杨酸形成。
药物化学药品的合成药物化学药品的合成是药物研发过程中的重要环节，它涉及到药物的结构设计、合成路线的确定以及合成方法的优化等方面。
本文将介绍药物化学药品合成的基本原理和方法，并以某一具体药物为例进行详细阐述。
一、药物化学药品合成的基本原理药物化学药品合成的基本原理是根据药物的目标结构，通过有机合成化学的方法，将原料化合物经过一系列反应转化为目标药物。
合成药物的过程中，需要考虑以下几个方面的因素：1. 结构活性关系：药物的结构与其生物活性之间存在着密切的关系。
合成药物时，需要根据药物的目标结构，合理设计合成路线，确保合成的化合物具有期望的生物活性。
2. 反应选择性：在药物合成过程中，需要选择适当的反应条件和反应试剂，以实现所需的化学转化。
反应的选择性对于合成药物的纯度和产率有着重要影响。
3. 反应条件的优化：药物合成过程中，需要对反应条件进行优化，以提高反应的效率和产率。
反应条件的优化包括温度、溶剂、催化剂等方面的选择。
二、药物化学药品合成的方法药物化学药品合成的方法主要包括有机合成化学的基本反应和合成策略的设计。
常用的有机合成反应包括酯化反应、醚化反应、氨基化反应、烷基化反应等。
合成策略的设计包括直接合成、中间体合成、合成路线的优化等。
以某一具体药物为例，介绍其合成过程：某药物的目标结构为A，合成路线如下：1. 合成中间体B：通过酯化反应将化合物C与化合物D反应得到中间体B。
2. 合成中间体E：通过醚化反应将中间体B与化合物F反应得到中间体E。
3. 合成目标药物A：通过氨基化反应将中间体E与化合物G反应得到目标药物A。
在合成过程中，需要对反应条件进行优化，以提高反应的效率和产率。
例如，可以选择适当的温度、溶剂和催化剂，以促进反应的进行。
三、总结药物化学药品的合成是药物研发过程中的重要环节。
合成药物的过程中，需要考虑结构活性关系、反应选择性和反应条件的优化等因素。
常用的合成方法包括有机合成化学的基本反应和合成策略的设计。
药物化学中的合成策略与合成方法探索药物化学作为一门重要的学科，致力于研究药物的合成和设计。
在制药工业中，合成药物是一项关键的任务，它直接影响着药物的疗效和安全性。
因此，药物化学家不断探索和改进合成策略与方法，以提高合成效率和药物品质。
一、经典合成策略1. 序贯合成法序贯合成法是药物化学中最常用的合成策略之一。
它通过一系列的反应步骤，逐步构建目标分子的骨架，最终完成合成过程。
这种方法具有较高的灵活性，适用于复杂分子的合成。
2. 串联反应法串联反应法是将多个反应步骤通过合适的条件和催化剂连接在一起，形成一个连续的反应序列。
这种策略能够减少反应步骤和中间产物的分离纯化，提高合成效率。
3. 多组分反应法多组分反应法是指在一个反应体系中，将多个不同的起始物同时参与反应，生成目标产物。
这种策略可以有效地节省反应步骤和时间，并降低废料的产生。
二、现代合成策略1. 绿色合成绿色合成是指在反应过程中尽可能减少对环境和健康的危害。
它强调使用环境友好的溶剂、催化剂和反应条件，以及最大程度地回收利用废物和减少废弃物的产生。
2. 催化剂的应用催化剂在药物化学中扮演着至关重要的角色。
它们能够加速反应速率、降低反应温度和改善产物选择性。
许多有机合成反应已经成功地引入了催化剂，提高了合成效率和可持续性。
3. 基于计算的合成设计随着计算化学的发展，基于计算的合成设计逐渐成为探索新药物合成策略的重要手段。
通过分子模拟和计算机辅助合成，研究人员能够在实验之前预测和优化反应条件，提高合成成功率。
三、合成方法的创新1. 反应新颖性合成方法的创新从根本上改变了药物合成的思路和路径。
研究人员通过发展新的反应机制和发现新的反应底物，开辟了许多新的合成途径。
2. 多步反应的简化与流程化在多步合成中，简化和流程化的思想可以大大提高合成效率。
通过使用无需分离纯化的连续流反应方法，可以减少反应步骤和废弃物的生成，从而提高产物纯度和药物产量。
3. 生物仿生合成生物仿生合成是利用生物体内的合成途径和酶催化来合成药物。
药物的合成方法及反应机理研究随着科技的不断进步，药物合成方法及其反应机理的研究日益深入。
药物的研发和生产离不开有效的合成方法，而理解药物的反应机理对于优化合成流程以及提高药物的疗效至关重要。
本文将对药物的合成方法及其反应机理进行探讨和研究。
一、药物合成方法的研究1. 传统合成方法传统合成方法指的是基于有机化学原理的合成方法。
通过有机合成化学反应，合成药物的关键原料或中间体。
例如，常见的传统合成方法包括氧化、还原、酯化、烷基化等。
这些方法通过有机化合物之间的化学反应生成目标药物，具有广泛的适用性和反应条件的可控性。
2. 新兴的合成技术随着化学和技术的发展，新兴的合成技术为药物合成带来了许多创新。
其中，常见的新兴合成技术包括：A. 绿色合成技术：利用环保和高效的合成方法，减少对环境的污染和废物产生。
B. 微波辅助合成：通过微波辐射来加速反应速率，提高产率和选择性，减少反应时间和废物生成。
C. 催化剂合成技术：引入催化剂来促进反应的进行，提高产率和选择性，减少副反应的发生和废物生成。
二、药物反应机理的研究药物的反应机理研究是指对药物在化学反应中的分子变化和反应机制进行研究。
了解药物的反应机理不仅可以揭示药物的合成过程，还可以为优化合成方法和改进药物结构提供指导。
1. 实验方法实验方法是研究药物反应机理的主要手段之一。
通过利用各种分析技术，例如质谱、核磁共振等，对药物在反应过程中的分子结构和变化进行分析和鉴定。
这些实验数据和分析结果能够帮助研究人员推断出药物的反应机理。
2. 计算化学方法计算化学方法是研究药物反应机理的重要工具。
通过计算机模拟和量子化学计算，可以预测药物分子在反应中的几何构型、能量变化以及反应速率等。
这些计算结果有助于研究人员深入理解药物反应的机理和动力学特征。
总结：药物的合成方法及反应机理的研究对于药物研发和生产至关重要。
传统合成方法和新兴合成技术都提供了丰富的合成工具和方法，为药物合成带来了更多的选择和优化机会。
药物合成工艺学的研究内容
药物合成工艺学是药学领域的重要研究方向之一，其主要关注药物合成过程中的工艺优化、合成方法、条件选择等方面。
以下是药物合成工艺学的几个重要研究内容。
1. 合成路径设计：药物合成的首要任务是确定一个高效可行的合成路径。
合成路径设计需要考虑原料的可获得性、反应的选择性、产率和废物生成等因素。
研究人员通过各种化学变换、新型催化剂的设计和应用，寻找能够实现高产率、高选择性的合成路线。
2. 反应条件优化：药物合成中的反应条件对反应速率、产率和纯度等方面起着至关重要的作用。
药物合成工艺学的研究内容之一就是针对每个关键反应寻找最佳的反应温度、压力、反应时间、溶剂和酸碱催化剂等条件，以提高反应效率和产物的纯度。
3. 副反应和废物处理：药物合成过程中可能会产生不希望的副反应和生成多余的废物。
药物合成工艺学的研究内容之一是针对副反应的原因进行深入分析，并设计合适的控制措施。
此外，研究人员致力于开发环境友好的废物处理方法，以减少对环境的影响。
4. 过程监控与优化：在药物合成过程中，及时监控反应进程和参数，可以帮助及早发现问题并及时调整工艺参数。
药物合成工艺学的研究还包括开发可靠的在线监测方法和反应过程模型，以实现工艺的实时控制和优化。
药物合成工艺学的研究内容是多方面的，涉及到药物化学、有机合成、反应工程以及过程控制等多个学科领域。
深入研究这些内容，可以提高药物合成的效率和质量，为药物研发和生产提供坚实的基础。
药物化学与药物合成药物化学作为一门独立的学科，致力于研究药物的化学结构以及其在化学反应中的性质与行为。
药物合成则是利用化学反应来合成新的药物分子，以满足药物学领域对于新药的需求。
本文将介绍药物化学的基本原理和方法，以及药物合成的相关技术。
一、药物化学的基本原理和方法1. 药物化学的定义与意义药物化学是研究药物与化学反应的关系，探索药物化学结构与活性的相互关联，以及通过化学手段改进药物分子的活性和属性。
药物化学的研究结果对药物设计和合成具有重要意义。
2. 药物分子的化学结构药物分子通常由多个功能团组成，这些功能团赋予了药物分子生物活性。
药物的分子结构对于其在生物体内的吸收、分布、代谢和排泄等性质起着决定性作用。
3. 药物的性质与行为药物分子的化学性质和物理性质决定了其在药物研发和应用中的表现。
例如，药物的溶解度、稳定性、光学活性等特性对于药物的研究和设计具有重要影响。
4. 药物化学的方法和技术药物化学研究常常采用合成化学、结构优化以及定量构效关系等方法和技术。
通过合理设计和合成化合物，进行活性测试和构效关系研究，以获得更加活性和具备良好生物利用度的药物分子。
二、药物合成的相关技术1. 药物合成的目标和挑战药物合成的目标是通过化学合成来制备具有特定活性的药物分子。
合成路线的设计和选择需要考虑效率、选择性、稳定性和经济性等因素，以克服药物合成中所面临的各种挑战。
2. 药物合成的关键步骤药物合成过程中的关键步骤包括反应的选择和优化、中间体的合成、保护基的引入与去除、立体选择性的控制等。
这些步骤需要合理的合成策略和有效的合成方法来实现。
3. 药物合成的新技术与进展近年来，药物合成领域涌现出许多新技术和方法，如催化化学、微流控技术、多组分反应和多步骤合成等。
这些新技术的应用使得药物合成更加高效、经济，并且有助于解决一些传统合成方法的困难和瓶颈。
4. 药物合成的绿色化与可持续发展随着对环境保护和可持续发展的要求日益提高，药物合成中的绿色合成概念也越来越重要。
药物化学中的靶向药物设计与合成研究在当今医药领域中，靶向药物设计与合成研究正逐渐成为研究的热点。
靶向药物的研发旨在通过精准作用于特定的蛋白质、细胞或病理过程，从而提高药物的治疗效果，减少不良反应，并为患者提供更有效的治疗方案。
首先，理解药物的靶向性是靶向药物研究的基础。
药物的靶向性是指药物在体内选择性地与特定的蛋白质、受体或代谢途径结合并产生作用。
要实现针对特定疾病或生物过程的靶向性，需要深入了解疾病的发生机制、生物分子的结构与功能以及药物与生物分子之间的相互作用。
这种深入了解有助于确定药物设计的方向，例如通过药物靶点的构象信息合理设计药物分子的构象。
靶向药物设计的一个重要手段是药物分子的结构修饰。
通过合理的结构修饰，可以改变药物分子的溶解度、稳定性、药代动力学等性质，以增加其在体内的活性和选择性。
结构修饰往往包括修改药物分子的化学基团、推导结构类似物以及引入激活基团以增强活性等方法。
这些结构修饰的操作需要依赖于强大的有机合成技术。
合成方法在药物化学中扮演着至关重要的角色。
为了高效地合成新型的靶向药物，合成化学家们不断创新并改进各种合成策略与方法。
例如，多步合成可以通过有序、连续的反应步骤来逐步构建目标分子结构，通过合理的合成路径设计和反应条件优化，有效提高合成效率和产率。
而内源性合成是另一种常见的合成策略，即利用目标分子中已存在的基团或官能团快速构建目标结构，从而实现高效全合成。
另外，药物分子的构象与立体化学也是靶向药物设计中的重要考虑因素。
药物分子的立体构型可以对选择性和亲和力产生重要影响。
立体性质的了解有助于合理设计和改进药物分子的活性和选择性。
在药物分子的合成研究中，合成化学家们常常考虑保留优秀的立体化学结构，以保证药物分子进一步优化和设计的广泛适应性。
最后，药物的设计与合成是一个不断验证和改进的过程。
研究人员需要通过多种实验手段来验证合成出的靶向药物分子的活性和选择性。
一种常见的方法是体外实验，通过对靶标分子进行体外的生物活性筛选，评估分子的亲和力和选择性。
新型药物的药物化学合成研究药物化学合成研究是一项关键的科学研究领域，它致力于开发和合成新型药物。
本文将探讨新型药物的药物化学合成研究的重要性以及当前的研究进展。
一、引言随着医学科学的不断进步和人们对健康的更高要求，新型药物的研发变得尤为重要。
药物化学合成研究作为现代药物研究的重要组成部分，通过合成药物分子并对其进行结构优化，为临床带来了一系列的创新药物。
二、药物化学合成的意义药物化学合成可以通过改变药物分子的结构和性质，改善药物的活性、选择性和代谢性质，从而提高药效，并减少潜在的副作用。
此外，配合药物设计和创新，药物化学合成研究还可以开发出更加安全、高效和可控的新型药物。
三、药物化学合成的方法1. 经典合成方法：传统的药物合成方法主要是有机合成化学的基础，包括反应物的选择、反应条件的控制和产物的纯化等。
以合成过程为中心的研究方法，可以通过连续的试验优化合成路线，确保产物的纯度和产率。
2. 绿色化学合成方法：随着环境保护意识的增强，绿色化学合成在药物化学合成研究中得到了广泛应用。
绿色化学合成主要包括使用可再生原料、催化剂和溶剂的合成方法，以及减少废物的产生和能源消耗的研究。
这种方法使合成过程更加环保，减少对环境的影响。
四、新型药物的合成研究进展1. 维生素D治疗类风湿性关节炎的研究：维生素D衍生物在治疗类风湿性关节炎方面显示出良好的效果。
通过药物化学合成，研究人员成功地合成了多种维生素D衍生物，并对其进行了活性测试和机制研究。
2. 抗癌药物的研发：目前，抗癌药物的研发是药物化学合成研究的热点。
通过对肿瘤细胞的特异性靶向和药物分子的结构优化，研究人员成功合成了一系列抗癌药物，并取得了显著的临床效果。
3. 新型抗生素的合成研究：面对抗生素耐药性的威胁，药物化学合成研究为寻找新型抗生素提供了策略。
在这方面的研究中，研究人员通过合成抗生素衍生物，改善了其药效和稳定性，并对其在抗菌活性和毒性方面进行了深入研究。
药学领域中的药物合成研究药物合成是药学领域中的重要研究方向，涉及到药物化学、有机化学、药物设计等多个学科的交叉。
药物合成的目标是通过化学手段合成能够治疗疾病或缓解症状的有效药物化合物。
在本文中，我们将探讨药学领域中的药物合成研究的重要性、方法以及所取得的进展。
一、药物合成的重要性药物合成研究的重要性体现在以下几个方面：1. 提供新药物的来源：药物合成是研发新药物的重要途径之一。
药物合成研究可以通过有机合成方法合成新的化合物，并通过药物筛选实验评估其药理活性。
这一过程可以为新药物的研发提供原料和候选化合物。
2. 改进现有药物：药物合成的另一个重要目标是改进现有药物的合成方法。
通过优化合成路线和反应条件，可以提高现有药物的合成效率和得率，减少副产物的生成，并增强药物的纯度和稳定性。
3. 研究药物作用机制：药物合成研究可以帮助科学家深入了解药物的作用机制。
通过对药物的合成路径和药理活性之间的关系进行研究，可以揭示药物如何与靶标结合，并发挥治疗效果。
二、药物合成的方法药物合成的方法主要包括有机合成、天然产物合成和计算机辅助合成。
1. 有机合成：有机合成是指利用有机合成化学的方法，合成出具有特定结构和功能的化合物。
有机合成的关键步骤包括反应物的选择、反应路径的设计和反应条件的优化。
有机合成的核心原则是“选择合适的反应和反应条件，使得合成过程高效且经济”。
2. 天然产物合成：天然产物合成是指通过有机合成方法合成出天然产物或天然产物类似物。
天然产物具有结构多样性和药理活性丰富性，是药物研发的重要来源。
通过合成天然产物，可以研究其生物活性和作用机制，并优化其药理性质。
3. 计算机辅助合成：计算机辅助合成是近年来兴起的一种合成方法，利用计算机模拟和预测工具指导合成路径的设计。
计算机辅助合成可以帮助研究人员在合成过程中提供有效的合成路线和反应条件，并优化合成路线，减少试错过程和实验成本。
三、药物合成研究的进展药物合成研究在近年来取得了重要的进展，以下为其中的一些案例：1. 抗癌药物合成：特定肿瘤类型的抗癌药物合成是当前药物合成研究的热点之一。
Current trends in antimicrobial agent research: chemo- and bioinformatics approaches Review ArticleDrug Discovery TodayDatabases and chemo- and bioinformatics tools that contain genomic, proteomic and functional information have become indispensable for antimicrobial drug research. The combination of chemoinformatics tools, bioinformatics tools and relational databases provides means of analyzing, linking and comparing online search results. The development of computational tools feeds on a diversity of disciplines, including mathematics, statistics, computer science, information technology and molecular biology. The computational approach to antimicrobial agent discovery and design encompasses genomics, molecular simulation and dynamics, molecular docking, structural and/or functional class prediction, and quantitative structure–activity relationships. This article reviews progress in the development of computational methods, tools and databases used for organizing and extracting biological meaning from antimicrobial research.Article OutlineIntroductionBioinformatics databases and resources for antimicrobials researchBioinformatics analysis tools and methods for antimicrobial researchProgramsGenomics and target discoveryStructure-based drug design methodsQSAR methodsArtificial neural networksFuzzy logic modelingMolecular simulations and dynamicsConcluding remarksAcknowledgementsDesign verification and validation in product lifecycle Original Research Article CIRP Annals - Manufacturing TechnologyThe verification and validation of engineering designs are of primary importance as they directly influence production performance and ultimately define product functionality and customer perception. Research in aspects of verification and validation is widely spread ranging from tools employed during the digital design phase, to methods deployed for prototype verification and validation. This paper reviews the standard definitions of verification and validation in the context of engineering design and progresses to provide a coherent analysis and classification of these activities from preliminary design, to design in the digital domain and the physical verification and validation of products and processes. The scope of the paper includes aspects of system design and demonstrates how complex products are validated in the context of their lifecycle. Industrial requirements are highlighted and research trends and priorities identified.Article Outline1. Introduction2. Motivation, scope and definitions of verification and validation methods and technologies2.1. Motivation2.2. Scope of the keynote paper2.2.1. A framework for design verification and validation2.2.2. Keynote scope2.3. Definitions of verification and validation3. International standards related to product and process design in the lifecycle perspective3.1. Standards for representing product information3.2. Standards for representing manufacturing processes3.3. Standards for representing manufacturing resources3.4. Standards for preserving design verification knowledge4. Verification and validation in the early stages of design – capture intent and confirm requirements4.1. Product idea validation and market analysis4.2. Quality function deployment4.3. Functional decomposition and flow analysis4.4. The use of key characteristics in early design4.5. Design for X5. Design verification and validation in the digital environment5.1. Digital mock-up5.2. Tolerance analysis and optimisation5.2.1. Modelling assembly tolerances5.2.2. Digital tolerancing methods and tolerance optimisation5.3. Features for machining CAD/CAM/CAPP verification5.4. Virtual assembly modelling and simulation5.4.1. Digital tooling and fixturing for assembly5.4.2. Stream-of-variation modelling and design synthesis5.5. Digital measurement modelling and planning5.5.1. Measurement and inspection planning techniques5.5.2. Metrology process modelling for verification planning5.5.3. Measurement and inspection equipment selection5.6. Computational and virtual methods for functional product verification and optimisation 5.6.1. Structural function verification and finite elements analysis5.6.2. Design function verification using computational fluid dynamics6. Physical product and process verification and validation6.1. Product design – physical verification and validation6.1.1. Dimensional and shape verification and validation6.1.2. Design structure mapping and hidden features6.1.3. Measurement equipment deployment6.2. Product testing and validation6.2.1. Mechanical design testing6.2.2. Flow related physical verification and validation6.3. Physical process verification and validation6.3.1. Statistical process control and Taguchi's robust design6.3.2. Six sigma and root cause analysis6.4. Enabling verification technologies7. Verification of systems and networks7.1. Discrete event modelling and simulation7.2. RFID methods for the verification of production logistics7.2.1. Managing information loss in product manufacture8. Methods for the lifecycle verification of complex products8.1. Enabling technologies and standards for product lifecycle management8.2. Verification and validation of complex products in the context of the lifecycle9. Key future requirements and trends9.1. PLM and international standards9.2. GD&T and measurement uncertainty9.3. Verification modelling and planning9.4. Early design verification in the digital domain10. Concluding commentsAcknowledgementsReferencesCurrent developments of computer-aided drug design Review ArticleJournal of the Taiwan Institute of Chemical EngineersThe continuous advancement in molecular biology and information technology aided the development of a rich molecular simulation repertoire that can be applied in system biology, proteomics, molecular biology, bioinformatics, and materials science. We attempt to introduce the latest developments in drug design based on computational techniques, including protein structure modeling, docking, binding site prediction, quantitative structure–activity relationship (QSAR), and molecular dynamics simulation. Furthermore, a brief discussion on current docking issues, including accuracy of protein structure and protein–ligand interaction, is also included. Weight equation and rules and a new concept on flexibility are also described here as possible solution for these issues.Article Outline1. Introduction2. Structure-based drug design2.1. Protein structure determination2.1.1. Homology modeling2.1.2. Folding recognition2.1.3. Ab initio protein modeling2.1.4. Hot spot prediction2.2. Docking2.2.1. Autodock2.2.2. CDOCKER2.2.3. Flexible docking2.2.4. LigandFit2.2.5. Transmembrane protein modeling2.3. Binding free energy2.4. Flexibility of protein–ligand complex2.5. De novo evolution3. Ligand-based drug design3.1. Quantitative structure–activity relationship (QSAR)3.1.1. CoMFA3.1.2. CoMSIA4. Molecular dynamics simulations5. Sample course syllabuses6. ConclusionAcknowledgementsReferencesICAS-PAT: A software for design, analysis and validation of PAT systems Original Research ArticleComputers & Chemical EngineeringIn chemicals based product manufacturing, as in pharmaceutical, food and agrochemical industries, efficient and consistent process monitoring and analysis systems (PAT systems) have a very important role. These PAT systems ensure that the chemicals based product is manufactured with the specifiedend product qualities. In an earlier article, Singh et al. [Singh, R., Gernaey, K. V., Gani, R. (2009). Model-based computer-aided framework for design of process monitoring and analysis systems. Computers & Chemical Engineering, 33, 22–42] proposed the use of a systematic model and data based methodology to design appropriate PAT systems. This methodology has now been implemented into a systematic computer-aided framework to develop a software (ICAS-PAT) for design, validation and analysis of PAT systems. Two supporting tools needed by ICAS-PAT have also been developed: a knowledge base (consisting of process knowledge as well as knowledge on measurement methods and tools) and a generic model library (consisting of process operational models). Through a tablet manufacturing process example, the application of ICAS-PAT is illustrated, highlighting as well, the main features of the software.Article OutlineNomenclature1. Introduction2. Extended design framework2.1. General supporting tools2.1.1. General knowledge base2.1.1.1. First section of the knowledge base2.1.1.2. Second section of the knowledge base2.1.1.3. Extension of the knowledge base2.1.2. General model library2.2. User specific supporting tools2.3. Problem specific supporting tools2.3.1. Problem specific knowledge base2.3.2. Problem specific model library3. Software overview3.1. Design of PAT systems—problem specific interface3.2. Additional features of the software3.2.1. Open solved example3.2.2. Find applications of monitoring tools3.2.3. Retrieve the knowledge/data4. Case study: tablet manufacturing process4.1. Process description4.2. Process models4.2.1. Mixing process model4.2.2. Milling process model4.2.3. Granulation process model4.2.4. Storage tank model4.2.5. Tablet pressing process model4.2.6. Tablet coating process model4.3. Design of the process monitoring and analysis system4.3.1. Product property specifications (step 1)4.3.2. Process specifications (step 2)4.3.3. Process analysis (step 3)4.3.4. Sensitivity analysis (step 4)4.3.5. Interdependency analysis (step 5)4.3.6. Performance analysis of monitoring tools (step 6)4.3.7. Proposed process monitoring and analysis system (step 7) 4.3.8. Model-based validation (step 8)4.3.9. Final process monitoring and analysis system (step 9)5. ConclusionsAcknowledgementsAppendix A. Tablet manufacturing process modelA.1. Mixing process modelA.1.1. Algebraic equations (explicit)A.1.2. Controller modelA.2. Milling process modelA.2.1. Algebraic equations (explicit)A.2.2. Differential equationsA.2.3. Controller modelA.3. Granulation process modelA.3.1. Algebraic equations (explicit)A.3.2. Differential equationsA.3.3. Controller modelA.4. Storage tank modelA.4.1. Algebraic equations (explicit)A.4.2. Differential equationsA.4.3. Controller modelA.5. Tablet pressing process modelA.5.1. Algebraic equations (explicit)A.5.2. Differential equationsA.5.3. Controller modelA.6. Coating process modelA.6.1. Algebraic equations (explicit)A.6.2. Differential equationsA.6.3. Controller modelAppendix B. Differential variables (initial value), known variables and parametersB.1. Mixing processB.2. Milling processB.3. Granulation processB.4. Storage tankB.5. Tablet pressing processB.6. Tablet coating processIntegral biomathics: A post-Newtonian view into the logos of bios Review Article Progress in Biophysics and Molecular BiologyGenetic programming for QSAR investigation of docking energyApplied Soft ComputingStatistical methods, and in particular Machine Learning, have been increasingly used in the drug development workflow to accelerate the discovery phase and to eliminate possible failures early during clinical developments. In the past, the authors of this paper have been working specifically on two problems: (i) prediction of drug induced toxicity and (ii) evaluation of the target–drug chemical interaction based on chemical descriptors. Among the numerous existing Machine Learning methods and their application to drug development (see for instance [F. Yoshida, J.G. Topliss, QSAR model for drug human oral bioavailability, Journal of Medicinal Chemistry 43 (2000) 2575–2585; Frohlich, J. Wegner, F. Sieker, A. Zell, Kernel functions for attributed molecular graphs—a new similarity based approach to ADME prediction in classification and regression, QSAR and Combinatorial Science, 38(4) (2003) 427–431; C.W. Andrews, L. Bennett, L.X. Yu, Predicting human oral bioavailability of a compound: development of a novel quantitative structure–bioavailability relationship, Pharmacological Research 17 (2000) 639–644; J Feng, L. Lurati, H. Ouyang, T. Robinson, Y. Wang, S. Yuan, S.S. Young, Predictive toxicology: benchmarking molecular descriptors and statistical methods, Journal of Chemical Information Computer Science 43 (2003) 1463–1470; T.M. Martin, D.M. Young, Prediction of the acute toxicity (96-h LC50) of organic compounds to the fat head minnow (Pimephales promelas) using a group contribution method, Chemical Research in Toxicology 14(10) (2001) 1378–1385; G. Colmenarejo, A. Alvarez-Pedraglio, J.L. Lavandera, Chemoinformatic models to predict binding affinities to human serum albumin, Journal of Medicinal Chemistry 44 (2001) 4370–4378; J. Zupan, P. Gasteiger, Neural Networks in Chemistry and Drug Design: An Introduction, 2nd edition, Wiley, 1999]), we have been specifically concerned with Genetic Programming. A first paper [F. Archetti, E. Messina, S. Lanzeni, L. Vanneschi, Genetic programming for computational pharmacokinetics in drug discovery and development, Genetic Programming and Evolvable Machines 8(4) (2007) 17–26] has been devoted to problem (i). The present contribution aims at developing a Genetic Programming based framework on which to build specific strategies which are then shown to be a valuable tool for problem (ii). In this paper, we use target estrogen receptor molecules and genistein based drug compounds. Being able to precisely and efficiently predict their mutual interaction energy is a very important task: for example, it may have an immediate relationship with the efficacy of genistein based drugs in menopause therapy and also as a natural prevention of some tumors. We compare the experimental results obtained by GeneticProgramming with the ones of a set of ―non-evolutionary‖ Machine Learning methods, including Support Vector Machines, Artificial Neural Networks, Linear and Least Square Regression. Experimental results confirm that Genetic Programming is a promising technique from the viewpoint of the accuracy of the proposed solutions, of the generalization ability and of the correlation between predicted data and correct ones.Article Outline1. Introduction2. Previous and related work3. Dataset4. Non-evolutionary methods4.1. Brief introduction to the non-evolutionary methods4.1.1. Feature selection procedures4.1.2. Linear and Least Square Regression4.1.3. Multilayered perceptron4.1.4. Support vector machines regression4.2. Experimental results of the non-evolutionary methods5. GP methods5.1. Root mean squared error as fitness5.1.1. Experimental results5.2. Correlation coefficient as fitness5.2.1. Experimental results5.3. Linear scaling5.3.1. Experimental results5.4. The best solutions found6. Improving GP results6.1. Search for recurrent patterns6.2. New GP results6.3. The best solutions found7. Further experiments7.1. CPU times7.2. RMSE and CC for each GP generation8. Conclusions and future work AcknowledgementsAppendix A. GP configuration and parameter tuning Appendix B. Molecular descriptorsReferences计算机辅助药物设计药物设计软件制药/生物工程生物科技创新药物研发发展现状和趋势Sybyl、MOE分子模拟软件DOCK、AutoDock分子对接软件化学结构数据库编程工具C、C 、Perl、Java统计软件包Computer-aided drug designDrug design softwarePharmaceutical / Biotechnology BiotechnologyInnovative drug research and development Development Status and TrendsSybyl, MOEMolecular modeling softwareDOCK, AutoDockMolecular docking softwareChemical structure databases Programming ToolsC, C, Perl, JavaStatistical Package for62,205 articles found for: pub-date > 2009 and tak(((Computer-aided drug design) or (Drug design software) or Biotechnology or (Statistical Package ) or (Chemical structure databases) or (Innovative drug research )) and (((C or Perl or Java) and (Programming Tools)) or AutoDock or Sybyl or MOE or Pharmaceutical or (Molecular software) or modeling or Status or Trends or development))A model-based systems approach to pharmaceutical product-process design and analysisChemical Engineering Science,This is a perspective paper highlighting the need for systematic model-based design and analysis in pharmaceutical product-process development. A model-based framework is presented and the role, development and use of models of various types are discussed together with the structure of the models for the product and the process. The need for a systematic modelling framework is highlighted together with modelling issues related to model identification, adaptation and extension. In the area of product design and analysis, predictive models are needed with a wide application range. In the area of process synthesis and design, the use of generic process models from which specific process models can be generated, is highlighted. The use of a multi-scale modelling approach to extend the application range of the property models is highlighted as well. Examples of different types of process models, model analysis and model generation are presented.Article Outline1. Introduction2. Model-based framework2.1. Modelling tool3. Process-product models3.1. Constitutive models3.1.1. Adaptive pure component property modelling3.1.2. Adaptive mixture property modelling3.1.3. Framework for data-based modelling3.2. Process (dynamic) models3.2.1. Process (dynamic) model example: fermentation process3.2.2. Example of embedding of constitutive models within a process model: crystallization3.2.3. Data-driven modelling within a process context4. Discussion4.1. Limitations of first-principles-based approaches4.2. Model analysis to direct experimental efforts4.3. Flexible pharmaceutical manufacturing4.4. Use of models and modelling in pharmaceutical product-process design5. ConclusionsNomenclatureAcknowledgementsReferencesAmong the trends for a modern chemical engineering, the third paradigm: The time and length multiscale approach as an efficient tool for process intensification and product design and engineering Original Research ArticleChemical Engineering Research and DesignCorrelations between no observed effect level and selected parameters of the chemical structure for veterinary drugs Original Research ArticleToxicology in VitroApplication of mechanistic models to fermentation and biocatalysis for next-generation processes Review ArticleTrends in BiotechnologyA tentative quantitative structure–toxicity relationship study of benzodiazepine drugs Original Research ArticleToxicology in VitroCalculation and application of activity discriminants in lead optimization Original Research ArticleJournal of Molecular Graphics and ModellingGraphical abstractResearch highlightsPredict activities of in vitro (pharmacological, DMPK, and safety) assays. Emulate how medicinalchemists perform SAR analysis and activity prediction. Useful for prioritizing new molecules for synthesis during the lead optimization phase of drug discovery projects.Interpreting protein chemical shift data Review ArticleProgress in Nuclear Magnetic Resonance Spectroscopy1. Introduction1.1. Chemical shift categories1.2. Scope of this review2. Chemical shift databases2.1. The BioMagResBank2.2. Curated/cleansed chemical shift databases3. Chemical shift referencing3.1. Indirect chemical shift referencing3.2. Programs for chemical shift re-referencing4. Reference chemical shifts4.1. Random coil chemical shifts4.2. Helix and β-strand chemical shifts5. Secondary structure from chemical shifts5.1. Secondary structure content from chemical shifts5.2. The chemical shift index and secondary structure assignment5.3. The ambiguous nature of secondary structure6. Torsion angles from chemical shifts6.1. TALOS for torsion angles6.2. Newer torsion angle prediction software6.3. Side-chain torsion angles from shifts7. Flexibility and dynamics from chemical shifts7.1. The random coil index7.2. Chemical shifts and protein dynamics8. Chemical shifts from structure (and sequence)8.1. Predicting shifts via sequence homology8.2. Predicting shifts from coordinate data – semi-classical methods8.3. Predicting shifts from coordinate data – quantum mechanical methods 8.4. Predicting shifts from coordinate data – empirical methods8.5. Predicting shifts from coordinate data – hybrid methods8.6. Chemical shift prediction methods – an assessment9. Structure from chemical shifts9.1. Chemical shift refinement9.2. Paramagnetic shift refinement9.3. The ―Holy Grail‖ – protein structures from shifts10. SummaryAcknowledgementsGlossaryReferences。
