中集制氢多功能纳米材料的模板诱导合成和组装技术。
TNBC比非TNBC更具侵略性，氢能橇重增殖性，难以预测且生存率较差。激活的NF-κB信号通路显著增强了乳腺癌，新品相尤其是ER阴性乳腺癌（例如TNBC）中细胞的增殖，侵袭和转移并减少其细胞凋亡。
尽管针对肝脏的siRNA治疗药物最近取得了成功，甲醇际氢但如何将siRNA递送至实体瘤仍然存在巨大挑战。磅亮通过小干扰RNA（siRNA）来抑制IKBKE因而成为一个潜在的TNBC治疗方案。在癌细胞中，中集制氢IκB激酶（IKKs）被激活并转而磷酸化IκBs并诱导其降解，从而导致NF-κB易位至细胞核内。
此外，氢能橇重联合疗法已成为癌症疗法的主要手段，但由于siRNA和化学治疗剂的理化性质差异很大，因此难以在同一制剂中联合使用。近年来致力于大分子生物药物的开发及其剂型的研究工作，新品相研究包括抗肿瘤小干扰siRNA及相关递送系统的开发，新品相肿瘤免疫治疗检查位点阻断剂多肽的开发等。
【图文导读】图1.IKBKEsiRNA在MDA-MB-231细胞中的生物学活性（A）IKBKEsiRNA在mRNA水平上的基因沉默作用（B）IKBKEsiRNA在蛋白质水平的基因沉默活性（C-G）IKBKEsiRNA对MDA-MB-231细胞迁移，甲醇际氢侵袭和增殖的抑制作用（H）IKBKEsiRNA对MDA-MB-231细胞凋亡和坏死的影响（I,J）IKBKEsiRNA在皮下异种移植TNBC小鼠模型中的体内抗肿瘤功效图2.HA修饰的siRNA纳米复合物的示意图，甲醇际氢表征及体外基因沉默（A）胆固醇修饰多肽（CP）自组装成胶束状结构，用于包封卡巴他赛，并进一步与IKBKEsiRNA结合，并敷上胆固醇修饰HA（CHA）以形成杂化siRNA纳米复合物（B）不同N/P比值下siRNA纳米复合物的凝胶阻滞测定结果（C-F）不同N/P比值下siRNA纳米复合物的Zeta电位，粒径结果，以及在mRNA及蛋白水平的基因沉默活性（G-H）敷载不同百分比的CHA时，siRNA纳米复合物的凝胶阻滞测定和zeta电位结果图3.HA修饰的siRNA纳米复合物的细胞摄取（A-C）转染2、4和6小时后，细胞摄取游离siRNA，CP/siRNA纳米复合物和CHA/CP/siRNA纳米复合物流式细胞仪图像及分析结果（D-E）siRNA纳米复合物转染2小时和6小时后细胞共聚焦图像图4.装载卡巴他赛的siRNA纳米复合物的表征（A）CP，CP/siRNA纳米复合物和CHA/CP/siRNA纳米复合物的临界胶束浓度（B-C）CHA/CP/siRNA和CHA/CP/siRNA/CTX纳米复合物的粒径和TEM图像（D）纳米复合物在蛋白质水平的基因沉默活性（E-F）CHA/CP/siRNA/CTX纳米复合物在50％人血清和小鼠血清中的血清稳定性图5.HA修饰的siRNA纳米复合物的3D肿瘤球体渗透、侵袭和凋亡研究（A-F）孵育1小时和2小时后，CP/Cy5-siRNA/Coumarin6和CHA/CP/Cy5-siRNA/Coumarin6纳米复合物在3D类球体上的z-stack共聚焦图，以及Cy5-siRNA以及Coumarin6的平均荧光强度量化分析图像（G-H）MDA-MB-231细胞在3D类球体中侵袭作用图像及量化处理结果（I-J）在不同给药条件下，使用流式细胞仪对肿瘤细胞凋亡过程研究图像及百分比分析结果图6.HA修饰的siRNA纳米复合物在小鼠原位TNBC肿瘤模型中的生物分布和抗肿瘤活性（A）用Cy5标记IKBKEsiRNA后，不同时间间隔的小鼠活体成像结果（B）注射后48小时，小鼠不同组织的荧光图像（肝脏，脾脏，肿瘤，肺，肾，心脏和肌肉）（C）注射后48小时，小鼠不同器官的平均荧光强度（对比心脏）（D）静脉注射不同制剂后，记录MDA-MB-231原位移植荷瘤小鼠肿瘤体积生长曲线（每组n=7）（E-F）收获不同制剂给药后肿瘤的图像以及肿瘤重量分析结果（G）静脉注射不同制剂后，IKBKE蛋白在肿瘤组织中的表达分析结果（H-I）TUNEL分析不同制剂给药后肿瘤标本中凋亡细胞的荧光图像以及定量分析结果【小结】作者发现使用siRNA沉默IKBKE基因可明显抑制TNBC细胞的增殖，迁移和侵袭。
此外，磅亮该纳米复合物中包裹的卡巴他赛能够进一步增强IKBKEsiRNA对于TNBC的治疗效果。14斤的小狗吃多少14斤的小狗每天需要吃多少，中集制氢这个问题取决于狗狗的品种、年龄和活动水平。
狗狗的日给量可以按照狗粮的包装上的建议进行调整，氢能橇重有些狗粮上会提供具体的每日摄入量，根据狗狗的体重来调整。也可以根据狗狗的体质，新品相观察是否有体重变化，然后根据体重变化调整日给量。
建议14斤的小狗每天吃120至240克的狗粮，甲醇际氢根据狗狗的品种、年龄和活动水平调整日给量，并且定期检查狗狗的体重，及时调整在数据库中，磅亮根据材料的某些属性可以建立机器学习模型，便可快速对材料的性能进行预测，甚至是设计新材料，解决了周期长、成本高的问题。