Chromatography and Computational Chemical Analysis for Drug Discovery
Notice bibliographique
Résumé
Analytical chemists have increasingly turned their attention to drug discovery and drug analysis and to solve fundamental questions of biological significance in physiology and genetics. New technologies have been developed, and a variety of instruments have been redesigned for biomedical applications. The development of high-performance liquid chromatography (HPLC) opened a new era in biorelated fields and allowed faster separations of fragile macromolecules. Capillary column gas chromatography (GC)/mass spectrometry (MS) have been used to achieve more powerful separation and to perform structural analysis of molecules, and laboratory automation including robotics has become a powerful trend in both analysis and synthesis. Liquid chromatography (LC)/MS is more suitable for biomedical applications than GC/MS because almost all biomolecules are heat sensitive. Furthermore, a combination of various mass spectrometers has been used even for proteins directly. Improving the sensitivity of nuclear magnetic resonance spectrometry (NMR) has permitted a direct connection with LC. Purification of biomolecules on-line by LC has been performed since the development of chip-electrophoresis, On the other hand, computational chemical analysis is a promising technique given the advancing the hardware and software for use in chemical fields. In this review, a combination of chromatography and computational chemistry for use in drug discovery studies is described. Fast LC analysis using a column switching technique was introduced for aromatic amino acid metabolites and guanidino compounds. Recent developments in related technologies are also included from review papers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».