- 综合排序
- 最热优先
- 最新优先
- 来自专栏诺依阁的日记簿
nuoyis-lnp使用指南
此教程目前仅限于v1.31以及以上版本，低版本可能存在其他兼容问题 目前最新版本:v1.32 欢迎使用nuoyis-lnp docker版部署你的博客，使用该docker程序能快速部署你的网站或者博客系统 nuoyis-lnp优点 快，docker-compose up -d 就可部署完毕 稳定，nuoyis特有的健康检查方法，对不健康容器进行自动重启 防黑，nuoyis特有的版本号抹除，对黑客有一定的干扰性 内快速切换，快速回滚(docker特性) docker部署方法 拉取docker指令 docker pull swr.cn-north-4.myhuaweicloud.com/nuoyis/nuoyis-lnp 10s \ --health-timeout=10s \ --restart always \ swr.cn-north-4.myhuaweicloud.com/nuoyis/nuoyis-lnp :v1.32 networks: nuoyis-net: aliases: - nuoyis-lnp ports: - 80
21100编辑于 2025-02-28 LNP 精准投递_MedChemExpress(MCE 中国)
Section.01LNP 如何成为基因的"纳米顺丰"LNP：核酸投递的"科幻快递系统"脂质纳米颗粒 (Lipid Nanoparticles, LNP) 是一类由脂质分子构成的纳米级载体 (粒径通常为 一句话总结：如果把核酸比作“娇贵小公主”，那么 LNP 就是它的全能保镖 + 五星级外卖骑手。Section.02LNP 试剂盒为何如此抢手？ MCE LNP 试剂盒：纳米级解决方案，细胞顺利签收• 精准投递，细胞无可拒签：LNP 特有的跨膜转运及逃逸机制，实现 RNA 的高效递送；• “零”暴力拆箱：温和转染，微量样品的包封率 > 80%，递送效率高 传统转染 VS MCE LNP 试剂盒投递无忧：用数据说话精准投递不是说说而已——来看实测数据，带你直观感受我们 LNP 试剂盒是如何让细胞“签收率”一路飙升的！ 从基因治疗到疫苗研究，LNP 正在成为生命科学领域的重要工具。未来，LNP 技术将帮助我们继续功课更多科学难题，迎接一个更加精准、高效的科研时代！
59010编辑于 2025-06-25一文弄懂 LNP，内附制备 Protocol | MCE
脂质纳米颗粒 (LNP) 的制备依赖于自组装的能力，带负电荷的核酸和带正电荷的脂质之间产生静电络合，LNP 通过脂质组分之间的疏水作用和范德华作用相互生长。 03LNP 的表征Characterization of LNPs为了确保 LNP 的质量和有效性，需要对 LNP 进行参数表征，例如尺寸、PDI、电荷、RNA EE。 LNP 来测量 LNP 内部和外部的总 RNA 浓度，计算公式如下：图 2. LNP 的表征参数与相关检测仪器[10]。 但是，LNP 在实际应用中仍存在许多问题，其一是因为 LNP 在经过体循环后通常在肝部富集，对其他给药器官的靶向困难[11]。其二是 LNP 只能作为载体参与药物递送，无法协同 mRNA 治疗。
2.1K10编辑于 2025-04-07- 来自专栏气象学家
呕心沥血倾力巨制T-lnP图攻略——奥斯陆的气象生活
文章来源 | 授权转载自知乎专栏-奥斯陆的气象生活 作者 | 冰心浴血，奥斯陆大学气象研究生 Summary of T-lnP图 搞这个东西的初衷是因为我自己学的时候也被搞的很烦，而且概念乱七八糟，
2.5K40发布于 2020-04-16 - 来自专栏DrugAI
Nat. Nanotechnol. | 基于Transformer神经网络的脂质纳米颗粒智能设计
LNP的有效性取决于其脂质成分及其比例，但实验优化过程十分繁琐且无法覆盖完整的设计空间。研究人员提出了一种深度学习方法，能够整合LNP的多组分与多模态特征，并以端到端方式预测其性能。 COMET还能在外部细胞系中预测LNP性能，并在小规模训练数据下预测LNP冻干过程中的稳定性。 该数据集包含3000余种LNP配方，覆盖不同脂质种类、合成条件和摩尔比例，转染效率以萤光素酶信号量化并归一化。 配方因素对LNP效率的影响 实验显示，可电离脂质的选择对转染效率影响显著。 适应新材料与新细胞类型 COMET被扩展至聚合物LNP（PBAE类），即使训练样本有限，也能取得良好预测效果，并成功优化出高效的新型聚合物-LNP配方。 稳定性预测 在冻干稳定性任务中，COMET能够预测LNP在冻干后效能的损失，并通过多任务学习获得更高准确性。这为LNP在实际生产与储存中的稳定性优化提供了可行路径。
19020编辑于 2026-01-06 - 来自专栏纳米药物前沿
Nano Lett：用于细胞内DNA和RNA递送的脂质纳米颗粒球形核酸
Mirkin合成了脂质纳米颗粒SNAs(LNP-SNAs)，并将其用于将DNA和RNA递送至细胞质中的目标。 LNP的核心和其表面呈现的DNA序列的组成都与LNP-SNAs的活性相关。 与T-rich序列相比，G-rich序列能够提高LNP-SNAs的活性。而在LNP的核心中，胆固醇含量的增加也会使得活性更强。 与基于脂质体的SNAs相比，优化后的LNP-SNA能够将沉默mRNA所需的siRNA浓度降低两个数量级。 此外，LNP-SNA的结构也会影响其在小鼠体内的生物分布和疗效。 静脉注射后，LNP-SNAs中的mRNA主要在脾脏中表达；而LNPs封装的mRNA(表面无DNA)则主要在肝脏中表达，而在脾脏中的表达量相对较少。 这一研究表明，LNP-SNA结构的活性和生物分布与传统的脂质体SNAs不同，有望被用于实现组织靶向。 Andrew J. Sinegra. et al.
76020编辑于 2022-08-15 - 来自专栏单细胞天地
纳米免疫疗法通过促进先天和适应性免疫应答以增强恶性胸腔积液的PD-L1治疗
此外，在临床 MPE 样本中也观察到 LNP-CDN 诱导的免疫学效应，表明胸膜内 LNP-CDN 用于临床 MPE 免疫治疗的潜力。 ，LNP-CDN，抗PD-L1抗体（Ab）或LNP-CDN抗PD-L1 Ab后的细胞类型特异性转录谱。 在响应LNP-CDN或LNP-CDN抗PD-L1时，发现CD8 T细胞在效应轨迹上积聚，一些在记忆/朴素轨迹上积聚（补充图9）。 与t-SNE簇一致，轨迹分析表明LNP-CDN或LNP-CDN抗PD-L1使NK细胞从未成熟状态向成熟状态倾斜（补充图16）。 总之，这些数据支持胸腔内LNP-CDN在人MPE中的潜在应用。 图6 a，用 LNP-CDN 治疗患者 MPE 的方案。
1.4K20编辑于 2022-03-14 - 来自专栏AlgorithmDog的专栏
EM算法原理和应用
，则有 (lnp(y|\theta^i) \le lnp(y|\theta^{i+1}), \forall i)。 如下图所示，黑线是F函数，红线是(lnp(\pmb{y}|\theta))。 F函数是(lnp(\pmb{y}|\theta))的下界函数，每次完成M和E步骤，F都上升，并和(lnp(\pmb{y}|\theta))交汇一次。 我们需证明(lnp(y|\theta^))也是极大值。 假设(lnp(y|\theta^))不是极大值，则存在接近（在任意邻域内）(\theta^)的参数(\theta^{})，使得(F(\bar{p}_{\theta^*}, \theta^*) = lnp
1.7K100发布于 2018-01-08 - 来自专栏快乐阿超
centos 80端口被占用排查+解决
，-p 显示正在使用Socket的程序识别码和程序名称) # grep 以一定的规则匹配 # | 将“|”后面运算得到的结果作为左边函数的入参，例如这里就是 对“80”进行匹配查询 netstat -lnp 1587/nginx: master 我们可以看到最后一列 这里/左边的是进程号 我们可以使用kill命令去终止 # -9表示强制终止 kill -9 1587 然后再次查看 > netstat -lnp active(running)表示存活 那我们关掉该服务 # 系统服务 关闭 [服务名] > systemctl stop nginx 再次查看占用端口的进程，找到进程号并杀掉 > netstat -lnp 0.0.0.0:80 0.0.0.0:* LISTEN 1589/nginx: worker > kill -9 1589 > netstat -lnp
4.2K10编辑于 2022-08-16 - 来自专栏DrugOne
Nat. Mater. | 利用机器学习和组合化学加速发现可电离脂质mRNA传递
为了解决这一问题，作者整合了机器学习（ML）方法，以进一步加快LNP筛选过程。 为此，作者在C57/BL6小鼠中对初始LNP库采用基于批次的策略进行了高通量体内筛选。 在使用实验设计方法优化配方后，mLuc负载的119-23 LNP在透射电子显微镜下显示出球形、层状形态，大小约为100 nm，并且相比于SM102和MC3 LNP，在肌肉内转染效率显著提高（图4e）。 注射后24小时，含hEPO mRNA的119-23 LNP在血清中显示出显著高于MC3 LNP的hEPO表达。 即使没有特定的靶向配体，119-23 LNP在体内将mRNA递送到肝脏免疫细胞的能力与之前含金刚烷磷脂的LNP配方的研究结果一致。
56810编辑于 2024-06-18 - 来自专栏全栈程序员必看
信息熵和基尼系数_信息熵和基尼系数
我们可以先来看一组数据 X的取值 方案一 方案二 方案三 方案四 P的平方 方案一 方案二 方案三 方案四 类别一 0.9 0.5 0.4 0.2 p1*(-lnp1) 0.09 0.35 0.37 0.32 类别二 0.1 0.5 0.3 0.2 p2*(-lnp2) 0.23 0.35 0.36 0.32 类别三 0 0 0.3 0.2 p3*(-lnp3) 0.00 0.00 0.36 0.32 类别四 0 0 0 0.2 p4*(-lnp4) 0.00 0.00 0.00 0.32 类别五 0 0 0 0.2 p5*(-lnp5) 0.00 0.00 0.00 0.32 熵 0.82 0.50 0.34
98430编辑于 2022-11-07 - 来自专栏素质云笔记
因果推断与反事实预测——利用DML进行价格弹性计算（二十三）
df['revenue'] = df.Quantity * df.UnitPrice 同时对P / Q进行对数化处理： # 将单价和数量取log df_mdl = df_mdl.assign( LnP ，没有协变量，用最简单的OLS回归 最简单的求解，也不管啥因果推断，有偏无偏，将上述数据的lnp和lnQ，一股脑子都分段，比如(-2.814,-0.868)就是这区间内lnp和lnQ的平均值，如下： 新生成的LnP和LnQ直接回归即得回归系数： x='LnP' y='LnQ' df = df_mdl n_bins=15 x_bin = x + '_bin' df[x_bin] = pd.qcut frac{-0.52}{0.9}=-0.60 θ=0.9−0.52=−0.60 2.3 [v2版]求解价格弹性：Poisson回归+多元岭回归 v2版 = LnQ~LnP 的回归系数为 -2.87559， Ridge—OLS回归中LnP的回归系数为 -1.79945， 尝试下来各个方法得到的结果差异很大。
4.1K12编辑于 2022-01-21 - 来自专栏气象杂货铺
WRF模式后处理
其中包含绘制模拟域的示例程序，先读取namelist.wps设置，然后绘制 获取探空数据： 1）爬取uwyo探空数据 示例程序： (1）根据uwyo探空数据绘制T-lnP 图，先爬取再绘制 (2）根据micaps 第5类数据绘制T-lnP（使用时需将所用站点数据单独存储到一个文件中） (3）根据FNL再分析数据绘制T-lnP图（需要nctoolbox工具箱
3.7K21发布于 2020-04-21 - 来自专栏全栈程序员必看
【推荐系统算法】PMF(Probabilistic Matrix Factorization)
ln p ( R ∣ U , V ) + ln p ( U ) + ln p ( V ) \ln p(U,V|R)=\ln p(R|U,V) + \ln p(U) + \ln p(V) lnp (U,V∣R)=lnp(R∣U,V)+lnp(U)+lnp(V) 高斯分布公式及其对数形式： p ( x ) = 1 2 π σ exp ( − ( x − μ ) 2 2 σ 2 ) p(x ln ( 2 π σ ) − ( x − μ ) 2 2 σ 2 \ln p(x)=-\ln (\sqrt{2\pi}\sigma) – \frac{(x-\mu)^2}{2\sigma^2} lnp Theta_U,\Theta_V|R)=\ln p(R|U,V) + \ln p(U|\Theta_U) + \ln p(V|\Theta_V)+\ln p(\Theta_U)+\ln p(\Theta_V) lnp (U,V,ΘU,ΘV∣R)=lnp(R∣U,V)+lnp(U∣ΘU)+lnp(V∣ΘV)+lnp(ΘU)+lnp(ΘV) 类似地，可以给 Θ U , Θ V \Theta_U,\Theta_V
1.4K30编辑于 2022-07-02 AbMole丨C12-200：高性能可电离脂质在mRNA疫苗递送领域的应用
C12-200是一种可电离脂质纳米颗粒（LNP）的关键组分，在核酸递送领域展现出显著优势。 例如，在骨髓来源的树突细胞（BMDCs）中，含C12-200的LNP配方（C12-200-cho-10%DOPE）可有效递送编码模型抗原卵白蛋白OVA的mRNA，最终上调共刺激受体（CD40/CD86）
11810编辑于 2026-01-14- 来自专栏素质云笔记
因果推断与反事实预测——利用DML进行价格弹性计算（二十四）
df['revenue'] = df.Quantity * df.UnitPrice 同时对P / Q进行对数化处理： # 将单价和数量取log df_mdl = df_mdl.assign( LnP ，没有协变量，用最简单的OLS回归 最简单的求解，也不管啥因果推断，有偏无偏，将上述数据的lnp和lnQ，一股脑子都分段，比如(-2.814,-0.868)就是这区间内lnp和lnQ的平均值，如下： 新生成的LnP和LnQ直接回归即得回归系数： x='LnP' y='LnQ' df = df_mdl n_bins=15 x_bin = x + '_bin' df[x_bin] = pd.qcut frac{-0.52}{0.9}=-0.60 θ=0.9−0.52=−0.60 2.3 [v2版]求解价格弹性：Poisson回归+多元岭回归 v2版 = LnQ~LnP 的回归系数为 -2.87559， Ridge—OLS回归中LnP的回归系数为 -1.79945， 尝试下来各个方法得到的结果差异很大。
5K34编辑于 2022-05-09 - 来自专栏学习计划
记一次docker报错及解决记录
docker 查看docker状态： 一直是这个状态， 网上说，开启docker需要先开启监控：dockerd 那么就输入这个命令: 奇怪到时，进入有端口占用，ps -ef , netstat-lnp article/details/92759417 关闭keepalived 让虚拟IP漂移到可以用的宿主机上 systemctl stop keepalived 找对应到容器，并关闭 netstat-lnp
1.7K10编辑于 2021-12-06 - 来自专栏全栈程序员必看
常用网管工具_网管系统
11、free （查看内存使用情况，free -m以M为单位显示） 12、watch -d <command> （定时执行command并高亮显示和上次执行结果的差异） 13、netstat -lnp （查看正在监听的端口和进程，或ss -lnp） 14、find （查找文件或目录。
92230编辑于 2022-11-08 - 来自专栏气象杂货铺
[实用]气象Python学习手册 by Unidata
on the interp_levels """ # Make veritcal coordinate data and grid level log variables lnp = np.log(vcoord_data) lnp_intervals = np.log(interp_levels) # Use numpy to interpolate from observed levels to grid levels interp_data = np.interp(lnp_intervals[::-1], lnp[::-1], interp_var
1.6K31发布于 2020-04-21 - 来自专栏Nicky's blog
布隆过滤器怎么提高误差率
}koptimal=nm⋅ln2≈0.693⋅nm最优mmm的计算（给定目标误判率ppp）：m≈−n⋅lnp(ln2)2≈−1.44⋅n⋅lnpm\approx-\frac{n\cdot\lnp }{(\ln2)^2}\approx-1.44\cdotn\cdot\lnpm≈−(ln2)2n⋅lnp≈−1.44⋅n⋅lnp降低误差率的5大策略1.增加位数组大小mmm（最直接有效）原理：空间越大
9110编辑于 2026-02-09
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号